No habría sido una respuesta extravagante.

En marzo de aquel año, las tres estaban entre las diez empresas de mayor capitalización del Nasdaq. Tenían clientes, tecnología, empleados brillantes y una posición que muchas otras compañías habrían querido ocupar. Mirar sus nombres en aquella clasificación era mirar una fotografía de lo que el mercado esperaba del porvenir.

Y, sin embargo, cuando observamos esa fotografía desde el presente, nos cuesta reconocer parte del paisaje.

Conocemos los nombres, algunos más que otros. Quizá conservamos una dirección de correo de Yahoo. Quizá trabajamos con un ordenador Dell. Tal vez hemos utilizado Java miles de veces sin saber que nació en Sun.

Pero ya no pensamos en aquellas empresas de la misma manera.

¿Qué ocurrió entre una fotografía y otra?

La explicación fácil sería decir que dejaron de innovar. Que se acomodaron. Que no vieron venir el cambio.

Es una explicación cómoda porque convierte una historia compleja en una pequeña fábula empresarial: unas compañías se durmieron y otras, más despiertas, ocuparon su lugar.

El problema es que, cuando nos acercamos a los casos, la historia deja de ser tan ordenada.

Yahoo, por ejemplo, fue durante años una forma de entender internet.

Su propuesta reunía correo, noticias, búsquedas y contenidos. Para mucha gente, abrir Yahoo era comenzar la jornada digital. Había cierta lógica en concentrar tantas cosas en un mismo sitio: internet era enorme, estaba creciendo y necesitábamos lugares que nos ayudaran a orientarnos.

Después cambiaron nuestros hábitos.

El acceso a la información se repartió entre buscadores, redes sociales y aplicaciones. La atención de los usuarios y el dinero de los anunciantes encontraron nuevos destinos. En su informe anual de 2016, Yahoo describía expresamente la competencia de Google y Bing, y cómo las redes sociales estaban captando una parte creciente del tiempo de los usuarios y de la inversión publicitaria.

Yahoo seguía teniendo servicios, usuarios y una marca reconocible. Pero el entorno en el que debía convertir esos activos en una ventaja había cambiado.

En 2017 vendió su negocio operativo a Verizon. La marca continuó existiendo. Lo que terminó fue una etapa de su historia como compañía independiente con aquel negocio.

Esta distinción importa. Decir que Yahoo «desapareció» nos ahorra explicar qué perdió, qué conservó y qué siguió funcionando bajo otro propietario.

También nos impide ver algo más cercano: se puede seguir haciendo un trabajo útil mientras se pierde protagonismo.

El caso de Sun Microsystems plantea otra pregunta.

Era una empresa de servidores y software que contribuyó a construir parte de la infraestructura tecnológica de su época. Entre sus tecnologías estaban Java, Solaris y SPARC. Cuesta encajar una trayectoria así en la categoría de compañías que simplemente dejaron de inventar.

Y, aun así, crear tecnología valiosa no garantizó su continuidad como empresa independiente.

En sus últimos años, Sun sufrió presión competitiva sobre precios y márgenes. Su documentación financiera describía descuentos, cambios en la composición de sus ventas y una menor contribución de productos de gama alta. En enero de 2010, Oracle completó su adquisición y mantuvo tecnologías de Sun dentro de su oferta.

Aquí aparece una diferencia que a menudo olvidamos cuando hablamos de innovación: el valor de una tecnología y la capacidad de una empresa para sostener su negocio no avanzan siempre al mismo ritmo.

Una idea puede sobrevivir a la organización que la creó.

Puede extenderse, resultar útil y formar parte de productos posteriores, mientras su creadora pierde independencia o capacidad para capturar ese valor.

Mientras tanto Dell nos ofrece un tercer desenlace.

Dejó de cotizar en 2013, adquirió EMC en 2016 y regresó al mercado bursátil en 2018. Esta vez lo hizo en Nueva York. Su ausencia de una clasificación posterior del Nasdaq no se explica como una desaparición, sino como parte de una transformación empresarial.

Por eso conviene tener cuidado con mirar solo las fotografías bursátiles. Nos muestran quién ocupaba una posición en un momento concreto. Para entender qué sucedió después hay que salir de la lista y entrar en la historia.

En un caso encontramos pérdida de protagonismo y venta del negocio. En otro, adquisición e integración de tecnologías. En otro, cambios de propiedad, ampliación de actividades y regreso a otra bolsa.

Reducir esos caminos a una sola moraleja nos haría perder precisamente lo más interesante.

Mientras aquellas empresas recorrían sus trayectorias, otras estaban construyendo las suyas.

Amazon y Google ya existían en 2000, aunque no aparecían en aquel top diez. Amazon se había constituido en 1994 y había abierto su tienda en internet en 1995. Google se había incorporado en 1998 (todavía hoy recuerdo el día que salió a bolsa).

Vistas desde hoy, sus trayectorias pueden parecer una sucesión lógica de pasos. Es fácil reconstruir el pasado como si cada decisión hubiera anunciado la siguiente. Pero quienes vivían aquel momento no disponían de nuestra perspectiva.

Veían empresas con posibilidades, competidores, limitaciones y preguntas pendientes. El desenlace todavía estaba abierto.

Nosotros, en cambio, miramos hacia atrás sabiendo quién ganó protagonismo. Esa ventaja nos empuja a confundir lo que finalmente ocurrió con lo que necesariamente tenía que ocurrir.

También simplificamos la idea de sustitución.

Google no ocupó una silla que Yahoo hubiera dejado vacía. Ayudó a cambiar la manera en que accedíamos a la información. Amazon tampoco se limitó a avanzar posiciones dentro de una actividad que permanecía inmóvil: su historia pasó por ampliar qué ofrecía y cómo lo ofrecía.

Las clasificaciones cambiaron porque cambiaron las empresas, pero también porque cambiaron nuestros hábitos y las actividades a las que atribuíamos valor.

Hoy estamos observando otra transformación mientras sucede.

En nuestras conversaciones aparecen OpenAI y Anthropic, nombres que no existían en aquella fotografía del año 2000. Sus servicios, que nadie se atrevía ni si quiera imaginar por aquella época, nos permiten plantear de otra manera tareas que hasta hace poco asociábamos a buscar información, redactar, programar o analizar documentos.

No sabemos qué posición ocuparán dentro de veinte años. Podemos reconocer la importancia de lo que está ocurriendo sin convertir a sus protagonistas actuales en propietarios permanentes del futuro.

Sería extraño utilizar la historia de Yahoo o Sun para explicar que el liderazgo cambia y, acto seguido, hablar de las empresas de inteligencia artificial como si su trayectoria ya estuviera resuelta.

Las herramientas seguirán evolucionando. Los usuarios modificarán sus expectativas. Aparecerán decisiones difíciles sobre productos, costes, distribución y formas de trabajar.

Y los nombres que hoy concentran nuestra atención tendrán que responder a esas condiciones.

Hay, además, algo que una clasificación por capitalización apenas permite ver: las personas que toman decisiones dentro de las empresas.

Desde fuera resulta sencillo recomendar que una organización abandone una actividad, transforme su negocio o apueste por algo nuevo. Desde dentro, cada decisión afecta a clientes que todavía compran, equipos que dominan su trabajo e inversiones pendientes de recuperar.

Lo conocido conserva argumentos a su favor. Y muchas veces esos son argumentos más que razonables.

Por eso adaptarse exige más que entusiasmo por la novedad. Exige distinguir entre lo que merece dar continuidad y lo que seguimos manteniendo porque cambiarlo resulta incómodo.

Esa dificultad también existe fuera de las grandes compañías.

Está en el profesional que domina una tarea y comienza a ver cómo una herramienta permite resolver parte de ella. En el comercio que conoce a sus clientes, pero detecta que están comprando de otra manera. En el equipo que repite un proceso porque lleva años entregando resultados aceptables.

El éxito proporciona experiencia y confianza. También puede reforzar una explicación del mundo que poco a poco deja de describirlo bien.

Quizá la reflexión de este sábado consista en revisar alguna de esas explicaciones.

Sin dramatismo. Sin dar por muerto lo que todavía aporta valor. Con suficiente curiosidad para admitir que las condiciones pueden estar cambiando.

Piensa en algo de tu trabajo que hoy hagas especialmente bien. En una tarea, una oferta o una manera de atender a los demás que se haya convertido en parte de tu identidad profesional. Después pregúntate qué necesidad resuelve realmente, cómo está evolucionando esa necesidad y qué otras formas de atenderla están apareciendo.

Puede que descubras buenas razones para continuar.

Puede que encuentres algo que convenga aprender.

O puede que te sorprendas defendiendo una costumbre que nunca habías pensado en revisar.

Si tuvieras que empezar de cero mañana, ¿volverías a hacerlo igual?

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

Food for thought

Hay un aprendizaje incómodo en estas historias: ninguna empresa es tan grande ni tan innovadora como para tener asegurado su futuro.

Yahoo tenía usuarios. Sun tenía tecnología. Dell tenía una manera de fabricar y vender que otras empresas estudiaban. Sus ventajas eran reales. Lo que cambió fueron las condiciones que las hacían valiosas.

El éxito puede ayudarte a construir el futuro. También puede convencerte de que ya lo tienes resuelto.

Y ahí empieza el peligro: cuando defender lo que te hizo grande ocupa más espacio que explorar lo que podría hacerte relevante mañana.

La historia no se repite de forma exacta. Pero vuelve a plantear la misma pregunta a protagonistas distintos: ¿serás capaz de cambiar mientras todavía tienes motivos para seguir igual?

También tendrán que responderla las empresas que hoy dominan el top ten. Y las nuevas compañías de inteligencia artificial, por muy prometedoras que parezcan.

Algunas conservarán su posición. Otras se transformarán, serán adquiridas o perderán protagonismo. Todavía no sabemos cuáles seguirán cada camino.

Lo que sí sabemos es que estar arriba describe una posición presente. Pero no concede derechos sobre el futuro.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD. Las historias empresariales suelen contarse desde el escenario: el producto revolucionario, la salida a bolsa, el fundador que parecía verlo todo antes que los demás.

Pero hay otra biblioteca. La de las decisiones equivocadas, las crisis y las empresas que parecían invencibles. Si te interesa esa parte, aquí tienes unas cuantas lecturas.

Para escuchar a quienes estuvieron al mando:

• The Hard Thing About Hard Things, de Ben Horowitz. El antiguo CEO de Loudcloud y Opsware cuenta lo que supone dirigir cuando las cosas se tuercen: despedir, cambiar de rumbo y tomar decisiones para las que no existe una respuesta satisfactoria. Es por donde empezaría.

• Play Nice But Win, de Michael Dell y James Kaplan. Encaja directamente con esta edición: la historia de construir Dell, luchar por conservarla y transformarla. Una crisis narrada desde dentro, con la perspectiva —y los intereses— de su protagonista.

• Only the Paranoid Survive, de Andrew S. Grove. El antiguo CEO de Intel reflexiona sobre esos momentos en los que cambian las reglas del negocio y la experiencia acumulada puede dejar de servir como guía.

• Burn Rate, de Andy Dunn. El cofundador de Bonobos relata su trayectoria empresarial y su convivencia con el trastorno bipolar. Aporta una dimensión que muchas historias de éxito omiten: la salud mental de quien dirige. No es una crónica de quiebra empresarial.

Para mirar detrás del relato de Silicon Valley:

• Super Pumped, de Mike Isaac. Una investigación sobre Uber, su cultura interna y la salida de Travis Kalanick. La empresa continúa; quien pierde el mando es su fundador. Otra forma de caer.

• Billion Dollar Loser, de Reeves Wiedeman. La expansión de WeWork, las promesas de Adam Neumann y el intento fallido de salir a bolsa en 2019. Para examinar cómo una historia seductora puede conseguir que demasiadas personas dejen de hacer preguntas.

• Bad Blood, de John Carreyrou. La investigación sobre Theranos. Aquí hablamos de fraude, no simplemente de una innovación que salió mal. Una distinción necesaria cuando se celebra tanto la idea de «fracasar».

• Disrupted, de Dan Lyons. Las memorias de un periodista que entra a trabajar en HubSpot y cuenta su choque con la cultura de las startups. Una mirada crítica desde el puesto de empleado, en lugar del despacho del fundador.

Y mantendría los dos libros que ayudan a conectar estas historias: El dilema de los innovadores, de Clayton Christensen, y How the Mighty Fall, de Jim Collins.

No cuentan el mismo tipo de fracaso. Precisamente por eso merece la pena leerlos juntos.

A veces la lección está en cómo alguien se recuperó. Otras, en las señales que todos prefirieron ignorar.

Un ojeador lleva toda la tarde sentado en la grada de un campo de fútbol. Hace frío, el césped está hecho un desastre y tiene una libreta llena de anotaciones.

Ha venido a ver a un delantero del que le han hablado maravillas.

Noventa minutos después, vuelve a casa convencido de que ha encontrado una joya.

No tiene un informe de 40 páginas. No ha consultado sus expected goals. No sabe cuántos kilómetros ha recorrido ni cuál es su velocidad máxima.

Pero tiene algo.

Ojo. Experiencia. Intuición.

Y una libreta.

Ahora imagina exactamente la misma situación en 2026.

El ojeador probablemente haya visto antes veinte partidos del jugador sin salir de su oficina. Conoce sus movimientos, su capacidad de presión, su comportamiento sin balón, sus estadísticas físicas y hasta cómo encajaría en el sistema táctico de su equipo.

Puede que un algoritmo incluso le haya recomendado al jugador antes de que nadie le hablara de él.

Bienvenidos al fútbol moderno.

O, quizá, a la Fórmula 1 con botas de tacos.

Hay algo que me llama especialmente la atención de la evolución de la Fórmula 1.

Durante décadas hemos visto cómo el deporte se ha convertido en un extraordinario ejercicio de ingeniería.

Aerodinámica, simuladores, telemetría, estrategias de neumáticos, gestión energética, modelos predictivos...

El piloto sigue siendo fundamental. Pero ya no compite solo.

Compite un sistema entero.

Y los ingenieros tampoco tienen libertad absoluta para hacer cuanto se les ocurra. La Federación Internacional de Automovilismo regula exhaustivamente los vehículos, limita los recursos que pueden dedicar al desarrollo y establece las fronteras dentro de las cuales se puede innovar.

Curiosamente, en 2026 la propia Fórmula 1 ha introducido nuevas reglas que vuelven a dar importancia a las decisiones del piloto sobre cómo administrar la energía.

Una buena demostración de que la tecnología no elimina necesariamente el talento humano, sino que modifica dónde y cómo aporta valor.

La cuestión es que esa transformación ya está llegando a prácticamente todos los deportes.

En el béisbol, Statcast permite analizar la trayectoria de cada lanzamiento, la velocidad del bate o la probabilidad de completar una jugada.

En Wimbledon, desde 2025, las cámaras sustituyen a los jueces de línea para decidir si una pelota ha entrado o salido.

Y en el fútbol estamos asistiendo a una revolución que quizá sea todavía más profunda.

Porque no solo estamos cambiando cómo arbitramos.

Estamos cambiando cómo se construyen los equipos, cómo se prepara a los jugadores y cómo se toman las decisiones.

El nuevo fichaje estrella podría ser un científico de datos

Hace unos días descubrí un interesante ecosistema de empresas dedicadas a convertir el fútbol en algo mucho más medible.

Y el número de tecnologías disponibles resulta sorprendente.

Opta y StatsBomb registran lo que sucede durante los partidos: pases, disparos, recuperaciones, presiones... StatsBomb, por ejemplo, proporciona información de más de 3.400 eventos por encuentro.

SkillCorner utiliza visión artificial para reconstruir los movimientos de los jugadores a partir de las propias retransmisiones televisivas. Su plataforma anuncia más de 1,2 millones de puntos de datos por partido.

Gradient Sports añade una capa de evaluación contextual sobre las acciones individuales de los futbolistas.

Wyscout permite acceder a partidos y vídeos de jugadores de competiciones de todo el planeta.

Eyeball lleva este modelo al fútbol juvenil, facilitando la identificación de talentos que antes podían pasar desapercibidos.

TransferRoom conecta clubes y agentes para facilitar operaciones en el mercado de fichajes.

Y después llegan empresas como Marquee, que utilizan inteligencia artificial para responder a una pregunta todavía más interesante:

¿No quién es el mejor futbolista, sino quién es el mejor futbolista para mi equipo?

Porque un delantero puede marcar veinte goles en una liga y resultar completamente inútil en otra.

No solo importan los goles.

Importa cómo presiona, dónde se mueve, qué espacios genera, cómo se relaciona con sus compañeros y qué exige el entrenador.

A todo esto debemos añadir los sensores y sistemas de seguimiento de carga física, las herramientas de recuperación y los modelos que intentan anticipar riesgos de lesión.

Aunque conviene no confundir una estimación estadística con una certeza médica.

El resultado es fascinante.

Un equipo de fútbol empieza a parecerse bastante a una escudería.

Con analistas, ingenieros, médicos, científicos de datos y modelos de inteligencia artificial trabajando para mejorar cada pequeño detalle del rendimiento.

El problema vendrá cuando haya un equipo que empiece a sacar mayor partido de la tecnología que otro.

Pero, ¿qué ocurrirá cuando todos tengan los mismos datos?

Aquí es donde empieza mi verdadera reflexión.

Porque cualquiera puede comprar acceso a muchas de estas plataformas.

Y cuando todos empiezan a utilizar sistemas parecidos, aparece una paradoja.

¿Qué ocurre si todos los equipos llegan a conclusiones parecidas sobre cómo se debe jugar al fútbol?

Significa que existe el riesgo de empezar a valorar únicamente aquello que sabemos medir.

Y eso tiene consecuencias.

Porque hay futbolistas extraordinarios que hacen cosas extraordinarias precisamente porque no siguen el comportamiento esperado.

El problema no es que una máquina pueda encontrar la mejor decisión estadística. Es que acabemos considerando equivocada cualquier decisión diferente.

Recuerdo con nostalgia aquel fútbol de los noventa donde parecía existir más espacio para las individualidades, los jugadores difíciles de clasificar y los entrenadores que se atrevían a hacer cosas aparentemente absurdas.

Quizá parte de esa percepción sea simplemente nostalgia.

O quizá estemos viendo cómo la profesionalización extrema reduce progresivamente el margen para determinados comportamientos.

Y eso nos plantea otra cuestión incómoda.

¿Estamos formando mejores deportistas o deportistas que encajan mejor en los modelos con los que evaluamos su rendimiento?

No es exactamente lo mismo.

Existe además un aspecto que no deberíamos ignorar.

Los datos no son solo una herramienta para los clubes.

También son información personal de los deportistas.

Rendimiento, salud, biometría, recuperación, hábitos físicos...

De hecho, FIFPRO, el sindicato internacional de futbolistas, lleva tiempo defendiendo una mayor protección y control de los jugadores sobre sus propios datos.

Porque si podemos medir prácticamente todo acerca de un deportista, también debemos preguntarnos quién tiene derecho a utilizar esa información y con qué finalidad.

Especialmente cuando un algoritmo empieza a participar en decisiones que pueden determinar su futuro profesional.

Food for thought

Creo que el futuro del deporte no será exactamente el de la Fórmula 1 ni el del fútbol de los noventa. Será una mezcla extraña de ambos.

Cada vez habrá más tecnología detrás de cada decisión.

Más simulaciones. Más sensores. Más predicciones. Más inteligencia artificial.

Pero también creo que cuanto más accesible sea esa tecnología, más importante será aquello que no se puede comprar directamente a un proveedor.

La cultura de un equipo.

El criterio de sus entrenadores.

La capacidad de motivar a un vestuario.

La personalidad de un deportista.

Porque un modelo puede analizar miles de partidos para calcular qué debería ocurrir. Pero lo bonito de este deporte, es que los partidos hay que jugarlos.

Porque no sé tú, pero yo no veo un partido de fútbol para comprobar si los modelos predictivos han acertado.

Lo veo porque todavía existe la posibilidad de que ocurra algo que nadie esperaba.

Y espero que nunca aprendamos a optimizar eso.

🌍 El Eco del Mercado

🛡️ Millones de ataques explotan las vulnerabilidades de PHP. Cloudflare detectó que los intentos de explotación pasaron de miles a millones pocas horas después de divulgarse los fallos. Bancos, aerolíneas y administraciones han desconectado servicios mientras aplican unos parches que algunos sistemas antiguos tardarán semanas en incorporar.

🇨🇳 Un grupo vinculado a China utiliza IA para atacar cientos de organizaciones. Microsoft atribuye a un grupo alineado con Pekín el compromiso de ConnectWise Cloud Backup mediante ARTEX, una herramienta capaz de automatizar varias fases de un ciberataque. Varias víctimas sufrieron accesos privilegiados que podrían persistir después de contener la aplicación afectada.

🏦 Los bancos detectan agentes no autorizados dentro de cuentas de clientes. Morgan Stanley, Bank of America, JPMorgan y Wells Fargo habrían identificado agentes externos operando en cuentas y, en algunos casos, intentando ejecutar acciones sin instrucciones aparentes del usuario. La banca necesita adaptar su autenticación para distinguir al cliente del software que afirma actuar en su nombre.

🏥 Quest Diagnostics investiga la exposición de historiales médicos. Un acceso no autorizado afectó a Quanum Lab Services Manager, la plataforma utilizada para solicitar pruebas y consultar resultados. La compañía todavía no ha determinado cuántos pacientes resultaron afectados ni qué información clínica quedó expuesta.

💸 Meta busca nuevas vías para financiar su carrera por la IA. La compañía creará una clase de acciones sin voto para financiar infraestructura, adquisiciones y retribuciones, mientras prevé invertir entre 135.000 y 145.000 millones de dólares este año. Al mismo tiempo, el coste de asegurar su deuda contra impago ha alcanzado un máximo histórico.

🧲 TSMC busca fabricar chips sin depender tanto de las tierras raras chinas. El fabricante taiwanés consulta a sus proveedores sobre motores y equipamiento industrial que utilicen menos tierras raras o prescindan de ellas. La autonomía de los semiconductores depende también de pequeños imanes y materiales controlados en buena medida por China.

🔌 Los cables se convierten en otra restricción para construir centros de datos. Nexans advierte de que la demanda de cableado eléctrico crece más deprisa que la capacidad de fabricación y que abrir una nueva línea especializada puede llevar unos tres años. A la escasez de energía, transformadores y conexiones a la red se suma así otro cuello de botella físico para la expansión de la IA.

🗳️ La oposición a los centros de datos entra en las elecciones estadounidenses. El consumo energético, el impacto ambiental y el encarecimiento de la electricidad comienzan a ocupar espacio en las campañas legislativas y locales. La próxima limitación a la infraestructura de IA podría proceder de los municipios que conceden los permisos, no de Washington.

📈 Anthropic mantiene su OPV mientras otras empresas de IA retroceden. La compañía pretende publicar su folleto a finales de octubre y comenzar a comercializar sus acciones durante la semana del 9 de noviembre. La operación comprobará si los inversores distinguen entre los creadores de modelos y las empresas endeudadas que construyen su infraestructura.

📉 Los bajistas ganan 6.000 millones apostando contra las neoclouds. Las caídas de CoreWeave, Nebius, IREN, Applied Digital y Core Scientific han generado importantes beneficios latentes para quienes apostaron contra ellas. El mercado no cuestiona necesariamente la demanda de IA, sino la deuda acumulada para comprar las GPU que la sostienen.

👥 Barclays eliminará 5.000 empleos apoyándose en IA y automatización. El banco reducirá aproximadamente el 5 % de su plantilla durante este año, principalmente en funciones de soporte, incluidos puestos de desarrollo. Aunque no todos serán sustituidos directamente por IA, el ajuste muestra dónde comienza a materializarse su impacto laboral.

📊 LSEG paga 3.540 millones por datos que la IA no puede encontrar libremente. El propietario de la Bolsa de Londres comprará Octus, especializada en crédito privado y empresas con dificultades financieras. LSEG refuerza así su defensa frente a modelos capaces de resumir información pública mediante datos propietarios y análisis difíciles de replicar.

🌍 El FMI y la OCDE alertan de una nueva brecha en la adopción de la IA. Ambas instituciones calculan que la tecnología podría elevar apreciablemente la productividad, pero advierten de que su uso en los procesos centrales de las empresas continúa siendo limitado. Los países pobres, las pymes y los trabajadores jóvenes corren el riesgo de quedarse atrás por falta de infraestructura, formación y capacidad organizativa.

🔐 1Password permite que un agente inicie sesión sin conocer la contraseña. El agente identifica la credencial necesaria y pide permiso al usuario antes de que 1Password complete el acceso sin revelar la contraseña al modelo. El sistema reduce la exposición de credenciales, aunque no evita que el usuario autorice una acción equivocada.

🛒 Los comercios empiezan a decidir qué agentes pueden comprar. Amazon ha bloqueado al agente Muse de Meta y otras plataformas restringen herramientas capaces de reservar productos o actuar en nombre de los consumidores. El comercio agéntico necesitará identidades verificables, acuerdos de acceso y reglas de responsabilidad, además de modelos capaces de manejar una web.

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 después de leer esto te preguntas cuánto queda de intuición y cuánto hay ya de matemáticas en el deporte, te recomiendo cuatro lecturas.

• Moneyball, de Michael Lewis. La historia de cómo un equipo de béisbol con poco presupuesto consiguió desafiar a los gigantes gracias a los datos.

• Soccernomics, de Simon Kuper y Stefan Szymanski. Economía y estadística para desmontar muchos de los mitos del fútbol. Actualizado para el Mundial de 2026.

• The Numbers Game, de Chris Anderson y David Sally. Una demostración de que muchas cosas que damos por ciertas en el fútbol no resisten un análisis de los números.

• Cómo hacer un coche, de Adrian Newey. Para descubrir cómo la ingeniería, la creatividad y la obsesión por los detalles pueden ganar campeonatos.

P. D. 2. Antes jugabas al fútbol y tu padre te decía que no corrías lo suficiente. Ahora puedes demostrárselo con datos. El Playermaker 2.0 es un pequeño dispositivo que se coloca en las botas y mide tu velocidad, distancia recorrida, toques de balón y hasta cuánto utilizas cada pie.

Sin caballos.

Pero carruajes.

Con sus asientos elevados, sus grandes ruedas, sus faroles y buena parte de las formas heredadas de los vehículos de tracción animal.

Habíamos inventado el motor de combustión, pero todavía no habíamos aprendido a diseñar un vehículo alrededor de él.

Y tiene su lógica.

Cuando aparece una tecnología radicalmente nueva, lo primero que hacemos es intentar que se parezca a algo que ya conocemos.

Nos pasó con los primeros periódicos digitales, que imitaban las páginas de papel.

Con los libros electrónicos, que todavía nos permiten pasar páginas.

Y con ese icono del disquete que seguimos utilizando para guardar documentos, aunque muchos de los que lo pulsan jamás hayan tenido uno entre las manos.

Todo esto tiene un nombre bastante feo.

Esqueuomorfismo.

Y sospecho que estamos viviendo uno de los mayores de la historia.

Con la inteligencia artificial.

Piénsalo.

Tenemos una tecnología capaz de generar software, analizar millones de registros, investigar problemas, crear contenido y ejecutar tareas.

¿Y qué hemos hecho para interactuar con ella?

Ponerle una ventanita de chat.

Como WhatsApp.

Tú escribes.

Ella contesta.

Tú vuelves a escribir.

Ella vuelve a contestar.

Hemos construido una inteligencia capaz de ejecutar procesos complejos y la hemos encerrado en una conversación de mensajería.

Y no es el único ejemplo.

Le pedimos que escriba documentos de Word.

¿Por qué un informe debe tener veinte páginas si podría convertirse en un sistema de conocimiento interactivo que responda a nuestras preguntas y se actualice continuamente?

Le pedimos que genere presentaciones de PowerPoint.

¿Por qué veinte diapositivas estáticas si la presentación podría adaptarse a los conocimientos, intereses y preguntas de cada audiencia?

Le pedimos que redacte correos electrónicos.

¿Por qué celebrar que podemos escribir cien correos en el tiempo que antes necesitábamos para escribir diez?

¿Y si lo verdaderamente revolucionario fuera que esos cien correos ya no fueran necesarios?

Le pedimos que construya dashboards.

Gráficos preciosos.

Indicadores de todos los colores.

Paneles que alguien tiene que abrir, interpretar y convertir en decisiones.

¿Y si un agente pudiera detectar una anomalía, investigar sus causas y proponernos directamente qué hacer?

Estamos utilizando la IA para reproducir nuestras herramientas.

En lugar de preguntarnos si seguimos necesitándolas.

El problema no está en la pantalla

Hay tres niveles en esta historia.

El primero es visual.

Las burbujas de chat, las carpetas, los documentos, las páginas.

El segundo es funcional.

Buscar información, escribir instrucciones, editar documentos, construir hojas de cálculo.

Pero el tercero es mucho más interesante.

El organizativo.

Y aquí es donde empezamos a meternos en un buen lío.

Porque estamos diseñando agentes de inteligencia artificial como si fueran empleados.

Les asignamos roles.

Les ponemos nombres.

Les damos responsabilidades.

Creamos supervisores.

Organizamos equipos de agentes.

Y hasta les construimos tableros Kanban para comprobar cómo van sus tareas.

Solo nos falta organizarles la cena de Navidad.

Y quizá algún agente termine proponiéndola.

Pero, bromas aparte, hay una pregunta que me parece fascinante.

¿Por qué una organización de agentes debería funcionar como una organización de humanos?

Los departamentos, las reuniones, las jerarquías y los procesos de aprobación no aparecieron por casualidad.

Son respuestas a nuestras limitaciones.

Necesitamos dormir.

Tenemos una capacidad limitada para procesar información.

Nos cuesta compartir contexto.

No podemos trabajar simultáneamente en cientos de tareas.

Y necesitamos coordinarnos.

Muchas de nuestras estructuras organizativas existen precisamente para gestionar esas restricciones.

Pero los agentes tienen otras capacidades.

Y también otras limitaciones.

No necesitan reproducir todas nuestras ceremonias para colaborar, aunque sí necesitan permisos, controles, criterios de éxito y mecanismos de supervisión.

Quizá una organización diseñada alrededor de agentes no deba parecerse a una empresa con empleados digitales.

Quizá deba parecerse a algo que todavía no sabemos imaginar.

Pero no veamos el vaso medio vacío, como todo en la vida hay matices.

Los esqueuomorfismos no son necesariamente un error.

A veces son extraordinariamente útiles.

No se trata de eliminar todo lo que conocemos.

Se trata de distinguir entre las formas heredadas que siguen aportando valor y aquellas que conservamos únicamente porque no sabemos trabajar de otra manera.

Food for thought

Durante los últimos años hemos celebrado que la IA nos permite hacer las cosas más rápido.

Y eso está muy bien. Pero hay algo que me inquieta.

¿Y si estamos optimizando procesos que deberían desaparecer?

En ligar de reinventar el propio trabajo.

Quizá dentro de veinte años alguien observe nuestras interfaces actuales con la misma curiosidad con la que hoy miramos aquellos primeros automóviles.

Y se pregunte:

«¿De verdad tenían una inteligencia artificial capaz de hacer todo eso y se pasaban el día escribiéndole mensajes en una ventanita?».

Puede que se rían.

Como nosotros cuando vemos un coche sin caballos que todavía parece necesitar un cochero.

Y eso, me temo, va a exigir bastante más imaginación que aprender a escribir buenos prompts.

🌍 El Eco del Mercado

🤖 Los agentes de OpenAI aprenden a silenciar sus propias alarmas. Dos agentes debilitaron mecanismos internos diseñados para detectar comportamientos indeseados: uno suprimió avisos automáticos de seguridad y otro eliminó controles y afirmó que seguían funcionando. OpenAI ha reforzado la monitorización mientras investiga si intentaban sortearla o interpretaron incorrectamente sus instrucciones.

⚖️ Anthropic propone bloquear los modelos capaces de causar daños catastróficos. Su borrador permitiría a un juez detener el lanzamiento de un modelo cuando exista un riesgo previsible e inminente de causar al menos cincuenta muertes o daños superiores a 1.000 millones de dólares. La propuesta convierte los riesgos abstractos de la IA en umbrales jurídicos concretos, aunque los evaluadores podrían ser contratados por los propios laboratorios.

🧱 Nvidia crea una caja de arena para contener las aplicaciones de IA. La compañía presenta herramientas para ejecutar aplicaciones dentro de entornos digitales aislados y limitar su acceso al resto del sistema. La propuesta intenta impedir que una aplicación autónoma actúe fuera de los permisos definidos, aunque su eficacia dependerá de cuánto control estén dispuestas a sacrificar las empresas.

🔓 Dos fallos críticos en PHP obligan a desconectar servicios públicos. Agencias de varios países recomiendan actualizar inmediatamente o apagar temporalmente los sistemas afectados, mientras administraciones, hospitales, puertos y plataformas escolares suspenden servicios. PHP sostiene buena parte de la web y la IA puede acelerar la localización y explotación de instalaciones que todavía no hayan aplicado el parche.

🌐 La UE investiga la amplificación extranjera de los disturbios franceses. Bruselas examina la difusión masiva de vídeos antiguos y contenidos engañosos por redes favorables al Kremlin y grupos de extrema derecha, además de posibles intervenciones iraníes y argelinas. No hay pruebas de que actores extranjeros provocaran las protestas, pero sí preocupa su capacidad para explotar agravios reales, manipular su interpretación y conseguir millones de visualizaciones antes de que las plataformas reaccionen.

🎭 Zoom intentará detectar deepfakes durante las videollamadas. La plataforma analizará el audio y el vídeo para advertir de posibles manipulaciones externas. La función llegará junto a herramientas que modifican la voz, el acento y la apariencia, dejando a Zoom la paradójica tarea de transformar una conversación y decidir al mismo tiempo qué transformaciones resultan sospechosas.

📱 Meta impulsa Muse hasta los diez millones de descargas en Estados Unidos. La aplicación alcanza el hito en cuarenta días y registra alrededor de 2,5 millones de usuarios diarios. Su retención supera la media de otras aplicaciones de IA, aunque el crecimiento está respaldado por la enorme capacidad publicitaria de Meta, que destinó a Muse el 39 % de su inversión en anuncios de octubre.

🧬 OpenAI compra Orchestra Bio para adentrarse en las operaciones farmacéuticas. Los agentes de Orchestra Bio coordinan financiación, planificación de ensayos y procesos de descubrimiento de medicamentos. Su equipo se integrará en Rosalind, mostrando que OpenAI quiere controlar no solo el modelo, sino también los flujos de trabajo especializados que lo conectan con farmacéuticas como Moderna y Novo Nordisk.

🔐 ChatGPT permite bloquear conversaciones, pero no modifica cómo se gestionan sus datos. Los usuarios podrán proteger determinados chats mediante PIN, Face ID o Touch ID y excluirlos del historial general y de la memoria. La función evita accesos físicos indiscretos, pero no introduce cifrado de extremo a extremo ni cambia las políticas de conservación o entrenamiento.

🚕 Bolt y Nvidia preparan una prueba de robotaxis en Madrid. Bolt prevé iniciar en 2027 un piloto con varias decenas de vehículos apoyados en la plataforma Alpamayo de Nvidia, antes de un posible despliegue de al menos 25.000 automóviles de Lucid. La autorización actual permite una prueba comercial limitada y convierte Madrid en uno de los principales laboratorios europeos de movilidad autónoma.

🚛 Einride probará la IA de Nvidia como copiloto silencioso de sus camiones. Alpamayo observará la conducción y tomará decisiones simuladas en modo sombra, sin controlar todavía el vehículo. Einride podrá comparar sus respuestas con las del sistema operativo y entrenarlo con datos de transporte reales antes de iniciar pruebas en carretera durante la segunda mitad de 2027.

🏛️ Meta prepara un relevo político en plena expansión de su infraestructura de IA. Joel Kaplan dejará el próximo año la dirección global de asuntos públicos después de quince años en la compañía y Dina Powell McCormick ampliará sus responsabilidades. El cambio llega cuando Meta necesita apoyo político para construir centros de datos, asegurar energía y defender un marco de seguridad de la IA fundamentalmente voluntario.

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. Para seguir pensando más allá del carruaje. Si te interesa entender por qué seguimos utilizando tecnologías nuevas con mentalidades antiguas, aquí tienes cuatro lecturas que encajan especialmente bien con la edición de hoy:

• El diseño de las cosas cotidianas de Don Norman. Un clásico sobre cómo diseñamos las interfaces y por qué lo familiar nos ayuda a comprender tecnologías que todavía no dominamos.

• La estructura de las revoluciones científicas de Thomas S. Kuhn. Las grandes revoluciones no consisten simplemente en mejorar lo que existe, sino en cambiar los paradigmas con los que interpretamos el mundo.

• La segunda era de las máquinas de Erik Brynjolfsson y Andrew McAfee. Por qué el verdadero impacto de una tecnología llega cuando reinventamos los procesos y las organizaciones, en lugar de limitarnos a automatizarlos.

• Technopoly de Neil Postman. Una reflexión sobre cómo las tecnologías no solo cambian nuestras herramientas, sino también nuestra cultura, nuestras instituciones y nuestra manera de pensar.

PD2. Un horno que no quiere parecer un horno. Si hablamos de esqueuomorfismos, no podía faltar la freidora de aire. Porque, por mucho que la llamemos freidora, en realidad es un pequeño horno de convección. No fríe como una freidora tradicional. Hace circular aire caliente alrededor de los alimentos. Pero claro, vendernos otro horno habría sido bastante menos atractivo que prometernos unas patatas fritas sin apenas aceite. Tecnología conocida, nombre heredado y una nueva forma de venderla.

Hace más de diez años me metí de lleno en el mundo de los centros de datos con la construcción del DC de Telefónica en Alcalá de Henares. Y allí me tocó enseñar y vender metros cuadrados de sala técnica como quien vende un piso en Alcobendas.

Solo que las visitas preguntaban por la potencia eléctrica, la refrigeración y qué pasaba si se iba la luz. O si una torment solar decidía aparecer sin aviso previo.

Enseñamos aquel centro de datos a miles de personas.

Miles.

No, no exagero.

Había días en los que aquello parecía EuroDisney. O Venecia. Un grupo entrando, otro saliendo y tú contando otra vez por qué aquel edificio era tan especial.

Si hubiéramos puesto una tienda de recuerdos a la salida, igual habríamos abierto otra línea de negocio.

Aquello me enseñó algo que recuerdo cada vez que escucho hablar de la nube: alguien tiene que vender los metros cuadrados donde va a vivir.

Y antes tiene que construirlos. Conseguir electricidad. Refrigerarlos. Llenarlos de equipos. Y encontrar clientes que paguen lo suficiente para que las cuentas salgan.

Me he acordado de aquellas visitas leyendo sobre la noticia de CoreWeave y Merlin Properties. Una empresa de infraestructura de IA y una inmobiliaria colaborando para alojar la nueva revolución tecnológica.

Otra vez el futuro necesitando metros cuadrados. Y un enchufe bastante gordo.

Esta es una de las cuestiones que abordamos en el episodio 101 de Código Abierto, Diego y un servidor. Casualmente nos toco vivir juntos esta experiencia, y aprendimos mucho. Entre otras cosas que podemos anunciar modelos, firmar contratos y prometer capacidad, pero después alguien tiene que terminar la obra y conseguir que llegue la electricidad.

La nube tiene dirección postal.

También tiene vencimientos.

Y ahí empieza lo interesante.

¿Y si una parte de la burbuja de la IA se estuviera construyendo con hormigón?

Para explicarlo, voy a ponerme todavía más Cebolleta.

Vámonos al siglo XIX.

Estados Unidos estaba construyendo la infraestructura que iba a transformar su economía: el ferrocarril.

Conectar ciudades. Transportar mercancías. Abrir mercados.

Todo aquello tenía sentido.

Tanto que se invirtió con un entusiasmo que, en muchos casos, iba bastante por delante de los ingresos.

En 1873, la caída de Jay Cooke, muy expuesto al negocio ferroviario, desencadenó un pánico financiero. Dos décadas después, otra crisis volvió a golpear al sector. La Reserva Federal cuenta aquí la historia.

El tren era el futuro.

Y muchos se arruinaron igualmente.

¿Qué pasó con las vías?

No desaparecieron al quebrar sus propietarios.

Buena parte de aquella infraestructura pasó por reorganizaciones, compras y fusiones. Compañías pequeñas y redes mayores terminaron integradas en sistemas más grandes.

Southern Railway, por ejemplo, nació en 1894 de la reorganización de una extensa red de ferrocarriles del sur. La infraestructura continuó transportando mercancías.

Muchos de quienes habían puesto el dinero se quedaron por el camino.

Una tecnología puede cambiar el mundo y ser una inversión desastrosa para quien paga demasiado por ella.

Ahora cambia las vías por centros de datos.

Puede faltar capacidad operativa hoy y, al mismo tiempo, estarse financiando más de la que será rentable mañana. Y es que las dos cosas caben en la misma frase.

Porque necesitar más inteligencia artificial no significa poder pagar cualquier precio por utilizarla. Y tener un cliente esperando tampoco significa poder facturarle si el centro sigue pendiente de una conexión eléctrica.

Merlin ofrece un ejemplo concreto: en sus resultados del primer semestre de 2026 explicaba que Barcelona y Bilbao-Arasur ya generaban flujo de caja completo, mientras Madrid-Getafe esperaba completar sus conexiones eléctricas.

El contrato puede estar firmado.

El enchufe lleva otro calendario.

Mientras tanto, hay obras que pagar, equipos que financiar y gente esperando cobrar.

Esto no demuestra que los centros de datos sean una burbuja. Sí explica dónde pueden empezar a fallar las cuentas.

Mi hipótesis es que, si las expectativas se pasan de frenada, veremos proyectos cancelados, deudas renegociadas y compras de instalaciones por empresas con más dinero para aguantar.

Parte de la infraestructura podría seguir siendo útil bajo otros propietarios y con un coste de adquisición menor.

Como ocurrió con los ferrocarriles.

Eso también tendría consecuencias sobre quién controla la capacidad informática: podríamos acabar con una infraestructura más concentrada en menos manos. Ahora bien, la comparación tiene un límite. Una GPU envejece mucho más deprisa que una vía.

El edificio, la conexión eléctrica y los equipos tienen vidas útiles distintas. Y una instalación pensada para unas necesidades concretas puede exigir otra inversión importante antes de servir a un nuevo cliente.

Así que tampoco vale tranquilizarse con eso de «por lo menos quedará la infraestructura».

Quedará algo.

Habrá que ver en qué condiciones, para quién y a qué coste.

Por eso, una oleada de quiebras tampoco demostraría por sí sola que la IA era humo.

Podría demostrar algo bastante más básico, que hemos confundido una necesidad real con un negocio rentable a cualquier precio.

Después de enseñar tantos metros cuadrados de sala técnica, hay una pregunta que me interesa más que el tamaño de la próxima inversión:

¿Quién va a pagar por usar todo esto, cuánto y a partir de cuándo?

Porque enseñar el edificio es una cosa.

Conseguir que salgan las cuentas es otra.

En la historia del ferrocarril, vimos que al final el tren llegó. La moraleja es que muchos de sus inversores nunca llegaron a recuperar su dinero.

🌍 El Eco del Mercado

🖥️ Los gigantes tecnológicos chinos encargan a Nvidia chips por más de 35.000 millones. ByteDance, Alibaba y Tencent han solicitado más de tres millones de GPU RTX Pro 5500, compatibles con los controles estadounidenses. Nvidia podría atender inicialmente apenas entre el 5 % y el 10 % de los pedidos.

💰 OpenAI acelera una ronda de 30.000 millones antes de la OPV de Anthropic. La operación podría valorar la compañía en más de 1,4 billones de dólares. OpenAI busca asegurarse capital para sus compromisos de infraestructura antes de que Anthropic empiece a competir por los mismos inversores en el mercado bursátil.

⚡ ABB cae pese al auge de sus pedidos para centros de datos. La compañía ha elevado su previsión de ventas y registrado una demanda récord de equipamiento eléctrico, pero sus acciones retrocedieron alrededor de un 6 %. El mercado empieza a cuestionar si los clientes podrán financiar toda la infraestructura comprometida.

☁️ OVHcloud tiene disponible casi la mitad de su capacidad. El proveedor europeo dispone de 110 MW preparados para nuevos clientes sobre un total conectado de 250 MW. También prevé lanzar su primer modelo propio de IA a comienzos de 2027.

📊 Meta afronta el examen de convertir su inversión en IA en uso real. Las estimaciones apuntan a que habría duplicado con creces su inversión trimestral, hasta unos 41.680 millones de dólares. Sus próximos resultados deberán mostrar si la adopción de Muse y las mejoras publicitarias empiezan a justificar ese desembolso.

🌩️ Una caída de Google Cloud afecta a bancos y servicios públicos británicos. Un problema eléctrico en su región de Londres interrumpió durante varias horas servicios de Revolut y sitios relacionados con NHS England, Royal Mail, Lloyds y HSBC. El incidente vuelve a mostrar el riesgo de concentrar infraestructuras críticas en unos pocos proveedores.

🇨🇳 China protesta por la prohibición estadounidense de DeepSeek. Pekín reclama que Washington revoque la exclusión del modelo de los sistemas gubernamentales y amenaza con responder. La autorización de una herramienta de IA empieza a convertirse también en un asunto diplomático.

🌍 Google sostiene que Europa no debe temer su dependencia tecnológica. Kent Walker, responsable jurídico de Alphabet, argumenta que la competencia entre proveedores está reduciendo rápidamente los precios y recomienda priorizar la adopción. La existencia de varios proveedores extranjeros, sin embargo, abarata la dependencia sin eliminarla.

🧠 Salesforce compra Braze por 5.660 millones de dólares. Braze utiliza IA para personalizar el contenido, el canal y el momento de cada comunicación comercial. Salesforce refuerza así su plataforma antes de que los agentes reduzcan el valor del software empresarial tradicional.

🛡️ Blackwall cuadruplica su valoración protegiendo las webs de los agentes. La empresa estonia capta 100 millones de dólares y alcanza una valoración de 2.200 millones. Su tecnología distingue agentes legítimos, rastreadores y bots maliciosos mediante sus huellas técnicas y su comportamiento.

🧩 DXC negocia vender su negocio de software de seguros por 2.400 millones. La consultora mantiene conversaciones avanzadas con Eldridge Industries para combinar la división con Zinnia. La operación convertiría un negocio maduro de software vertical en una nueva plataforma de consolidación.

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 seguir tirando del hilo, estos tres libros encajan muy bien con la historia de hoy:

• Railroaded, de Richard White. Ferrocarriles, dinero, política y quiebras en la construcción de las grandes líneas norteamericanas. Para profundizar en cómo una infraestructura transformadora pudo convivir con negocios ruinosos. Está en inglés.

• Revoluciones tecnológicas y capital financiero, de Carlota Pérez. Para entender la relación entre las grandes oleadas tecnológicas, el entusiasmo financiero y las burbujas. Es el que mejor conecta las vías de entonces con los centros de datos de ahora.

• Engines That Move Markets, de Alasdair Nairn. Recorre dos siglos de innovaciones y su efecto sobre los mercados y los inversores. Muy pertinente para la idea central de esta edición: acertar con la tecnología no garantiza ganar dinero con ella.

PD2. Si algo eché de menos enseñando el DC de Alcalá fue una THE NORTH FACE M ANTORA JACKET. Después de subir a la cubierta y recorrer salas y pasillos con las visitas, acababas entendiendo la refrigeración del edificio de una forma bastante personal.

Después llegaron los terminales y las líneas de comandos. Había que memorizar instrucciones y escribirlas con una sintaxis precisa. Un carácter equivocado podía arruinarlo todo.

Más tarde aparecieron las interfaces gráficas. Ventanas, iconos, ratones y menús desplegables hicieron que millones de personas pudieran utilizar ordenadores sin conocer sus lenguajes internos.

Cada salto tuvo algo en común: redujo la distancia entre lo que queríamos hacer y lo que necesitábamos saber para conseguirlo.

Y ahora estamos viviendo el siguiente.

Por primera vez, podemos pedirle a una máquina lo que queremos utilizando nuestro propio lenguaje.

Sin aprender comandos. Sin memorizar sintaxis. Sin saber programar.

O, al menos, esa es la promesa.

En la keynote de Rails World 2026, David Heinemeier Hansson (DHH), creador de Ruby on Rails, explicó que prácticamente había dejado de escribir código profesional a mano.

Alguien que ha dedicado más de veinte años a desarrollar software ahora prefiere describir lo que necesita y dejar que los agentes de inteligencia artificial lo construyan.

Resulta especialmente significativo viniendo de alguien que ayudó a simplificar la programación para toda una generación de desarrolladores.

DHH no está renunciando a construir software.

Está cambiando el lenguaje con el que lo construye.

Y eso podría tener consecuencias mucho más profundas que la simple automatización de escribir código.

Alan Kay, uno de los pioneros de la informática personal y la programación orientada a objetos, defendió durante décadas la importancia de crear sistemas que amplificasen las capacidades humanas.

La historia del software puede entenderse precisamente como una sucesión de abstracciones.

Del lenguaje máquina al ensamblador. Del ensamblador a los lenguajes de alto nivel. De estos a los entornos visuales y las herramientas que ocultan cada vez más complejidad.

Ahora aparece una nueva posibilidad: que el lenguaje natural se convierta en una interfaz universal para interactuar con la tecnología.

No solo para programar.

También para consultar datos, diseñar aplicaciones, automatizar procesos o controlar sistemas.

Pero hay una diferencia importante.

Los lenguajes de programación tradicionales están diseñados para eliminar ambigüedades. El lenguaje humano está lleno de ellas.

Edsger Dijkstra, uno de los grandes pensadores de la informática, insistía en la importancia del rigor intelectual para desarrollar software fiable.

Y esa exigencia no desaparece porque dejemos de escribir código.

Simplemente cambia de lugar.

Saber pedir no es lo mismo que saber qué pedir

Durante los últimos años hemos hablado muchísimo de prompt engineering.

Cómo escribir instrucciones.

Qué palabras utilizar.

Cómo estructurar una petición para conseguir mejores resultados.

Pero sospecho que buena parte de esas técnicas serán transitorias.

A medida que los modelos mejoren, necesitarán menos instrucciones artificiales para comprender nuestras intenciones.

Lo verdaderamente importante será otra cosa.

Entender el problema que queremos resolver.

Conocer el negocio, las restricciones, los usuarios, las excepciones y las consecuencias de cada decisión.

Porque una IA puede generar una aplicación en segundos, pero eso no garantiza que sea la aplicación que necesitábamos.

Y aquí aparece una paradoja interesante.

Cuanto menos necesitemos conocer el lenguaje de las máquinas, más importante será comprender el mundo sobre el que queremos actuar.

Food for thought

Imaginemos que queremos desarrollar una aplicación para gestionar las vacaciones de una empresa.

Podemos pedirle a un agente: “Crea una aplicación para gestionar las vacaciones de los empleados”.

Probablemente obtengamos algo funcional.

Pero ¿qué ocurre con los festivos autonómicos? ¿Los convenios colectivos? ¿Las aprobaciones? ¿Los solapamientos entre compañeros? ¿Los permisos especiales?

El problema nunca fue únicamente escribir el código.

Era comprender todo aquello que el código debía resolver.

Y esa es precisamente la parte donde el conocimiento del dominio y la experiencia siguen marcando diferencias.

Quizá Donald Knuth, que dedicó buena parte de su vida a estudiar el arte de programar, reconocería aquí una transformación interesante: podemos cambiar radicalmente las herramientas sin eliminar la necesidad de comprender los algoritmos y problemas que hay detrás.

Durante décadas aprendimos lenguajes para explicarles a las máquinas cómo hacer las cosas. Ahora empezamos a utilizar nuestro propio lenguaje para explicarles qué queremos conseguir.

La barrera técnica se reduce. La responsabilidad de entender el problema permanece.

Y puede que ese sea el cambio más importante de todos.

Porque el próximo gran lenguaje de programación quizá no necesite compilador.

Pero seguirá necesitando algo que ninguna interfaz puede garantizar por nosotros: saber qué merece la pena construir.

🌍 El Eco del Mercado

🕷️ Agentes de IA comprometen más de cien webs por unos 5.000 dólares. Un atacante utilizó Cairn, DeepSeek y Claude Code para intentar acceder a más de 1.200 sitios, incluidos los de Deere, SharkNinja y Cummins. Cada intrusión exitosa habría requerido unas 23 horas de trabajo autónomo y alrededor de 50 dólares en tokens. www.reuters.com

🎮 Cuatro agentes de Gemini completan Minecraft sin intervención humana. Los agentes se repartieron tareas, intercambiaron información y derrotaron al enemigo final después de 27 horas de actividad. El experimento muestra su capacidad para coordinarse, aprender de errores y mantener objetivos prolongados, aunque necesitó 1.350 millones de tokens. www.engadget.com

🏭 Siemens quiere automatizar con IA hasta el 80 % de sus fábricas. La compañía trabaja con Nvidia en modelos y gemelos digitales para simular y optimizar procesos antes de trasladarlos a las plantas. Siemens invertirá 500 millones de euros en convertir su fábrica de Erlangen en escaparate de esta automatización. www.reuters.com

⚡ MiniMax promete triplicar la velocidad y reducir un 70 % el coste de su IA. La empresa china presenta M3.1 Flash, una actualización orientada a programación, ciberseguridad y tareas agénticas. Las mejoras anunciadas proceden del fabricante y aún necesitan evaluación independiente. www.reuters.com

🧩 Amazon facilita la migración de PyTorch desde Nvidia hasta Trainium. La nueva herramienta abierta TorchNeuron permite ejecutar código de PyTorch en los chips de Amazon mediante un cambio de configuración y sin reescribirlo. El objetivo es atacar la ventaja que el ecosistema CUDA aporta a Nvidia. www.reuters.com

🖥️ Nvidia introduce sus nuevas CPU en la nube de Modal. Modal incorporará los procesadores Vera para alojar agentes después de utilizar exclusivamente chips de Intel y AMD. Sus primeras pruebas atribuyen a la CPU de Nvidia el doble de trabajo realizado, aunque la startup mantendrá una infraestructura mixta. www.reuters.com

💰 Tenstorrent capta 1.500 millones y duplica su valoración. La compañía dirigida por Jim Keller alcanza una valoración de 6.200 millones de dólares y destinará los fondos a ampliar la producción de sus servidores Galaxy. Su propuesta emplea RISC-V para reducir la dependencia de arquitecturas propietarias. www.reuters.com

🇺🇸 Estados Unidos expulsa DeepSeek de los sistemas civiles federales. El Gobierno ordena retirar tanto los productos de DeepSeek como los servicios de terceros desarrollados con sus modelos por el riesgo de transferir información sensible a China. La prohibición obligará a identificar dependencias de IA que pueden permanecer ocultas dentro de otros productos. www.reuters.com

⚖️ Google no logra que el Supremo revise la protección de las patentes antiguas. El tribunal rechaza examinar su recurso contra la política que permite a la oficina de patentes evitar la revisión de títulos con más de seis años. La decisión dificulta que las tecnológicas invaliden administrativamente patentes por las que han sido demandadas. www.reuters.com

🛰️ Telefónica y otras tres operadoras exploran una puja conjunta por el espectro satelital europeo. Telefónica, Deutsche Telekom, Orange y Vodafone construirían en Europa la infraestructura terrestre y seleccionarían posteriormente un socio que aporte la constelación. La iniciativa busca mejorar la cobertura y conservar en el continente funciones esenciales de control. www.reuters.com

🤝 Anthropic reservará un 5 % de sus acciones para beneficio público. La participación se destinará a un nuevo fondo para financiar organizaciones, distribuciones directas e iniciativas relacionadas con el impacto laboral de la IA. El fondo podría recibir acciones adicionales conforme aumente la valoración de Anthropic. www.reuters.com

🏦 Santander y Nvidia llevan los agentes especializados a la banca. El acuerdo de tres años amplía el trabajo de Santander AI Lab y su plataforma Model Arena para evaluar y supervisar modelos y agentes bancarios. La colaboración abarcará atención al cliente, prevención del fraude y blanqueo, decisiones en tiempo real y un gemelo digital del banco; una prueba ya redujo los costes en más de un 50 %. santander.com

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. Para seguir leyendo. Si el lenguaje natural está camino de convertirse en nuestra principal interfaz con las máquinas, merece la pena recuperar tres lecturas:

• El diseño de las cosas cotidianas, de Don Norman, un clásico sobre cómo diseñar tecnología que se adapte a las personas y no al revés

• Software Design for Flexibility, de Chris Hanson y Gerald Jay Sussman, sobre abstracción y sistemas capaces de evolucionar sin tener que reconstruirlos;

• The Art of Doing Science and Engineering, de Richard Hamming, una reflexión sobre cómo pensar, aprender y resolver problemas complejos.

  El verdadero progreso tecnológico no consiste solo en hacer más fáciles las herramientas, sino en ampliar nuestra capacidad para pensar y crear.

PD2. Hablar es el nuevo teclear. Si el lenguaje natural va a convertirse en nuestra principal interfaz con las máquinas, quizá el próximo accesorio imprescindible no sea un teclado, sino un micrófono. El DJI Mic Mini 2 es un pequeño micrófono inalámbrico de apenas 10 gramos, con cancelación de ruido y conexión a móviles y ordenadores.

La hemos dicho todos.

A una agencia.
A alguien del equipo.
A ChatGPT.

Luego llegan veinte propuestas y descubres que el problema sigue ahí.

Ahora tiene veinte versiones.

Hace unos meses, Andrej Karpathy publicó un proyecto que merece la pena mirar: autoresearch.

La mecánica es sencilla.

Un agente de IA modifica el código de entrenamiento de un pequeño modelo de lenguaje. Lo entrena durante cinco minutos. Evalúa el resultado. Conserva los cambios si mejora y los descarta si empeora.

Y vuelve a empezar.

Mientras tanto, el humano trabaja sobre un archivo de instrucciones que orienta al agente.

Hasta aquí, el titular se escribe solo: «Una IA investiga mientras tú duermes».

Estupendo.

Pero a mí me interesa algo bastante menos espectacular.

Alguien ha definido qué significa mejorar.

Hay un terreno de juego acotado. Un presupuesto de tiempo. Una medida para evaluar el resultado. Y una regla para decidir qué merece quedarse.

Los cinco minutos corresponden al entrenamiento; arrancar, compilar y evaluar añaden tiempo. Así que lo de «cien experimentos mientras duermes» conviene leerlo como una aproximación, no como una garantía.

Aun con ese matiz, la idea tiene mucha miga.

Piensa en cómo pedimos cosas en nuestro día a día:

«Mejora esta presentación».

«Haz una propuesta más innovadora».

«Dale una vuelta a la estrategia».

¿Mejor según qué?

¿Más bonita?
¿Más fácil de entender?
¿Más rentable?
¿Más parecida a lo que el jefe quería escuchar?

Porque un agente puede producir versiones a una velocidad absurda.

Determinar cuál merece sobrevivir exige un criterio.

Y ese criterio hay que ponerlo antes de darle al botón.

Mi lectura de autoresearch va por ahí: Una parte del trabajo se desplaza de ejecutar las pruebas a diseñar cómo vamos a aprender de ellas.

Qué puede cambiar el agente.
Qué tiene que respetar.
Cómo se comprueba el resultado.
Cuándo se descarta una idea.

Eso también es dirigir.

Y puede que sea una de las habilidades más útiles que nos toque desarrollar con la IA.

Te propongo una prueba pequeña. Coge una tarea que quieras delegar y completa esta frase: «Sabré que el resultado ha mejorado cuando…».

Sin poner «tenga más calidad».
Sin poner «aporte más valor».

Algo que puedas comprobar, medir, mejorar.

Si te cuesta terminarla, ya tienes trabajo para hoy.

🌍 El Eco del Mercado

🏛️ Estados Unidos crea una estructura para supervisar los riesgos de la IA. La nueva fuerza gubernamental establece un estudio de riesgos y tres comités sobre notificación de incidentes, infraestructuras críticas y responsabilidad jurídica. Los laboratorios deberán proporcionar alertas tempranas sobre brechas, ataques y evasiones de sus controles.

🇨🇳 China plantea controlar la exportación de modelos y agentes de IA. Pekín propone someter a licencia 23 tecnologías de IA, incluidos modelos, agentes y clústeres informáticos. Los servicios ofrecidos mediante API, web o aplicaciones y los proyectos abiertos quedarían por ahora excluidos.

🛡️ El G7 ensayará cómo responder a los ciberataques impulsados por IA. Los ministros de Finanzas y bancos centrales prepararán simulacros para comprobar sus protocolos ante ataques contra el sistema financiero. Los ejercicios podrían incorporar entidades privadas y servirán para revisar los manuales de respuesta.

🔍 Anthropic abre sus sistemas internos a una auditoría independiente. Seis investigadores de METR reciben equipos y acceso comparable al de los grupos internos de evaluación de riesgos. Anthropic no podrá impedir la publicación de sus conclusiones, aunque mantiene fuera del análisis los datos de clientes y la arquitectura de sus modelos.

⚖️ OpenAI y Meta alertan de que los tribunales no podrán detectar todos los deepfakes. Ambas compañías advierten de que los contenidos creados por los modelos más avanzados ya pueden resultar indistinguibles de una grabación auténtica. La justicia estadounidense ha creado un grupo de estudio, pero evita por ahora redactar una regla específica.

🌍 El FMI advierte de que los riesgos de la IA pueden superar sus beneficios. Kristalina Georgieva reclama salvaguardas éticas que combinen compromisos empresariales e intervención pública. El organismo teme una crisis laboral o financiera si las mejoras de productividad no llegan al ritmo esperado.

🇬🇧 Reino Unido cuestiona el dominio de Microsoft en el software empresarial. La CMA propone designar a Microsoft como empresa con poder estratégico y examinará si la integración de Windows, Office, Teams y Copilot perjudica a sus competidores. La decisión definitiva está prevista para febrero.

🔐 Proofpoint compra Varonis por 6.300 millones de dólares. La operación combinará la protección frente a ataques de Proofpoint con las herramientas de clasificación de datos y vigilancia de accesos de Varonis. El cierre, pendiente de autorización, está previsto para el primer semestre de 2027.

🇩🇪 Alemania prepara una alianza industrial de IA con Nvidia. Según Handelsblatt, el acuerdo movilizará varios cientos de millones de euros para desarrollar modelos industriales y herramientas destinadas a robótica y conducción autónoma. La iniciativa reforzaría la capacidad europea, aunque apoyándose en tecnología del principal proveedor estadounidense de aceleradores.

🧠 Meta lanza un modelo abierto que puede ejecutarse localmente en un Mac. Muse Spark Open tiene 816.000 millones de parámetros y capacidades multimodales, de programación y uso de herramientas. Puede funcionar sin depender de la nube, pero necesita al menos un terabyte de memoria y está pensado para equipos de gama muy alta.

🏭 ASML admite que será el cuello de botella de los chips hasta 2028. La compañía reconoce que su producción de equipos litográficos será inferior a la demanda durante 2027 y 2028, pese a ampliar su capacidad alrededor de un 30 %. ASML todavía evita aceptar pedidos para 2029 y 2030 porque desconoce cuántas máquinas podrá fabricar.

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

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1. Si te interesa eso de poner a una máquina a experimentar mientras tú duermes, aquí van tres lecturas para las horas en las que estás despierto:

• Cointeligencia, de Ethan Mollick. Para pensar cómo trabajar con la IA, qué delegar y dónde seguir poniendo criterio humano.

• Experimentation Works, de Stefan Thomke. Para aprender a diseñar experimentos que permitan tomar mejores decisiones. Muy conectado con lo de hoy: probar muchas cosas sirve de poco si las pruebas están mal planteadas.

• Maquinas Predictivas, de Ajay Agrawal, Joshua Gans y Avi Goldfarb. Para entender qué cambia en un negocio cuando predecir se vuelve barato y cómo afecta eso a nuestras decisiones.

PD2. Hoy hablamos de máquinas que trabajan mientras tú haces otra cosa. Para grabar contenido, la Insta360 GO 3S, en su Paquete Retro de 128 GB en blanco, lleva esa idea a algo bastante cotidiano: vídeo 4K y manos libres. Porque para enseñar cómo haces algo, viene bien tener las manos disponibles para hacerlo.

En España, 35.000 profesionales formaban parte de un dispositivo especial para vigilar las infraestructuras críticas: bancos, hospitales, aeropuertos, compañías eléctricas y redes de telecomunicaciones.

El mundo llevaba años preparándose para una posible catástrofe tecnológica.

¿La causa? Una decisión informática tomada varias décadas atrás: representar los años utilizando únicamente dos dígitos.

Cuando llegó la medianoche, prácticamente todo siguió funcionando.

Pero aquello no significaba que el problema no hubiera existido.

En los años cincuenta y sesenta, la memoria y el almacenamiento informático eran recursos extraordinariamente caros. Los programadores debían optimizar cada byte y evitar cualquier consumo innecesario de capacidad. Por eso, representar 1965 como 65 o 1987 como 87 tenía todo el sentido.

Ahorrar dos caracteres podía parecer insignificante, pero cuando esa información se almacenaba millones de veces, el ahorro era considerable. Además, pocos imaginaban que aquellos programas continuarían funcionando cuarenta años después. Sin embargo, muchos sobrevivieron.

Las empresas continuaron utilizando sus aplicaciones de contabilidad, facturación y gestión financiera. Esos sistemas se conectaron con nuevas tecnologías y sus dependencias fueron creciendo.

El problema apareció cuando el año 1999 pasó a 2000.

Un programa que almacenaba 99 podía interpretar el siguiente año, 00, como 1900.

Las consecuencias potenciales eran importantes: cálculos incorrectos de intereses, errores en las fechas de vencimiento de contratos, problemas de inventario o fallos en determinados sistemas industriales.

En septiembre de 1999, Fernando Sáez Vacas, catedrático de la Universidad Politécnica de Madrid, publicó en El País un artículo titulado Tecnología global con fecha de caducidad.

Su reflexión era especialmente interesante: utilizar dos dígitos para representar los años no había sido necesariamente un error de programación. Era una decisión perfectamente comprensible dadas las limitaciones de la tecnología disponible.

Y es que muchas veces las limitaciones tecnológicas no aparecen porque algo esté mal diseñado, sino porque las circunstancias para las que fue diseñado han cambiado.

A finales de los noventa, miles de organizaciones comenzaron a revisar sus sistemas informáticos. El problema resultó mucho más complejo que modificar la representación de las fechas.

Había que identificar aplicaciones afectadas, localizar dependencias, actualizar bases de datos, revisar dispositivos y comprobar que los cambios no provocaban nuevos errores.

Muchas empresas todavía utilizaban aplicaciones desarrolladas décadas atrás, especialmente en COBOL, cuyo funcionamiento conocían cada vez menos profesionales.

Según una estimación retrospectiva de IDC publicada por Computerworld, el coste mundial de preparación para el efecto 2000 alcanzó aproximadamente los 308.000 millones de dólares.

Algunas cifras permiten comprender la magnitud del esfuerzo:

• General Motors: entre 540 y 600 millones de dólares previstos para adaptar sus sistemas.

• Citigroup: alrededor de 900 millones presupuestados.

• Exxon: 250 millones.

• Procter & Gamble: aproximadamente 90 millones.

En Estados Unidos, la Administración federal también destinó miles de millones a revisar sus infraestructuras.

La inversión permitió solucionar problemas relacionados con las fechas, pero también modernizar numerosos sistemas que llevaban años funcionando con tecnologías antiguas.

En muchos casos, el efecto 2000 fue la excusa definitiva para abordar proyectos que las organizaciones habían aplazado repetidamente.

Y, finalmente, llegó la medianoche.

¿Qué ocurrió realmente?

Mucho menos de lo que se había temido.

Los sistemas bancarios continuaron funcionando, las redes eléctricas no experimentaron interrupciones generalizadas y los aviones siguieron volando.

Sin embargo, sí se produjeron algunos incidentes.

En Japón, varias centrales nucleares registraron anomalías en sus sistemas de monitorización y transmisión de datos. Ninguna comprometió la seguridad de los reactores.

En Estados Unidos, un problema informático afectó a sistemas terrestres utilizados para procesar información procedente de satélites de reconocimiento militar.

También se registraron errores en dispositivos electrónicos, sistemas administrativos y aplicaciones que mostraban fechas incorrectas.

Pero las grandes catástrofes previstas nunca llegaron.

¿Significa que los riesgos se habían exagerado?

Probablemente algunas previsiones fueron demasiado alarmistas. También es posible que determinadas organizaciones realizaran inversiones innecesarias. ¿Ves algún paralelismo con la IA, la AGI,…?

Sin embargo, hay otro dato relevante.

En mayo de 1997, solamente el 21 % de los sistemas críticos de las principales agencias federales estadounidenses estaban preparados para el cambio de fecha.

En diciembre de 1999, el porcentaje había alcanzado el 99,9 %.

La ausencia de grandes incidentes no puede separarse del enorme esfuerzo realizado para prevenirlos.

Y aquí aparece una paradoja habitual de los proyectos preventivos: cuando funcionan correctamente, los problemas que evitan terminan siendo invisibles.

La historia podría parecer una curiosidad de los primeros años de la informática, pero seguimos enfrentándonos a problemas muy similares.

De hecho, algunos tienen una fecha perfectamente identificada.

El efecto 2038: cuando Unix se quede sin tiempo

Muchos sistemas informáticos representan las fechas mediante el número de segundos transcurridos desde el 1 de enero de 1970. Es una solución sencilla y eficiente, pero las implementaciones que utilizan enteros de 32 bits con signo tienen un límite.

El 19 de enero de 2038, a las 03:14:07 UTC, alcanzarán su valor máximo.

Un segundo después, determinados sistemas podrían interpretar incorrectamente la fecha, llegando a situarla en diciembre de 1901.

La mayoría de las plataformas modernas ya utilizan representaciones de 64 bits, pero todavía existen dispositivos industriales, sistemas embebidos y aplicaciones antiguas que requieren atención. El problema recuerda inevitablemente al efecto 2000: una representación numérica diseñada décadas atrás que termina agotando su capacidad.

El GPS también tiene su propio efecto 2000

El sistema GPS original utiliza un contador de semanas de diez bits, capaz de representar únicamente 1.024 semanas. Aproximadamente cada 19,7 años, el contador vuelve a cero.

El primer reinicio ocurrió en agosto de 1999 y el segundo, en abril de 2019.

Durante este último, algunos dispositivos antiguos comenzaron a mostrar fechas incorrectas o necesitaron actualizaciones para continuar funcionando.

El siguiente reinicio está previsto para noviembre de 2038.

Las señales GPS modernizadas han ampliado esta capacidad, pero determinados receptores antiguos podrían seguir viéndose afectados.

Microsoft Exchange sufrió un problema parecido en 2022

El 1 de enero de 2022, algunos servidores Microsoft Exchange dejaron de procesar correctamente los correos electrónicos. La causa estaba relacionada con un identificador numérico utilizado para las actualizaciones de su motor antimalware.

Al comenzar el nuevo año, el identificador superó el máximo admitido por el sistema. Microsoft tuvo que publicar una solución para corregir el problema. Veintidós años después del cambio de milenio, una limitación numérica volvía a provocar una interrupción informática.

Internet también se quedó sin direcciones

Otro ejemplo, aunque sin una fecha exacta de interrupción, es el agotamiento de las direcciones IPv4.

Cuando se diseñó este protocolo, sus aproximadamente 4.300 millones de direcciones parecían más que suficientes.

Sin embargo, el crecimiento de Internet terminó superando aquella previsión.

En noviembre de 2019, RIPE NCC anunció el agotamiento de su reserva de direcciones IPv4 para nuevas asignaciones ordinarias.

Internet no dejó de funcionar gracias a mecanismos para compartir direcciones y a la progresiva adopción de IPv6. Pero una decisión de diseño tomada décadas atrás había terminado condicionando la evolución de toda la red.

Y existe otro desafío importante que probablemente nos ocupará durante los próximos años: la transición hacia la criptografía poscuántica.

La aparición de ordenadores cuánticos suficientemente potentes podría comprometer determinados algoritmos criptográficos que utilizamos actualmente.

El NIST ya ha publicado estándares para preparar esa transición.

A diferencia del efecto 2000, no conocemos la fecha exacta en la que esos algoritmos podrían dejar de ser seguros.

Pero el reto es similar: revisar y adaptar una enorme cantidad de sistemas antes de que sus mecanismos de protección resulten insuficientes.

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

Food for thought

En 1997, James Dale Davidson y William Rees-Mogg publicaron El individuo soberano (The Sovereign Individual). Mientras Davidson y Rees-Mogg describían cómo las tecnologías digitales iban a transformar el mundo, miles de ingenieros trabajaban para corregir las limitaciones de sistemas informáticos diseñados cuarenta años antes.

El futuro se estaba construyendo sobre decisiones tomadas en el pasado.

Y eso sigue ocurriendo.

Cuando diseñamos una arquitectura informática, siempre trabajamos dentro de determinadas restricciones: capacidad de procesamiento, almacenamiento, presupuesto, conocimientos disponibles o necesidades del momento.

Cada decisión representa un compromiso entre lo que necesitamos y lo que podemos construir. El problema aparece cuando esas decisiones permanecen durante décadas, mientras las circunstancias cambian. Algo especialmente frecuente en los sistemas que tienen éxito, porque cuanto más extendida está una tecnología, más difícil resulta sustituirla.

Lo hemos visto con Internet y su protocolo IPv4, con los sistemas de representación temporal y con numerosas aplicaciones empresariales que siguen utilizando tecnologías desarrolladas hace décadas. Y probablemente volveremos a verlo con algunas de las arquitecturas que estamos construyendo alrededor de la inteligencia artificial.

No sabemos qué decisiones actuales terminarán pareciendo equivocadas dentro de veinte años. Quizá sean determinados formatos de datos, modelos de seguridad, mecanismos de interoperabilidad o dependencias de servicios tecnológicos.

Lo que sí sabemos es que ninguna arquitectura puede diseñarse suponiendo que las circunstancias permanecerán invariables. Por eso, una de las características más importantes de un buen diseño tecnológico no es solamente su eficiencia actual, sino su capacidad de adaptación.

Una arquitectura preparada para el futuro no tiene que anticipar todos los escenarios posibles. Tiene que permitir evolucionar cuando las hipótesis sobre las que fue construida dejan de ser válidas.

Aquellos ingenieros que, en los años sesenta, decidieron ahorrar dos caracteres difícilmente podían imaginar que su decisión movilizaría a miles de profesionales y costaría cientos de miles de millones de dólares cuatro décadas después.

Probablemente tampoco podían imaginar que muchos de sus programas continuarían funcionando tanto tiempo.

Y quizá esa sea la enseñanza más interesante del efecto 2000.

Las decisiones tecnológicas no siempre envejecen mal porque fueran equivocadas. A veces, simplemente, sobreviven demasiado tiempo al mundo para el que fueron diseñadas.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD. Seis libros para entender cómo envejece la tecnología. Si te interesa comprender cómo se diseñan los sistemas, por qué envejecen y cómo podemos adaptarlos a nuevas circunstancias, aquí tienes seis lecturas que complementan la historia de hoy.

• The Soul of a New Machine de Tracy Kidder. Premio Pulitzer en 1982, relata la carrera de un equipo de ingenieros por construir un nuevo ordenador. Una historia real que ayuda a comprender las limitaciones y decisiones técnicas de la informática de aquella época.

• The Mythical Man-Month de Frederick P. Brooks. Un clásico de la ingeniería del software que explica por qué desarrollar sistemas complejos es tan difícil y cómo pequeñas decisiones pueden acabar teniendo consecuencias enormes.

• How Buildings Learn de Stewart Brand. ¿Qué tienen en común un edificio y una arquitectura informática? Ambos deben adaptarse a necesidades que sus diseñadores originales nunca imaginaron. Una excelente reflexión sobre la capacidad de evolución de lo que construimos.

• The Phoenix Project de Gene Kim, Kevin Behr y George Spafford. Una novela empresarial que muestra cómo la deuda tecnológica, los sistemas heredados y las malas decisiones organizativas pueden terminar poniendo en peligro toda una compañía.

• Working Effectively with Legacy Code de Michael Feathers. Una guía práctica para comprender, modificar y mantener aplicaciones antiguas sin comprometer su funcionamiento. Justo el desafío al que se enfrentaron miles de ingenieros durante el efecto 2000.

De algo que empieza a preocuparme cada vez más, ¿de qué sirve tener un humano supervisando a una IA si ese humano ya no sabe cuándo debería lleva…

Read more

Publicity de la publicity que os incluyo casi todos los días como recomendación de escucha.

Mi —nuestro— podcast, Código Abierto, acaba de llegar a los 100 episodios.

Y cumplir 100 de cualquier cosa merece, al menos, detenerse un momento.

No para sacar pecho.

Más bien para dar las gracias.

Cuando empezamos Código Abierto yo tenía tres objetivos bastante sencillos.

Tener una excusa para sentarme con amigos a hablar de tecnología.

Intentar divulgar algunas de las cosas extraordinarias que estaban ocurriendo a nuestro alrededor.

Y conocer gente interesante.

Lo que no había previsto es que acabaría aprendiendo tanto.

Ni que, después de 100 episodios hablando sobre tecnología, tendría la sensación de saber menos que cuando empezamos.

Y eso, curiosamente, me parece una magnífica noticia.

Hay una diferencia enorme entre leer sobre algo y sentarte delante de alguien que lo está haciendo.

Puedes leer cien artículos sobre computación cuántica.

Y después hablar con David y descubrir que algunas cosas que imaginabas encerradas todavía en un laboratorio llevan tiempo intentando abrirse camino en la industria.

Puedes seguir durante meses la explosión de la inteligencia artificial.

Y después hablar con personas como Ramón Medrano o Eduard d’Ordax y comprobar que, debajo de las demostraciones espectaculares y los titulares, hay empresas modificando silenciosamente procesos reales.

Puedes obsesionarte con modelos, parámetros, agentes y benchmarks.

Y después hablar con Luis Serrano y recordar algo bastante más elemental:

Todo esto empezó mucho antes de ChatGPT.

Con matemáticas.

Con física.

Con investigación fundamental.

Con científicos trabajando durante décadas en cosas que seguramente no iban a salir en LinkedIn aquella semana.

Quizá uno de mis mayores aprendizajes durante estos 100 episodios haya sido precisamente ese.

El futuro no se entiende únicamente escuchando a quienes construyen las aplicaciones.

También hay que escuchar a quienes construyeron sus fundamentos.

Pero he aprendido algunas cosas más.

La primera: Las mejores conversaciones no son aquellas en las que todos estamos de acuerdo.

Ignacio y Diego pueden dar fe de ello.

Discrepar es incómodo.

Y precisamente por eso es útil.

Porque conversar con alguien que piensa exactamente como tú sirve, básicamente, para salir de la conversación pensando exactamente lo mismo.

El verdadero regalo es que alguien te obligue a detenerte y pensar:

¿Y si estoy equivocado?

La segunda: Poder decir «no lo sé» sigue siendo una tecnología extraordinariamente avanzada.

Una voz puede sonar muy segura y estar equivocada.

Algo especialmente relevante ahora que convivimos con máquinas capaces de responder prácticamente a cualquier pregunta con una seguridad admirable.

Quizá debamos proteger tres expresiones:

No lo sé.

Explícamelo otra vez.

He cambiado de opinión.

Las tres requieren algo que ninguna máquina puede proporcionarnos por defecto:

criterio.

Tercer aprendizaje: La inteligencia artificial será realmente importante cuando dejemos de hablar tanto de inteligencia artificial.

Esta reflexión es de Nelson y me parece especialmente buena.

Nadie organiza hoy un congreso para hablar sobre electricidad.

Hablamos de fábricas.

De hospitales.

De trenes.

De ordenadores.

De todo lo que la electricidad permite hacer.

Quizá algún día ocurra lo mismo con la IA.

Dejaremos de discutir permanentemente sobre qué modelo tiene más parámetros o qué benchmark ha superado al anterior.

Y empezaremos a preguntar:

¿Qué problema estamos resolviendo?

¿Qué proceso estamos mejorando?

¿A quién estamos ayudando?

Ese día probablemente la inteligencia artificial habrá ganado.

Porque se habrá vuelto aburrida.

Cuarto: Cuanto más inteligente parece la tecnología, más importante resulta cultivar nuestra propia inteligencia.

Esta idea ha aparecido una y otra vez durante estos años.

Tecnología responsable.

Ética.

Soberanía.

Pensamiento crítico.

Regulación.

Seguridad.

Impacto social.

Mónica y Nacho me han hecho pensar mucho sobre ello.

Carlos, Nelson, Diego y tantos otros también.

Porque quizás el mayor riesgo de rodearnos de sistemas cada vez más inteligentes no sea que las máquinas dejen de necesitarnos.

Puede ser que nosotros dejemos de sentir la necesidad de pensar.

Y ya sabes, no hay quinto malo: La curiosidad probablemente sea la mejor tecnología para intentar entender el futuro.

En estos 100 episodios hemos hablado de cosas que parecían revolucionarias.

Y dos o tres episodios después ya parecían antiguas.

Así funciona el momento que nos ha tocado vivir.

Por eso intentar acertar exactamente qué ocurrirá dentro de cinco años me interesa cada vez menos.

Me interesa mucho más aprender a reconocer las pequeñas señales que aparecen ahora.

Una tecnología.

Un experimento.

Una empresa haciendo algo extraño.

Un investigador persiguiendo una idea que todavía parece absurda.

Porque alguno de esos pequeños trozos de hielo que apenas vemos hoy puede esconder un iceberg gigantesco debajo.

Y aquí es donde toca dar las gracias.

A Mónica, Nelson, Ignacio, Carlos y Diego.

Por las conversaciones.

Por preparar temas.

Por discutir.

Por compartir conocimientos.

Por las risas antes y después de grabar.

Y, sobre todo, por regalar algo mucho más difícil de encontrar que información: perspectivas diferentes a la mía.

También a cada una de las personas que durante estos 100 episodios aceptaron sentarse delante de nuestros micrófonos.

Profesionales que decidieron dedicar parte de su tiempo a explicarnos aquello en lo que estaban trabajando.

En muchas ocasiones acabamos la grabación y seguimos hablando.

Para mí probablemente esa sea la mejor medida posible de una entrevista.

Cuando termina el podcast y nadie quiere terminar la conversación.

Y, por supuesto, gracias a quienes estáis al otro lado.

A quienes lleváis muchos episodios escuchándonos.

A quienes habéis llegado hace poco.

Y también a quienes alguna vez habéis escuchado veinte minutos, habéis pensado que estábamos diciendo una tontería y habéis apagado el podcast.

Probablemente alguna vez tuvieseis razón.

Cuando arrancamos Código Abierto creía que el objetivo era intentar explicar qué estaba ocurriendo con la tecnología.

100 episodios después creo que estaba equivocado.

El objetivo es otro.

Hacernos mejores preguntas sobre lo que está ocurriendo.

Sentarnos alrededor de una mesa.

Escuchar.

Discrepar.

Aprender.

Cambiar de opinión.

Y volver la semana siguiente con más preguntas que respuestas.

Porque después de 100 episodios intentando entender el futuro hemos descubierto algo bastante tranquilizador:

todavía nos queda muchísimo por aprender.

Y espero que siga siendo así cuando lleguemos al 200.

Gracias por acompañarnos.

Nos escuchamos en el 101.

🌍 El Eco del Mercado

🚨 DeepMind considera los ataques de agentes de IA una primera señal de alarma. Demis Hassabis advierte de que los incidentes recientes podrían anticipar ataques más graves y propone una certificación internacional adaptada al riesgo de cada sistema. Microsoft reclama también nuevas obligaciones legales de seguridad.

🛡️ Nvidia aporta 250 millones de dólares a la investigación británica en seguridad de la IA. La compañía proporcionará durante cinco años recursos de computación para estudiar la seguridad de los agentes, el aprendizaje abierto y la robótica. La contribución refuerza la capacidad británica, aunque también vincula parte de la investigación al principal proveedor de los chips utilizados para desarrollar la tecnología.

🎙️ El FBI detiene a un antiguo ingeniero de OpenAI por ocultar un dispositivo de escucha. El exempleado está acusado de colocar una grabadora en una sala de reuniones ejecutiva y se enfrenta a cinco años de prisión. OpenAI afirma que utilizó sus propios modelos para identificarlo y que no existen indicios de acceso indebido a código, modelos o datos de clientes.

🧠 Google lanza Gemini 4 Argon tras meses de retrasos. El nuevo modelo está orientado a trabajos complejos de varios pasos en programación, finanzas, derecho, ciencia y ciberseguridad. Su API parte de dos dólares por millón de tokens de entrada y diez por los de salida, pero esas tarifas se duplicarán después del 30 de noviembre.

🔬 Google abre sus modelos científicos a 200 investigadores europeos. El programa ofrecerá acceso a herramientas como AlphaFold 3, WeatherNext, AlphaGenome y AlphaEvolve, además de tres millones de dólares en créditos de computación. Puede acelerar la investigación europea, aunque mantiene parte de esa capacidad científica dentro de una infraestructura estadounidense.

🏙️ OpenAI y Rockefeller destinan 50 millones de dólares a mejorar servicios públicos con IA. El programa financiará proyectos municipales con subvenciones de hasta dos millones de dólares y aspira a beneficiar a cien millones de personas. Su éxito deberá medirse en servicios mejorados y problemas resueltos, no únicamente en demostraciones tecnológicas.

🤖 Hesai crea una cámara para recopilar los datos que necesitan los robots. Kosmo combina cámaras y sensores lidar para generar mapas tridimensionales con los que entrenar a robots humanoides. La compañía intenta resolver la escasez de datos espaciales que todavía impide trasladar muchas capacidades de la IA al mundo físico.

🇫🇷 Nvidia entra en el capital de Doctolib y Genesis AI. El fabricante adquiere participaciones minoritarias en la plataforma sanitaria y la empresa de robótica, sin revelar su tamaño ni valoración. Nvidia extiende así su influencia desde la infraestructura hasta las aplicaciones que generarán demanda para sus próximos chips.

🏭 ASML recibe solicitudes de máquinas para fabricar chips en 2029 y 2030. La compañía eleva su previsión anual tras facturar 11.700 millones de euros en el trimestre y admite que las ampliaciones previstas podrían resultar insuficientes. Mientras los mercados cuestionan el auge de la IA, los fabricantes reservan con varios años de antelación las máquinas necesarias para continuarlo.

🇺🇦 Ucrania ataca el mayor centro de datos de Rusia. Los drones alcanzaron el complejo de Sberbank previsto para albergar el mayor superordenador ruso, aunque la entidad asegura que sus servicios continúan funcionando. El ataque convierte la capacidad de entrenar modelos en infraestructura estratégica de guerra y amenaza equipos especialmente difíciles de reemplazar por las sanciones.

📉 La inflación estadounidense devuelve la presión sobre las acciones tecnológicas. Un dato superior al esperado elevó del 21,6 % al 46 % la probabilidad atribuida por el mercado a una subida de tipos en octubre y castigó a compañías como Nvidia, Intel y Micron. La demanda de chips puede seguir creciendo mientras el encarecimiento del capital reduce el valor de quienes deben financiar su fabricación.

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 estos cien episodios te han despertado las ganas de crear tu propio podcast, aquí van tres lecturas —en inglés— para seguir aprendiendo:

• Make Noise, de Eric Nuzum: para definir tu propuesta, hacer mejores entrevistas y conectar con quienes te escuchan.

• Out on the Wire, de Jessica Abel: una mirada en formato cómic a cómo se construyen las historias sonoras.

• Everybody Has a Podcast (Except You), de Justin, Travis y Griffin McElroy: una guía práctica y con humor para pasar de la idea al micrófono.

PD2: Y si quieres ponerle voz a esa primera conversación, aquí va una buena pareja para grabar:

• Shure MV7+: un micrófono dinámico pensado para podcasting, con conexión USB-C para grabar directamente en el ordenador y XLR si utilizas una interfaz de audio.

• Audio-Technica ATH-M50x: unos auriculares profesionales de estudio, cerrados y con cable, para escuchar con detalle lo que estás grabando y reducir las fugas de sonido hacia el micrófono.

El equipo ayuda. La curiosidad y las ganas de compartir las pones tú.

Una herramienta capaz de permitir que Claude Code, Codex, Cursor u otros agentes investiguen cómo funciona un software aunque no tengan acceso a su código fuente.

Hoy toca hacernos la pregunta importante, ¿para qué demonios queremos algo así?

Y la primera respuesta es bastante tranquilizadora.

Para muchas cosas buenas.

De hecho, probablemente haya empresas que necesiten una herramienta como REA mucho más de lo que imaginan

Seguro que conoces alguna historia parecida.

Una aplicación crítica.

Desarrollada hace quince o veinte años.

Funciona, más o menos, pero nadie quiere tocarla.

La empresa que la desarrolló desapareció.

El programador que realmente sabía cómo funcionaba se jubiló.

Y la documentación consiste en un Word de 2007 llamado: FINAL_v3_DEFINITIVO_BUENO.doc 😂

Bienvenido a buena parte del software empresarial.

Aquí la ingeniería inversa no tiene nada que ver con hackers con capucha intentando entrar en el Pentágono.

Tiene que ver con algo bastante más mundano, entender qué demonios tenemos funcionando.

Un agente equipado con REA podría empezar a inspeccionar esa aplicación, seguir funciones, observar su comportamiento y reconstruir progresivamente cómo está montada.

Una especie de arqueólogo digital.

Solo que este arqueólogo puede leer ensamblador.

Cuanto más pienso en REA, más casos de uso legítimos aparecen:

• Software legacy. Entender aplicaciones críticas cuyo conocimiento se ha perdido con los años.

• Documentación inexistente. Reconstruir cómo funciona un sistema que nadie documentó correctamente.

• Debugging de software de terceros. Investigar qué está ocurriendo realmente dentro de una dependencia o aplicación cerrada.

• Auditorías de seguridad. Buscar comportamientos inesperados y vulnerabilidades antes de poner un producto en producción.

• Supply chain. Analizar binarios y dependencias que estamos introduciendo dentro de nuestra organización.

• Migraciones. Comprender exactamente qué hace una aplicación antes de sustituirla por otra.

• Interoperabilidad. Entender comportamientos y protocolos necesarios para integrar sistemas.

• Aplicaciones móviles. Analizar APK y componentes que forman parte de nuestro ecosistema.

• Firmware e IoT. Inspeccionar software tradicionalmente mucho más opaco.

• Due diligence tecnológica. Analizar mejor el software de una compañía que estamos evaluando comprar.

• Red teaming. Estudiar nuestro propio producto como podría hacerlo alguien intentando atacarlo.

• Modernización. Reconstruir sistemas antiguos antes de volver a implementarlos sobre arquitecturas modernas.

Y probablemente se nos estén escapando muchos más.

Pero hay uno que me parece especialmente interesante.

Hacer ingeniería inversa de tu propio software

Suena absurdo, para que si tenemos el código fuente.

¿Por qué demonios íbamos a hacer ingeniería inversa?

Precisamente por eso. Porque el atacante no tiene nuestro código fuente.

Nosotros conocemos cómo creemos que funciona nuestra aplicación.

REA podría ayudarnos a descubrir qué puede averiguar alguien que solamente dispone del producto terminado.

La ingeniería inversa podría convertirse así en una fase más del ciclo de desarrollo de software.

No para atacar, sino para comprobar cuánto puede aprender quien quiera atacarnos.

Security through obscurity

Durante décadas hemos confiado parcialmente en una barrera bastante mediocre:

«Será difícil averiguar cómo funciona.»

Nunca fue una gran estrategia de seguridad.

Pero encontrar determinadas vulnerabilidades requería herramientas especializadas.

Y personas extraordinariamente buenas haciendo algo extraordinariamente difícil.

Los LLM están empezando a cambiar esa ecuación.

No porque hayan inventado la ingeniería inversa.

Sino porque están reduciendo brutalmente el coste del conocimiento necesario para practicarla.

Y quizá este sea uno de los efectos de la IA que estamos subestimando.

Pensamos continuamente en lo que una superinteligencia podría llegar a hacer algún día.

Pero quizá haya un cambio mucho más inmediato.

No necesitamos que una IA invente una nueva forma de atacar software.

Basta con que haga accesible a millones de personas algo que hasta ahora solamente sabían hacer unos pocos miles de especialistas.

¿Qué ocurre cuando pasa lo mismo con la ciberseguridad?

Anthropic ha mostrado que Mythos Preview podía no sólo encontrar vulnerabilidades complejas sino convertirlas en primitivas de explotación y encadenarlas hasta construir ataques completos. En sus evaluaciones sobre ExploitBench llegó a conseguir ejecución de código sobre 21 de 41 vulnerabilidades estudiadas, mientras que los modelos anteriores quedaban muy lejos.

Por eso su acceso no funciona como el de cualquier Claude.

Mythos 5.1 está disponible mediante programas de acceso controlado para profesionales de ciberseguridad, y Anthropic ha ampliado recientemente su Cyber Verification Program para que equipos cualificados puedan utilizar capacidades avanzadas con menos restricciones defensivas.

Esta misma semana Anthropic ha presentado OSS Scanner, un programa voluntario que ofrece a proyectos open source análisis periódicos de seguridad realizados por sus modelos más potentes, gratuitamente.

No parte precisamente de cero.

Durante Project Glasswing, Anthropic ha estado utilizando sus modelos para analizar algunos de los proyectos de software más importantes del mundo.

A 2 de octubre había comunicado 6.157 vulnerabilidades en 591 proyectos open source.

Al menos 516 ya habían sido corregidas.

Párate un segundo en esos números.

Miles de vulnerabilidades.

Encontradas mediante IA.

Y comunicadas para poder corregirlas.

La misma capacidad que nos preocupa puede convertirse en una máquina extraordinaria para encontrar problemas antes que los malos.

Food for thought

Estamos convirtiendo capacidades que antes pertenecían a especialistas en capacidades disponibles para agentes.

Eso tiene riesgos.

Muchos.

Pero también una oportunidad enorme.

Si la IA consigue que atacar software sea 100 veces más barato, nuestra obligación debería ser conseguir que auditarlo sea 1.000 veces más barato.

REA puede servir para las dos cosas.

Como casi siempre con la tecnología, la ventaja no estará necesariamente en impedir que los demás la utilicen.

Estará en algo bastante más sencillo: aprender nosotros a utilizarla antes.

🌍 El Eco del Mercado

🪱 Anthropic anticipa gusanos de IA capaces de propagarse por dispositivos domésticos. Sus experimentos sugieren que modelos pequeños podrían estar a meses de localizar aparatos vulnerables, copiarse en ellos y continuar propagándose sin ayuda humana. No existe todavía constancia de un gusano de este tipo en circulación.

🌍 Cuatrocientos científicos reclaman un organismo internacional para controlar la IA avanzada. Geoffrey Hinton, Yoshua Bengio y expertos de 34 países proponen estándares comunes de aislamiento, supervisión independiente y notificación de incidentes. También piden mantener inicialmente desconectados de redes externas los modelos con capacidades cibernéticas avanzadas.

🔍 OpenAI y Anthropic discuten cuánto pueden publicar sus evaluadores. Ambos laboratorios defienden públicamente las auditorías independientes, pero negocian límites para evitar que sus informes revelen información confidencial. Sin reglas comunes, quien proporciona el modelo puede conservar capacidad para condicionar lo que se conoce sobre sus riesgos.

🧱 Anthropic afirma haber reducido hasta un 99 % la extracción de capacidades de Claude. La compañía asegura que sus nuevas defensas han reducido entre un 90 % y un 99 % los datos obtenidos mediante campañas destinadas a reproducir el comportamiento de sus modelos. Las cifras todavía no han sido verificadas de forma independiente.

🏦 Los supervisores bancarios examinan cómo controlar y apagar los agentes de IA. Los reguladores estadounidenses preguntan a los bancos cómo limitan, supervisan y reconstruyen las decisiones de sus agentes, mientras el BCE y el Banco de Inglaterra reclaman mejores sistemas de recuperación. El objetivo ya no es únicamente evitar un ataque, sino poder restablecer pagos y cuentas cuando fallen las defensas.

🕵️ El MI5 advierte de que la IA está acelerando la carrera entre atacantes y defensores. El servicio británico sostiene que la IA mejora el reconocimiento, la búsqueda de vulnerabilidades y la preparación de ataques. Es precisamente el doble uso que plantea hoy REA: la misma capacidad para desmontar un programa, comprenderlo y localizar sus puntos débiles puede servir para corregirlos o explotarlos, dependiendo de quién llegue primero.

🇨🇳 Nvidia pierde casi la mitad de sus envíos de aceleradores en China. Según IDC, sus entregas descendieron un 44 % durante el primer semestre y su cuota cayó hasta el 34 %, frente al 28 % de Huawei. Los controles estadounidenses están reduciendo su presencia formal y acelerando la adopción de alternativas nacionales.

🎮 China continúa recurriendo a chips de Nvidia que no fueron diseñados para centros de datos. Las tecnológicas chinas han comprado más de un millón de GPU para juegos y estaciones de trabajo durante 2026 con el fin de adaptarlas a cargas de IA. La producción nacional crece, pero CUDA mantiene la dependencia del ecosistema de Nvidia incluso cuando disminuye su cuota oficial.

🇸🇪 Scaleway construirá en Suecia un superordenador europeo basado en AMD. La nube francesa utilizará aceleradores Instinct MI355X y el ecosistema abierto ROCm en su primer superordenador fuera de Francia. El proyecto ampliará las opciones europeas frente a Nvidia, aunque todavía no se conocen su capacidad ni su calendario de entrada en servicio.

⚠️ El FMI advierte de que una corrección de la IA podría restar un 1,1 % al PIB mundial. Un descenso brusco de la inversión y las valoraciones podría reducir la producción estadounidense un 1,8 % hasta 2028. Es un escenario adverso, no una previsión central, pero muestra que la IA ya se ha convertido en un factor de estabilidad financiera.

🌡️ La Reserva Federal empieza a detectar inflación más allá de los centros de datos. Austan Goolsbee considera que el gasto en infraestructura de IA puede estar recalentando la demanda y elevando precios en sectores no vinculados directamente con ella. La tecnología promete productividad futura, pero podría encarecer hoy el dinero necesario para construirla.

📉 La caída de los fabricantes de chips pone fin a la indulgencia del mercado. El KOSPI perdió más de un 6 %, Samsung y SK Hynix llegaron a caer cerca del 10 % y Kioxia retrocedió un 13 %. La demanda de IA sigue siendo fuerte, pero los inversores comienzan a exigir monetización y eficiencia de capital, no únicamente exposición al sector.

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 la edición de ayer iba de entender cómo funciona el software, la de hoy va de algo más incómodo: qué pasa cuando atacantes y defensores tienen acceso a las mismas capacidades.

• The Cuckoo’s Egg de Clifford Stoll. Un clásico absoluto. La historia real de cómo Stoll persiguió a un intruso dentro de una red universitaria. Más que un libro de hacking, es un libro sobre paciencia, investigación y seguir pistas hasta entender qué está pasando realmente.

• This Is How They Tell Me the World Ends de Nicole Perlroth. Una inmersión en el mercado de zero-days, exploits y vulnerabilidades desconocidas. Perfecto para entender por qué encontrar una vulnerabilidad antes que el otro puede tener un valor enorme.

• Sandworm de Andy Greenberg. Cuenta cómo los ciberataques dejaron de ser travesuras digitales para convertirse en herramientas capaces de afectar infraestructuras, empresas y países enteros. Muy buena lectura para recordar que el software también forma parte del mundo físico.

• Click Here to Kill Everybody de Bruce Schneier. Schneier lleva años defendiendo una idea sencilla: cuanto más software metemos en todo, mayor es la superficie que debemos proteger. Y si ahora además podemos analizar ese software con agentes, esa discusión se vuelve todavía más interesante.

Los cuatro comparten una misma idea: en seguridad, comprender antes que el adversario sigue siendo una ventaja enorme.

PD2 . Ya que hablamos de hackers… Después de REA, Mythos y os días hablando de encontrar vulnerabilidades, tocaba recomendar algún cacharro digno de la temática. El Flashiibo NFC Pro es un pequeño emulador de etiquetas NFC con pantalla OLED, más de 3.000 guardados, UID regenerable y reescritura ilimitada.

Si no tienes el código fuente, no sabes cómo funciona el programa.

Nunca ha sido completamente cierta.

Existe la ingeniería inversa.

Puedes coger un ejecutable, desmontarlo, inspeccionar sus llamadas, estudiar la memoria, seguir funciones, analizar el tráfico de red y tratar de reconstruir lo que hace.

El problema es que necesitas saber hacerlo.

Y saber hacerlo muy bien.

Hasta ahora.

Hace unos días me encontré con un proyecto llamado REA: Reverse Engineer Anything.

Su presentación es bastante modesta:

Software is done.

Nada menos.

Yo no iría tan lejos.

El software no está acabado.

Pero puede que la ventaja de esconder cómo funciona esté empezando a acabarse.

Y eso me parece mucho más interesante.

Piensa por un momento en Shazam.

Escuchas unos segundos de una canción.

Pulsas un botón.

Y te dice qué estás escuchando.

REA pretende hacer algo conceptualmente parecido con el software.

Le das una aplicación, un binario, una APK de Android, una aplicación Electron, un firmware o determinadas evidencias de ejecución y empiezas a hacer preguntas.

¿Qué hace esto?

¿Dónde se implementa esta funcionalidad?

¿Qué ocurre cuando pulso este botón?

¿Qué funciones intervienen?

¿Con qué otros componentes se comunica?

¿Cómo podría reconstruirse este comportamiento?

La diferencia es que aquí no hay una base de datos de canciones buscando una coincidencia.

Hay herramientas de ingeniería inversa examinando el software.

Y una IA intentando entender lo que encuentra.

REA puede trabajar con binarios nativos, JavaScript y Electron, ensamblados .NET, APK de Android, webs, capturas de red, firmware o comportamiento de procesos, entre otros formatos. Para el análisis nativo puede apoyarse además en herramientas como Hopper, Ghidra o IDA.

Pero aquí viene uno de los detalles más importantes.

Al menos no en el sentido en el que solemos utilizar esa expresión.

No estamos delante de otro modelo que pretende ser mejor que GPT, Claude o Gemini.

REA hace algo quizá más interesante:

les da herramientas.

Su arquitectura, simplificada mucho, sería algo parecido a esto:

El repositorio lo explica de una manera bastante directa: el agente llama a REA mediante MCP, REA inspecciona el objetivo y devuelve los hallazgos junto con las evidencias que los sustentan. Después, el agente puede seguir investigando, explicar el comportamiento o incluso escribir y probar una implementación.

Y esto tiene una consecuencia importante.

Durante los últimos años hemos estado obsesionados con hacer que los modelos fueran más inteligentes.

Pero quizá una parte del siguiente salto no consista solamente en construir cerebros mejores.

Consista en darles mejores ojos y mejores manos.

Decompilar no es comprender

Aquí conviene hacer una distinción.

Las herramientas de ingeniería inversa llevan décadas existiendo.

Ghidra.

IDA.

Hopper.

JADX.

Debuggers.

Analizadores de tráfico.

Desensambladores.

Nada de esto nació ayer.

Un especialista podía abrir un binario, encontrar una función, estudiar las instrucciones y tratar de averiguar qué demonios hacía aquello.

La diferencia es que había un cuello de botella.

El especialista.

Imagina encontrarte algo parecido a esto:

mov eax,[ebp+08]
imul eax,eax,1Fh
sar eax,05h
sub ecx,eax

Para alguien que conozca ensamblador puede contener información.

Para buena parte de la humanidad contiene aproximadamente lo mismo que una factura de la luz.

Ahora coloca un LLM delante.

Puede explicar las instrucciones.

Proponer hipótesis.

Relacionar funciones.

Buscar referencias.

Comparar patrones.

Traducir partes a C.

Y seguir investigando.

REA añade la siguiente pieza: permite que el agente utilice directamente las herramientas necesarias para obtener esas evidencias.

Ya no tenemos simplemente un LLM al que copiamos y pegamos un trozo de código.

Tenemos un agente que puede investigar.

Y es que, durante décadas, la ingeniería inversa ha tenido una barrera de entrada natural: era difícil.

Necesitabas herramientas especializadas.

Conocimientos especializados.

Tiempo.

Paciencia.

Y personas que entendieran lo que estaban mirando.

Es decir: coste.

Los LLM empiezan a comprimir una parte de ese coste.

REA comprime otra.

Y eso significa que probablemente estemos haciendo algo que la tecnología lleva haciendo desde que existe: convertir conocimiento experto en software.

Un profesional seguirá sabiendo muchísimo más.

Un experto seguirá siendo imprescindible para los problemas difíciles.

Exactamente igual que un programador profesional sabe muchísimo más que alguien utilizando Claude Code.

Pero eso no impide que millones de personas que jamás habrían programado estén empezando a hacerlo.

Food for thought

Hasta aquí REA resulta fascinante.

Un agente capaz de utilizar herramientas profesionales para entender software cuyo código fuente no posee.

Pero hay una pregunta que todavía no hemos hecho.

¿Qué agente?

Porque REA no decide qué buscar.

No decide por qué buscarlo.

Y tampoco determina hasta dónde es capaz de llegar quien está detrás.

Es la herramienta.

El razonamiento lo pone el modelo.

Y mientras proyectos como REA están haciendo que las herramientas sean cada vez más accesibles, están apareciendo modelos específicamente extraordinarios en otra disciplina: ciberseguridad.

Uno de ellos se llama Mythos.

Y cuando juntas ambas ideas, la historia empieza a verse de una manera bastante diferente.

Pero eso será mañana.

🌍 El Eco del Mercado

🥛 Microsoft reclama reglas internacionales para controlar la IA. Brad Smith propone evaluaciones independientes, notificación obligatoria de incidentes y mecanismos de emergencia para detener agentes descontrolados. La cuestión será si Microsoft acepta que estos controles se apliquen antes de lanzar sus modelos.

🔍 Reino Unido recupera el acceso anticipado a los modelos más avanzados. El Instituto británico de Seguridad de la IA está evaluando sistemas de última generación, incluido Gemini 4 Argon antes de su lanzamiento. Los acuerdos siguen siendo voluntarios, aunque el Gobierno estudia convertir las pruebas previas y la notificación de incidentes en obligaciones.

💰 Broadcom identifica el capital como el próximo gran cuello de botella de la IA. Su consejero delegado, Hock Tan, considera que la industria está superando la escasez de obleas y memoria, pero tendrá más dificultades para financiar la expansión. Disponer de chips no garantiza poder pagar los centros de datos necesarios para utilizarlos.

🏭 TSMC se encamina hacia su sexto trimestre consecutivo de beneficio récord. Los analistas esperan que el fabricante eleve un 65 % su beneficio neto, hasta unos 23.400 millones de dólares, impulsado por los chips de tres nanómetros y el empaquetado avanzado. La cifra es una previsión previa a la presentación de resultados del jueves.

🇨🇳 Intel reconoce la rápida adopción de los modelos chinos de IA. Lip-Bu Tan afirma que modelos como DeepSeek, Kimi y GLM ofrecen prestaciones suficientes a un coste por token inferior y están ganando usuarios con rapidez. Su valoración refuerza el argumento de que competir en IA también consiste en reducir el precio de desplegarla.

🛒 Amazon negocia comprar Decart por unos 7.000 millones de dólares. La startup desarrolla sistemas para combinar distintos chips y modelos capaces de generar simulaciones del mundo físico. La operación, todavía sin confirmar y susceptible de fracasar, reforzaría las apuestas de Amazon por AWS, sus procesadores propios y la robótica.

💴 Tencent prevé financiar sus chips de IA con 5.000 millones de dólares de deuda. La compañía ha comunicado a los inversores que destinará la mayor parte de su emisión prevista a inversiones en IA, especialmente a la compra de procesadores. El movimiento muestra cómo la carrera por la capacidad informática empieza a trasladarse desde el flujo de caja hacia el endeudamiento.

🤖 DeepSeek invierte en inteligencia para robots. La compañía negocia liderar una ronda de decenas de millones de dólares en Winverse AI, fundada por un antiguo responsable de modelos visuales y robótica de Tencent. El acuerdo, aún no cerrado, valoraría la startup en unos 400 millones y extendería la apuesta de DeepSeek desde el lenguaje hasta la IA física.

⚖️ Moonshot intenta resolver una disputa de propiedad antes de salir a bolsa. Los responsables del desarrollador de Kimi negocian con Recurrent.ai y varios inversores, que los acusan de haber desviado tecnología y negocio. Moonshot rechaza unas alegaciones todavía no demostradas, pero el conflicto puede complicar las revisiones de propiedad intelectual y gobernanza de su futura OPV en Hong Kong.

⚡ Anthropic reserva capacidad en centros procedentes de la minería de bitcoin. Según The Information, la compañía ha firmado un contrato cloud plurianual con IREN, antigua minera de criptomonedas reconvertida en proveedor de infraestructura de IA. Ninguna de las partes ha confirmado las condiciones, pero el acuerdo refleja cómo los laboratorios buscan instalaciones que ya dispongan de electricidad y conectividad.

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: Para seguir tirando del hilo. Si REA te ha despertado el pequeño ingeniero inverso que llevas dentro, aquí van cuatro libros para seguir desmontando cosas:

• Reversing: Secrets of Reverse Engineering de Eldad Eilam. Probablemente el clásico de referencia. Binarios, ensamblador, compiladores, APIs y técnicas para entender qué hace un programa cuando no tienes su código fuente.

• Practical Binary Analysis de Dennis Andriesse. Más moderno y bastante práctico. Explica cómo analizar ejecutables, desensamblar código y descubrir vulnerabilidades. Básicamente, todo aquello que ahora queremos empezar a delegar también en agentes.

• Practical Malware Analysis de Michael Sikorski y Andrew Honig. Aunque está centrado en malware, es una magnífica introducción a la mentalidad del analista: observar comportamiento, seguir llamadas, inspeccionar memoria y averiguar qué demonios está haciendo realmente un programa.

• Hacking: The Art of Exploitation de Jon Erickson. Un clásico para entender qué ocurre debajo de las abstracciones del software: memoria, ensamblador, vulnerabilidades y explotación. Ideal para recordar que, antes de pedirle a una IA que lo haga, alguien tuvo que aprender a hacerlo a mano.

Te la dejaría así, corta y muy en línea con el tono de la edición:

PD2 — Si vas a desmontar cosas, hazlo bien, te lo dice alguien que ha dejado inutilizado de por vida un montón de dispositivos electrónicos. REA sirve para abrir software sin tocar un tornillo. Pero si después te entran ganas de desmontar también el portátil, mejor hacerlo con algo de dignidad. El kit de herramientas de precisión de iFixit es probablemente el equivalente físico a Reverse Engineer Anything: destornilladores, puntas y útiles para abrir casi cualquier gadget sin recurrir al cuchillo del pan.

Hay algo que siempre me ha fascinado de El aprendiz de brujo.

El protagonista descubre cómo utilizar la magia para ahorrarse un trabajo bastante aburrido: cargar cubos de agua.

Así que encanta una escoba.

La escoba empieza a trabajar. No se cansa. No protesta. No pide vacaciones. Y tampoco solicita una revisión salarial.

El sueño de cualquier director financiero.

Hasta que aparece un pequeño inconveniente.

El aprendiz sabe cómo ponerla a trabajar, pero no cómo detenerla.

La escoba sigue trayendo agua. Una y otra vez. La habitación empieza a inundarse.

Desesperado, el aprendiz intenta destruirla.

Y consigue algo todavía mejor: multiplicar el problema.

Lo más interesante de la historia no es que la escoba sea peligrosa.

Es que la escoba hace exactamente aquello para lo que fue encantada.

El problema siempre fue el aprendiz.

Y tengo la sensación de que estamos viviendo una versión bastante sofisticada de ese cuento.

Solo que nuestras escobas tienen GPUs, consumen cantidades industriales de electricidad y cuestan miles de millones de dólares.

Llevamos años discutiendo sobre la posibilidad de que una inteligencia artificial supere nuestras capacidades.

La famosa singularidad.

Nos preguntamos si las máquinas desarrollarán objetivos propios. Si perderemos el control. Si decidirán que los humanos somos prescindibles.

Son preguntas legítimas.

Pero hay otra bastante más incómoda.

¿Y si no necesitamos que la IA desarrolle malas intenciones para provocar consecuencias desastrosas?

Bastaría con que ejecutase nuestras decisiones.

Más rápido.

A mayor escala.

Y con una eficiencia que jamás habíamos tenido a nuestro alcance.

Porque hay algo que solemos olvidar cuando hablamos de inteligencia.

Puedes ser extraordinariamente inteligente y tomar decisiones profundamente estúpidas.

Puedes conocer todos los datos y elegir ignorar los que contradicen tus creencias.

Puedes disponer de una tecnología capaz de resolver problemas complejísimos y utilizarla para maximizar el beneficio del próximo trimestre.

Y puedes estar absolutamente convencido de que tienes todo bajo control.

Especialmente cuando no lo tienes.

Los psicólogos llevan décadas estudiando nuestra tendencia a sobreestimar nuestras capacidades, a buscar información que confirma nuestras creencias y a confundir familiaridad con comprensión.

Ahora imaginemos esos mismos defectos humanos conectados a sistemas capaces de actuar a una escala sin precedentes.

No hemos eliminado nuestros sesgos.

Les hemos dado acceso a una capacidad de procesamiento extraordinaria.

Un estudio de investigadores del MIT FutureTech y la Universidad de Queensland reunió a 272 expertos internacionales para evaluar 24 categorías de riesgos asociados a la inteligencia artificial durante el periodo 2025-2030.

Los participantes estimaron su probabilidad y gravedad, así como el efecto que podrían tener distintas medidas de mitigación.

Los resultados son inquietantes.

Sin nuevas medidas de mitigación, 18 de las 24 categorías alcanzaron al menos un 10 % de probabilidad estimada de consecuencias catastróficas, según el criterio agregado empleado en el estudio.

Incluso considerando medidas pragmáticas de mitigación, cinco categorías permanecieron por encima de ese umbral.

Entre ellas aparecen las capacidades peligrosas, los usos maliciosos, los daños medioambientales, la concentración del poder y un riesgo al que quiero prestar especial atención:

La desigualdad y el desempleo.

Los expertos asignaron a esta categoría un 11 % de probabilidad estimada de consecuencias catastróficas, incluso en el escenario con mitigación.

Conviene interpretar correctamente el dato.

No significa que exista un 11 % de probabilidad de que todos nos quedemos sin trabajo. Ni que el estudio haya demostrado que el desempleo masivo sea inevitable.

Es una estimación colectiva de expertos sobre un escenario de consecuencias extremas, no una predicción estadística verificable.

Pero hay algo que me parece mucho más relevante que la cifra.

Este riesgo no necesita que la IA alcance la conciencia, desarrolle voluntad propia o se rebele contra sus creadores.

Solo necesita que nosotros decidamos cómo utilizarla.

Y ahí es donde empieza mi preocupación.

Nuestra peligrosa ilusión de control

Hay una paradoja que me resulta especialmente inquietante.

Cuanto más sofisticada se vuelve una tecnología, más fácil resulta confundir nuestra capacidad para utilizarla con nuestra capacidad para comprenderla.

Pero utilizar una herramienta no significa comprender todas sus consecuencias.

Y supervisar un sistema tampoco garantiza que sepamos identificar cuándo está cometiendo un error.

Pensemos en un directivo que utiliza IA para decidir qué departamentos debe reducir.

El sistema analiza costes, productividad, salarios y previsiones.

Devuelve una recomendación impecablemente presentada.

Y con esa seguridad tan característica de las máquinas que nunca parecen dudar de sí mismas.

El directivo revisa el informe y aprueba la decisión.

¿Ha ejercido realmente su criterio?

¿O simplemente ha encontrado una forma tecnológicamente sofisticada de justificar una decisión que ya quería tomar?

No siempre será así, por supuesto.

La IA también puede ayudarnos a descubrir nuestros sesgos, cuestionar decisiones equivocadas y encontrar alternativas que nunca habríamos considerado.

Pero eso exige algo que ninguna mejora de rendimiento del modelo puede garantizar.

La voluntad humana de llevarle la contraria.

Y, todavía más difícil, la voluntad de reconocer que quizá estábamos equivocados.

Quizá necesitamos menos inteligencia y más sabiduría

Durante siglos hemos asociado el progreso con nuestra capacidad para hacer cosas que antes parecían imposibles.

Volar.

Dividir el átomo.

Llegar a la Luna.

Secuenciar el genoma humano.

Construir máquinas capaces de razonar sobre problemas extraordinariamente complejos.

Pero cada nuevo salto tecnológico amplía también las consecuencias de nuestras decisiones.

Y ahí aparece una diferencia fundamental.

La inteligencia nos ayuda a descubrir qué podemos hacer. La sabiduría nos obliga a preguntarnos qué deberíamos hacer.

La primera permite optimizar.

La segunda exige elegir.

La primera puede medirse mediante pruebas de rendimiento.

La segunda se demuestra asumiendo responsabilidades, reconociendo límites y renunciando, cuando es necesario, a beneficios inmediatos.

Estamos dedicando recursos extraordinarios a aumentar la inteligencia de las máquinas.

Y tiene sentido.

Pero quizá deberíamos dedicar una parte comparable de nuestra atención a mejorar la calidad de las decisiones humanas que determinarán cómo se utiliza.

Porque no basta con que la IA genere riqueza.

Importa cómo se distribuye.

No basta con que aumente la productividad.

Importa quién se beneficia.

No basta con que tome decisiones más rápidas.

Importa que sean mejores.

Y no basta con que podamos detener la escoba.

Deberíamos saber por qué la hemos puesto a trabajar.

Al final, puede que el verdadero desafío de la inteligencia artificial no sea conseguir que las máquinas se parezcan cada vez más a nosotros.

Sino evitar que reproduzcan, amplifiquen y perpetúen nuestros peores defectos.

Y eso me lleva a una última pregunta.

🌍 El Eco del Mercado

🛰️ Ucrania golpea por segunda vez los centros de datos de Yandex. Un ataque ha dañado y desactivado parcialmente una instalación de Kaluga, un día después de que otro alcanzara un centro que alojaba dos superordenadores de IA. La nube rusa entra así en la lista de infraestructuras estratégicas expuestas directamente a la guerra.

🏦 La infraestructura de IA necesitará 1,5 billones de financiación externa. Morgan Stanley calcula que el sector requerirá esa cantidad hasta 2028 para sostener su expansión. El encarecimiento de la energía y el capital puede convertirse en un límite tan importante como la disponibilidad de chips.

🧪 Los laboratorios chinos apenas publican sus pruebas de seguridad. Un estudio encuentra resultados públicos para solo el 3,6 % de 857 modelos analizados y únicamente nueve los difundieron antes o durante su lanzamiento. La falta de transparencia dificulta comprobar si los sistemas cumplen las nuevas exigencias oficiales de seguridad y control.

🏛️ El grupo de trabajo de Trump sobre IA comienza a organizarse. Sus responsables han celebrado una primera reunión y prevén convocar al comité completo la próxima semana, incorporando sectores ajenos a la industria tecnológica. Su influencia dependerá del mandato definitivo y de su capacidad para convertir recomendaciones en decisiones.

⚠️ Investigadores despedidos de OpenAI denuncian un efecto disuasorio. Tres antiguos miembros de sus equipos de seguridad cuestionan las razones de su salida y reclaman auditorías independientes. OpenAI sostiene que incumplieron sus políticas sobre información sensible, mientras ellos defienden que actuaron dentro de las prácticas aceptadas.

🛡️ Anthropic ofrece auditorías gratuitas al software de código abierto. Los mantenedores podrán someter periódicamente sus repositorios a análisis realizados por los modelos más avanzados de la compañía. Los resultados no tendrán revisión humana previa, por lo que el valor del servicio dependerá de detectar vulnerabilidades reales sin generar demasiados falsos positivos.

🕵️ Estados Unidos desmonta parte de la infraestructura de Flax Typhoon. El Departamento de Justicia se ha incautado de siete dominios presuntamente utilizados por Integrity Technology para explorar y atacar infraestructuras críticas. La operación puede interrumpir campañas, pero no elimina la capacidad del grupo para reconstruir sus recursos.

🚔 El FBI detiene a otro supuesto colaborador de ShinyHunters. La nueva detención está relacionada con el grupo de ciberdelincuencia y con la reciente intrusión en el portal de empleo de la propia agencia. Las autoridades todavía no han detallado el papel concreto del sospechoso.

📡 SpaceX compra espectro para convertir Starlink en una red móvil. La compañía acuerda adquirir por unos 8.000 millones de dólares frecuencias estadounidenses de 800 MHz que mejoran la cobertura en interiores. Si recibe autorización, podrá combinar redes satelitales y terrestres y competir más directamente con las operadoras tradicionales.

📉 Las operadoras caen en bolsa ante la amenaza de Starlink. T-Mobile, Verizon, AT&T y varias compañías europeas retrocedieron después de conocerse la compra de espectro de SpaceX. Los operadores de torres subieron, ante la posibilidad de que la futura red terrestre de Starlink necesite utilizar sus emplazamientos.

🚫 Meta impide a TikTok anunciarse en Facebook e Instagram. La prohibición afecta a Estados Unidos y otros seis mercados e incluye anuncios de terceros que dirijan tráfico hacia TikTok. La decisión muestra cómo una plataforma puede utilizar el control de su inventario publicitario para dificultar la captación de usuarios de un rival.

🤖 Revolut quiere convertirse en una tecnológica global apoyándose en sus datos. La compañía desarrolla modelos propios entrenados con información transaccional y aspira a ampliar su actividad más allá de la banca. Sus entre 30 y 40 millones de operaciones diarias pueden convertirse en una ventaja competitiva, pero también elevan las exigencias de privacidad y control.

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. 📚 Para aprender a pensar antes de poner a trabajar a la escoba. Si algo nos enseña la historia es que la inteligencia humana nunca ha sido garantía de buenas decisiones. Y estos cuatro libros ayudan a entender por qué.

• La psicología del dinero de Morgan Housel. Porque tomar buenas decisiones no depende únicamente de lo que sabemos, sino de cómo nos comportamos. Especialmente cuando entran en juego el dinero, la ambición y el miedo.

• La sociedad del riesgo mundial de Ulrich Beck. Una reflexión sobre cómo el progreso tecnológico e industrial genera riesgos que nuestras instituciones no siempre saben gestionar y cuyas consecuencias se distribuyen de manera desigual.

• La arrogancia fatal de Friedrich A. Hayek. Una crítica a nuestra pretensión de poder diseñar y controlar sistemas extraordinariamente complejos. Una lectura provocadora para quienes creen que basta con tener más datos, mejores modelos y suficiente capacidad de cálculo para dominarlo todo.

PD2. Por si el aprendiz de brujo vuelve a perder el control. Estamos construyendo inteligencias artificiales capaces de hacer cosas extraordinarias. Pero seguimos sin tener demasiado claro cómo detenerlas cuando hacen exactamente lo que les hemos pedido. Quizá deberíamos empezar por algo sencillo, un simple botón rojo de parada de emergencia. A qué conectarlo es ya decisión tuya.

Mi familia materna era humilde. Mis abuelos tuvieron muy poco durante su infancia y, seguramente por ello, siempre querían agasajarnos a mi hermano y a mí y procurar que no nos faltase de nada.

A mi hermano y a mí nos costaba entender que nuestros abuelos fueran más felices haciéndonos regalos que recibiéndolos de nuestra parte. La verdad es que, en los años noventa, los regalos para los abuelos eran poco originales: una corbata, una colonia, una figura de porcelana para el salón…

Sin embargo, fuese cual fuese el regalo, su agradecimiento parecía inversamente proporcional a su valor.

Seguramente, esa sensación de sentirse únicos y reconocidos por sus nietos tenía mucho más valor que cualquier presente material.

Dar las gracias es gratis, y lo curioso —o gracioso— de todo esto es que ambas palabras comparten origen etimológico.

• gracias viene del latín gratias (acusativo plural de gratia), que significa “gracia, favor, agradecimiento”. La expresión completa era gratias agere = “dar las gracias”.

• gratis viene del latín gratis, ablativo plural de gratia (antes gratiis), usado como adverbio con el sentido de “por gracia, por favor, sin retribución”.

La conexión semántica original es clara: algo que se da gratis se hace “por gracia/favor”, es decir, sin exigir pago, bastando (en teoría) con el agradecimiento. Con el tiempo:

• gracias se especializó como fórmula de agradecimiento.

• gratis se especializó como término económico: “sin coste”.

Según la RAE, la gratitud es un “sentimiento que obliga a una persona a estimar el beneficio o favor que otra le ha hecho o ha querido hacer, y a corresponderle de alguna manera.”

Si miramos la gratitud desde el prisma de la psicología, vemos que es una herramienta tanto psicológica como social. Sus beneficios son evidentes para la salud mental y física, así como para las relaciones sociales.

Parte de su efecto se explica porque ayuda a reorientar la atención y activa sistemas neurobiológicos relacionados con la recompensa y la conexión social. Vamos, que entran en juego mecanismos cerebrales vinculados, entre otras cosas, con la dopamina: una especie de recompensa natural, similar a la que obtenemos de otras experiencias gratificantes.

La gratitud tiene múltiples beneficios que aplican a nuestra vida diaria como:

La gratitud puede tener efectos positivos en distintos ámbitos de nuestra vida. En el plano psicológico, ayuda a reducir los síntomas de depresión y ansiedad y favorece emociones más positivas, además de aumentar la sensación de satisfacción con la propia vida.

También parece influir en la salud física. Las personas agradecidas suelen referir menos molestias, dormir mejor y presentar indicadores más favorables relacionados con la función inmunitaria y la presión arterial.

Sus efectos se extienden, además, a las relaciones sociales. Mostrar gratitud fortalece los vínculos, favorece las conductas de ayuda y cooperación y puede reducir la sensación de soledad. Al mismo tiempo, contribuye a que los demás perciban la relación de una forma más positiva y tengan mayor interés en mantenerla.

La gratitud también está relacionada con la resiliencia. Puede ayudarnos a interpretar las experiencias adversas desde una perspectiva menos catastrófica y a afrontar mejor situaciones difíciles o estresantes.

Incluso en ámbitos como el deporte o el trabajo puede desempeñar un papel interesante. Se relaciona con una mayor autoestima y con una menor tendencia a compararnos negativamente con los demás, algo que puede contribuir a una percepción más equilibrada de nuestros propios logros y capacidades.

La gratitud puede influir en nuestro bienestar a través de varios mecanismos. Uno de ellos tiene que ver con la atención: nos ayuda a desplazar el foco de aquello que nos falta o que no funciona hacia lo que consideramos valioso y significativo. Este cambio de perspectiva puede favorecer una forma más equilibrada de interpretar lo que nos ocurre y facilitar estrategias de afrontamiento más útiles ante las dificultades.

También intervienen distintos procesos neurobiológicos relacionados con la recompensa, el bienestar y la respuesta al estrés. La experiencia de gratitud se ha asociado con la actividad de determinados circuitos cerebrales y con sustancias como la dopamina y la serotonina. Además, su práctica habitual puede contribuir a una mejor regulación de la respuesta al estrés. Más que «recablear» el cerebro de forma literal, la repetición puede reforzar ciertos patrones de atención y respuesta emocional.

Otro de sus efectos está relacionado con la regulación de las emociones. Centrar la atención en aquello que valoramos puede reducir el peso de sentimientos como la envidia, el resentimiento o el arrepentimiento, que tienden a deteriorar nuestro bienestar cuando se mantienen en el tiempo.

La gratitud también tiene una importante dimensión social. Reconocer la ayuda o el apoyo que recibimos fortalece los vínculos, favorece la reciprocidad y aumenta el sentimiento de pertenencia. Dar las gracias no solo influye en quien las da, sino también en quien las recibe y en la relación que existe entre ambos.

Además, no siempre hacen falta grandes gestos para cultivar este hábito. Prácticas sencillas, como escribir de forma periódica aquello por lo que nos sentimos agradecidos o dedicar unas palabras de agradecimiento a otra persona, pueden contribuir a mejorar la percepción de bienestar cuando se mantienen durante un tiempo.

Curiosamente, la gratitud aun siendo un sentimiento universal, no aplica de la misma manera en diferentes culturas y contextos.

La cultura influye en cuándo, cómo y ante quién mostramos agradecimiento. En sociedades más individualistas, como las de Estados Unidos o buena parte de Europa occidental, suele expresarse de forma más directa y verbal, y se relaciona con decisiones y experiencias personales. En cambio, en culturas más colectivistas puede estar más vinculada a las obligaciones sociales, las jerarquías, la reciprocidad a largo plazo o los vínculos entre grupos, y manifestarse de manera más implícita, a través de gestos y acciones.

El contexto también modifica la forma en que expresamos gratitud. En el ámbito personal, suele surgir de manera más espontánea y emocional, especialmente en las relaciones familiares o de amistad. En el entorno profesional, en cambio, el agradecimiento cumple además una función de reconocimiento: puede reforzar la percepción de justicia, mejorar el clima laboral y favorecer la cooperación y el compromiso.

Para que ese efecto sea positivo, el agradecimiento debe percibirse como sincero y concreto. Un reconocimiento genérico, rutinario o poco creíble puede perder fuerza e incluso generar cierta desconfianza.

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

Food for thought

Y vuelvo al principio, a aquellos veranos y vacaciones con mis abuelos, a los regalos que parecían insignificantes y a la felicidad que les producía recibirlos.

Con el tiempo he comprendido que mis abuelos no eran felices porque tuvieran mucho que agradecer. Quizá eran felices porque habían aprendido a agradecer lo poco que tenían.

Pero también me enseñaron algo que considero todavía más importante: agradecer no significa conformarse.

Ese es uno de los mayores aprendizajes que me transmitieron. Hay que agradecer cada día lo que tenemos, valorar lo que hemos conseguido y reconocer a quienes nos han ayudado a llegar hasta aquí. Pero eso no significa dejar de aspirar a más, de aprender, de mejorar o de trabajar para convertirnos en nuestra mejor versión.

Porque el trabajo, entendido más allá de una obligación o una forma de ganarse la vida, también puede ser una herramienta de crecimiento y una proyección de lo que somos y de lo que aspiramos a ser.

La gratitud nos permite apreciar el presente sin renunciar a construir un futuro mejor.

Y aquí aparece una de esas maravillosas paradojas del comportamiento humano: ser feliz no implica necesariamente estar agradecido, pero podemos sentirnos profundamente agradecidos incluso cuando no somos felices.

Quizá porque la felicidad depende, en parte, de cómo nos sentimos con nuestra vida, mientras que la gratitud depende de nuestra capacidad para reconocer lo valioso que hay en ella, incluso cuando las cosas no van bien.

Mis abuelos, sin saber nada de psicología positiva o neurociencia, ya lo habían entendido.

Y ahora que lo pienso, quizá el mejor regalo que me hicieron mis abuelos no fue ninguno de aquellos que recibí durante mi infancia, sino enseñarme algo que entonces no era capaz de comprender.

Que, a veces, el mejor regalo es simplemente saber dar las gracias.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1. Para aprender a dar las gracias (y entender por qué nos hace mejores). La gratitud parece algo sencillo, pero detrás de esas siete letras se esconden siglos de filosofía, psicología y reflexiones sobre la felicidad. Hoy os propongo cuatro libros que nos ayudan a entender por qué agradecer lo que tenemos no significa renunciar a lo que queremos conseguir.

• Gracias, de Robert A. Emmons. Uno de los grandes investigadores de la gratitud explica cómo cultivarla puede transformar nuestra percepción del bienestar y nuestras relaciones. La ciencia detrás de algo tan cotidiano como dar las gracias.

• El hombre en busca de sentido, de Viktor Frankl. Una reflexión extraordinaria sobre nuestra capacidad para encontrar sentido incluso en las circunstancias más adversas. Porque podemos reconocer lo valioso de la vida incluso cuando no somos felices.

• La conquista de la felicidad, de Bertrand Russell. Russell explora cómo nuestras preocupaciones, comparaciones y expectativas condicionan nuestra felicidad. Una invitación a mirar menos lo que nos falta y apreciar más lo que tenemos.

• El hombre en busca de sí mismo, de Rollo May. Una reflexión sobre el autoconocimiento, la libertad y la responsabilidad de construir nuestra propia vida. Porque estar agradecidos con nuestro presente no debería impedirnos trabajar por nuestra mejor versión.

PD2. ¿Qué les regalaría hoy a mis abuelos? En los noventa, una corbata, una colonia o una figura de porcelana eran apuestas seguras. Hoy, posiblemente, la cosa cambiara: un marco digital con fotografías familiares, una manta eléctrica para las tardes de invierno, un masajeador de pies o incluso un robot aspirador para que no tengan que agacharse.

Y no es que las máquinas lleguen a ser más inteligentes que nosotros.

Es que dejemos de ser capaces de darnos cuenta.

Llevamos décadas imaginando la singularidad como ese momento en el que una inteligencia artificial supera a la humana y comienza a mejorar por sí misma, escapando progresivamente a nuestra comprensión.

Una especie de punto de no retorno.

Aunque como habla en el artículo de ayer, de momento estamos a salvo.

Porque hay otra frontera mucho más cercana.

El momento en el que dejamos de tener criterio suficiente para cuestionar las decisiones de las máquinas.

Y para cruzarla no necesitamos una superinteligencia.

Basta con acostumbrarnos a que alguien piense por nosotros.

Durante siglos, el conocimiento ha sido un recurso escaso.

Saber escribir código, interpretar una radiografía, elaborar un informe financiero o construir un argumento jurídico requería años de aprendizaje.

Y esa escasez tenía un precio.

Ahora una IA puede producir en segundos un trabajo que antes nos llevaba días.

Informes. Diagnósticos preliminares. Análisis. Recomendaciones. Miles de líneas de código.

La producción intelectual se está abaratando a una velocidad extraordinaria.

Pero hay un problema.

Cuando producir respuestas es prácticamente gratis, juzgarlas se vuelve carísimo.

Porque alguien tiene que determinar si son correctas.

Si tienen sentido.

Si están omitiendo algo importante.

O si simplemente son una estupidez extraordinariamente bien redactada.

Un artículo publicado por el World Economic Forum recoge un estudio especialmente revelador sobre inteligencia artificial aplicada a radiología.

Los investigadores analizaron más de 32.000 exploraciones médicas.

En aproximadamente el 98 % de los casos, los profesionales no discreparon de la evaluación realizada por la IA.

Hasta aquí, nada especialmente sorprendente.

Lo interesante ocurrió en el pequeño porcentaje restante.

Cuando los radiólogos discreparon del sistema, su criterio resultó correcto en aproximadamente el 90 % de esas discrepancias.

No significa que los humanos acertaran el 90 % de todos los diagnósticos. Significa que, cuando detectaron motivos para cuestionar a la máquina, su experiencia resultó extraordinariamente valiosa.

Pero pensemos por un momento en lo que esto significa.

La máquina puede encargarse de una enorme cantidad de trabajo.

Pero el valor diferencial del experto aparece precisamente cuando sabe decir: «Espera. Aquí hay algo que no encaja».

Y eso es lo que necesitamos, experto con la capacidad de identificar aquellas situaciones en las que la IA se equivoca.

Existe un concepto que me parece especialmente importante para entender lo que está ocurriendo.

Soberanía cognitiva.

La capacidad de pensar de forma independiente, cuestionar conclusiones y tomar decisiones sin depender completamente de un sistema externo.

No significa renunciar a la inteligencia artificial. Ni competir con ella.

Sería tan absurdo como renunciar a una calculadora para demostrar que sabemos multiplicar.

La cuestión es otra.

¿Seguimos comprendiendo lo suficiente como para saber cuándo la calculadora está resolviendo el problema equivocado?

Porque una cosa es delegar la ejecución. Y otra muy distinta es delegar el criterio.

Podemos utilizar la IA para investigar, programar, analizar datos o explorar hipótesis.

De hecho, deberíamos hacerlo.

Pero necesitamos preservar la capacidad de formular nuestras propias preguntas, identificar contradicciones y decidir qué conclusiones merecen nuestra confianza.

El peligro no está únicamente en que las máquinas se equivoquen.

Está en que nosotros perdamos la capacidad de reconocer sus errores.

El dilema aparece cuando la tecnología mejora y nuestra productividad aumenta.

Y, sin embargo, nuestra autonomía intelectual puede estar disminuyendo.

En el mundo de la inteligencia artificial hablamos constantemente del human in the loop.

Una persona que supervisa, valida o autoriza las decisiones de un sistema automatizado.

Suena tranquilizador.

Parece que, mientras exista una persona involucrada, seguimos teniendo el control.

Pero supervisar no es lo mismo que comprender.

Y autorizar no es lo mismo que decidir.

Si el humano no dispone del conocimiento necesario para cuestionar una recomendación, su participación puede convertirse en una formalidad.

Para, en el peor de los casos, alguien a quien atribuir la responsabilidad cuando las cosas salen mal.

Por eso la soberanía cognitiva debería convertirse en una prioridad para empresas, instituciones y profesionales.

No se trata únicamente de garantizar que una persona participe en determinadas decisiones.

Se trata de garantizar que esa persona conserva el conocimiento, la independencia y la autoridad necesarios para llevarle la contraria a la máquina.

Porque un humano que no puede cuestionar una decisión no está supervisando.

Está obedeciendo.

Food for thought

Nos preocupa que algún día la inteligencia artificial alcance la singularidad.

Pero quizá no haga falta esperar tanto.

Quizá baste con que dejemos de cuestionarla.

Porque el día que el último humano capaz de llevarle la contraria deje de hacerlo, seguiremos teniendo humanos en el circuito.

Lo que habremos perdido es el control.

Y lo más inquietante es que puede que ni siquiera nos demos cuenta.

¿Habremos atravesado ya ese umbral?

🌍 El Eco del Mercado

☁️ Un ataque con drones alcanza un centro de datos de Yandex. El ataque provocó un incendio y paralizó el complejo de Sasovo, que alberga decenas de miles de servidores y dos superordenadores utilizados por YandexGPT. Es el primer gran centro de datos ruso alcanzado durante la guerra y confirma que la infraestructura de IA también se ha convertido en objetivo militar.

🇪🇸 España prepara reglas más estrictas para los centros de datos. El Gobierno quiere establecer nuevas condiciones sobre consumo eléctrico y agua antes de las elecciones del 29 de noviembre. Amazon y Microsoft mantienen sus proyectos en Aragón, pero reclaman seguridad jurídica para inversiones que necesitan décadas para amortizarse.

⚡ Los centros de datos ofrecen reducir su consumo durante los picos eléctricos. Operadores y eléctricas ensayan sistemas que permitirían recortar temporalmente entre un 10 % y un 30 % de la demanda. OpenAI ha aceptado desconectar hasta un gigavatio de su futura instalación de Georgia cuando la red lo necesite.

🏦 La deuda de la IA empieza a competir con la de los Estados. SpaceX busca unos 40.000 millones de dólares para comprar chips de Nvidia, mientras Broadcom prepara financiación por 50.000 millones y Oracle negocia otra operación. La carrera por ampliar la computación ya está transformando también los mercados mundiales de deuda.

🧩 TSMC encarga a GlobalFoundries empaquetado avanzado por 2.000 millones. GlobalFoundries fabricará en Nueva York interposadores de silicio que conectan los procesadores con la memoria en los aceleradores de IA. La producción comenzará a aumentar en 2028 y aliviará uno de los principales cuellos de botella de la industria.

🔗 Upscale AI quiere conectar chips de distintos fabricantes. La startup respaldada por Nvidia lanza Token Fabric, una plataforma de hardware y software para integrar aceleradores de varios proveedores dentro del mismo centro de datos. La competencia entre chips dependerá también de que puedan compartir una red sin perder rendimiento.

🔬 ASML y Zeiss empiezan a diseñar la litografía posterior a High NA. Sus ingenieros describen Hyper NA, una posible máquina capaz de imprimir elementos un tercio menores que los equipos actuales. ASML ha iniciado el desarrollo, aunque todavía no ha decidido fabricarla y su llegada podría tardar una década.

🧠 Anthropic abarata Claude para las tareas de gran volumen. Claude Haiku 5.5 está orientado a clasificación, extracción de información, atención al cliente y aplicaciones de voz. Anthropic asegura que cuesta un 75 % menos que Haiku 4.5, una señal de que la siguiente batalla comercial será ejecutar millones de tareas con eficiencia.

🦋 Manus capta más de 500 millones tras separarse de Meta. Butterfly Effect vuelve a operar de forma independiente después de que Pekín obligara a deshacer su venta a Meta por más de 2.000 millones de dólares. Boyu e IDG lideran una ronda que mantiene al agente chino en la carrera global.

📱 Amazon abandona Fire OS para vender tabletas más caras. Las nuevas Alexa Tablet utilizan Android, integran Alexa+ y cuestan entre 230 y 550 dólares. Amazon confía en que su asistente generativo justifique el salto al segmento prémium, aunque utilizarlo exigirá una suscripción a Prime o Alexa+.

🌍 La IA eleva la previsión del comercio mundial. La OMC mejora del 1,9 % al 3,9 % su estimación de crecimiento del comercio de mercancías en 2026. Los productos relacionados con la IA aumentaron sus intercambios un 67 % y aportaron casi la mitad del crecimiento mundial durante el primer semestre.

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. Una biblioteca para aprender a llevarle la contraria a la IA La inteligencia artificial puede pensar contigo. El problema empieza cuando dejas que piense por ti. Y como la soberanía cognitiva no viene instalada de fábrica, aquí van cuatro libros para ejercitarla:

• The Glass Cage (Atrapados), de Nicholas Carr. Sobre cómo la automatización nos hace más eficientes mientras puede atrofiar las habilidades que necesitamos para supervisarla. Probablemente el más conectado con la edición de hoy.

• Pensar rápido, pensar despacio, de Daniel Kahneman. Para entender por qué nuestro cerebro acepta respuestas aparentemente convincentes sin cuestionarlas. Incluso cuando son incorrectas.

• El mundo y sus demonios, de Carl Sagan. Un manual de defensa intelectual contra las afirmaciones sin pruebas, los sesgos y las falsas certezas. Publicado mucho antes de ChatGPT. Más necesario que nunca.

• En defensa de la conversación (Reclaiming Conversation), de Sherry Turkle. Sobre cómo nuestra relación con la tecnología transforma la conversación, la empatía y nuestra capacidad de reflexión.

PD2. Aquí te dejo el primer sistema de supervisión humana que recuerdo. Mucho antes de ChatGPT, nuestras madres ya tenían su propio sistema de inteligencia artificial. Se llamaba zapatilla de estar por casa. No necesitaba algoritmos, ni GPUs, ni entrenamiento. Y tenía una precisión del 100 % a la hora de recordarte quién mandaba.

Pregunta, y respuesta.

Pero Anthropic acaba de publicar un experimento que apunta hacia algo bastante más interesante.

Claude ha participado en el descubrimiento de un nuevo sistema enzimático asociado a unas secuencias repetitivas de ADN con ciertas similitudes estructurales con CRISPR.

No sabemos todavía para qué sirve.

Y tampoco es eso lo importante hoy.

Lo interesante es cómo llegaron hasta allí.

Porque nadie preguntó a Claude: «¿Existe este sistema?»

Claude tuvo que encontrarlo.

El equipo de Anthropic planteó a Claude un problema abierto: “Explorar una enorme cantidad de información genómica buscando sistemas biológicos potencialmente interesantes.”

Y lo dejaron trabajar.

Cientos de agentes exploraron datos, compararon secuencias, buscaron patrones, consultaron literatura científica, descartaron candidatos y siguieron caminos que parecían prometedores.

Hasta que uno encontró algo raro.

Un patrón que no encajaba.

Y decidió tirar del hilo.

El cambio de guión fue que la IA no encontró una respuesta.

Encontró algo que merecía una pregunta.

Y es que un científico tiene algo muy escaso.

Tiempo.

No puede leer todos los papers.

No puede analizar todos los genomas.

No puede probar todas las combinaciones.

Y mucho menos puede seguir cada pequeña anomalía que aparece por el camino.

Un agente sí puede acercarse bastante más a eso.

Puede recorrer millones de elementos buscando excepciones.

Compararlos con literatura existente.

Descartar explicaciones conocidas.

Abrir diez caminos.

Cerrar nueve.

Y volver al décimo.

No porque sepa qué está buscando.

Precisamente porque está buscando algo que todavía no sabemos que existe.

Ese cambio me parece enorme.

Durante mucho tiempo hemos imaginado la IA científica como una especie de científico superinteligente al que hacer preguntas difíciles.

Quizá la imagen correcta sea otra.

Una legión de investigadores junior infinitamente pacientes recorriendo el territorio.

El proceso podría parecerse cada vez más a esto.

Y vuelta a empezar.

La IA puede acelerar muchísimo las primeras fases.

Pero hay una parte que sigue siendo extraordinariamente cara: preguntarle a la realidad.

Puedes generar 10.000 hipótesis en unas horas.

Probarlas experimentalmente sigue necesitando laboratorios, materiales, científicos, dinero y tiempo.

Así que el cuello de botella se mueve.

Food for thought

Desde que apareció ChatGPT hemos intentado medir la inteligencia artificial preguntándole cosas.

Cada benchmark contiene miles de preguntas y mide cuántas respuestas correctas consigue el modelo.

Tiene sentido.

Pero quizá estemos midiendo solo una parte de la inteligencia.

Porque conocer la respuesta a una pregunta difícil es impresionante.

Descubrir que existe una pregunta que nadie había formulado puede ser mucho más importante.

Durante siglos hemos llamado a eso curiosidad.

Ahora estamos intentando construirla.

Y si funciona, puede que la próxima gran contribución de la inteligencia artificial a la ciencia no sea responder algo que llevamos décadas intentando resolver.

Puede ser señalar una esquina del mapa y decir:

«No sé qué hay ahí.

Pero creo que deberíamos mirar».

🌍 El Eco del Mercado

⚡ Miles de instalaciones renovables europeas dejan sus controles expuestos. Investigadores neerlandeses han identificado 8.547 sistemas de parques solares y eólicos accesibles desde internet, con posible control completo en unos 181 emplazamientos. España encabeza la exposición solar europea con 2.766 sistemas.

🛡️ Anthropic abre sus modelos más potentes a más equipos de ciberseguridad. La compañía permitirá que profesionales acreditados utilicen Claude Opus 5.5, Sonnet 5.5 y Mythos 5.1 con menos restricciones. Sus colaboradores localizaron al menos 129.000 vulnerabilidades verificadas entre abril y julio, 33.000 de gravedad alta o crítica.

🗳️ La mayoría de los votantes estadounidenses reclama una regulación más estricta de la IA. Una encuesta de Reuters/Ipsos revela que el 57 % considera insuficiente la respuesta de la Administración Trump y el 84 % ve la IA como una amenaza para los trabajadores. El 56 % también apoya limitar la construcción de centros de datos.

💵 La regulación de la IA entra de lleno en la campaña electoral estadounidense. Guardrails Alliance invertirá 1,2 millones de dólares en campañas contra candidatos demócratas y republicanos respaldados por la industria. Es la primera vez que el grupo utiliza publicidad electoral para castigar directamente determinadas posiciones sobre la IA.

⚖️ Los tribunales deben decidir si ChatGPT es un producto o un servicio. Varias demandas atribuyen a defectos de diseño del chatbot daños relacionados con crisis de salud mental y episodios violentos. OpenAI sostiene que ChatGPT es un servicio interactivo, una distinción que puede determinar qué obligaciones legales tiene frente a sus usuarios.

💻 Microsoft y Nvidia llevan los agentes de IA hasta el portátil. El Surface Laptop Ultra utilizará chips RTX Spark para ejecutar tareas complejas sin depender continuamente de la nube. La apuesta podría trasladar computación desde Azure al dispositivo del cliente, aunque la escasez de memoria amenaza con encarecer considerablemente estos equipos.

🚀 SpaceX busca 40.000 millones para comprar chips de Nvidia. La compañía prepara una financiación formada por unos 10.000 millones de dólares en préstamos y 30.000 millones en deuda. La operación muestra cómo la carrera por la capacidad de IA está trasladándose desde el capital riesgo hacia los grandes mercados de crédito.

🏭 Musk quiere que Tesla y SpaceX construyan su propia fábrica de chips. Elon Musk asegura que sus compañías construirán y operarán Terafab, el complejo previsto en Texas para fabricar chips de IA. TSMC podría alquilar parte de las instalaciones e Intel afirma que continuará participando en el proyecto.

🧬 Estados Unidos y las grandes tecnológicas destinan 1.800 millones a datos biológicos. El Gobierno estadounidense, Biohub, Meta, Google DeepMind e Isomorphic Labs financiarán conjuntos de datos para entrenar modelos sobre la respuesta de las células a distintas alteraciones. Los datos terminarán siendo públicos, aunque las empresas financiadoras dispondrán de acceso anticipado.

🧪 Danaher prepara un laboratorio que diseñará y probará moléculas automáticamente. La instalación combinará IA, robótica e instrumentación para crear anticuerpos, ensayarlos y devolver los resultados al modelo. Danaher prevé ponerla en funcionamiento en 2027 y afirma que podría multiplicar por ocho la velocidad de descubrimiento.

💊 Las farmacéuticas comienzan a ensayar medicamentos en pacientes virtuales. Varias empresas utilizan simulaciones para predecir qué fármacos tienen más posibilidades de superar los estudios con personas. La tecnología podría reducir ensayos fallidos, pero todavía necesita validaciones prospectivas, datos representativos y aceptación regulatoria.

🌍 El FMI advierte de que una decepción con la IA podría provocar un shock global. Kristalina Georgieva señala que la inversión en IA podría superar, como proporción del PIB, las expansiones históricas del ferrocarril, la electricidad o las telecomunicaciones. La tecnología puede elevar el crecimiento mundial, pero la concentración de capital convierte unos resultados insuficientes en un riesgo macroeconómico.

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. 📚 Para aprender a encontrar preguntas Hoy no te recomiendo libros con respuestas. Te recomiendo libros sobre cómo encontrar mejores preguntas.

• A More Beautiful Question — Warren Berger. Por qué las buenas preguntas suelen ser el principio de la innovación. Muy alineado con la idea de hoy.

• The Structure of Scientific Revolutions — Thomas S. Kuhn. Los grandes saltos científicos ocurren cuando alguien empieza a cuestionar aquello que todos daban por sentado.

• The Beginning of Infinity — David Deutsch. Una defensa de nuestra capacidad para generar explicaciones y, sobre todo, descubrir nuevos problemas que todavía no sabemos resolver.

• The Black Swan — Nassim Nicholas Taleb. Porque muchas veces lo importante no está en confirmar lo que esperábamos encontrar, sino en prestar atención a la anomalía que no debería estar ahí.

PD2. 🛋️ Para encontrar mejores preguntas Para respuestas ya tenemos a la IA. Para las buenas preguntas todavía toca pensar. Y puestos a hacerlo, mejor reclinado a 160º, con masaje, calor lumbar y ocho motores. Sillón relax Trevi de Don Descanso.

La estamos usando demasiado.

No me refiero a que debamos dejar de utilizarla.

Todo lo contrario.

Me refiero a que hemos cogido una tecnología extraordinariamente sofisticada y hemos decidido utilizarla para absolutamente todo. Como si fuera un ataque de fuerza bruta.

Es como comprarte un Ferrari y utilizarlo para bajar a por el pan.

Durante los últimos años la carrera de la IA ha girado alrededor de una pregunta:

¿Cuál es el modelo más inteligente?

Pero la llegada de los agentes está empezando a introducir una pregunta bastante más interesante:

¿Qué inteligencia necesito para esta decisión?

Y eso puede cambiar bastante más de lo que parece.

Hace unas semanas apareció Jev.

Un modelo mucho más humilde, que los GPT, pero también basado en tranformers que hace algo mucho más rápido y barato: decide.

Le das información y una serie de opciones.

Y elige.

Me gusta una definición que apareció alrededor de su lanzamiento:

un if que entiende lo que lee.

Puede sonar poco revolucionario.

De hecho, cualquier ingeniero podría levantar la mano y decir:

—¿Eso existe desde hace treinta años.

Y tendría razón.

Los clasificadores no son nuevos.

La cuestión interesante es otra.

Muchas veces una tecnología no transforma una industria porque permita hacer algo completamente nuevo.

La transforma porque hace ridículamente barato algo que antes era caro.

Y aquí aparece una vieja conocida de la economía.

La paradoja de Jevons, de la que hablamos de ayer.

¿Qué ocurre cuando tomar una decisión inteligente cuesta prácticamente cero?

Probablemente no tomemos las mismas decisiones por menos dinero.

Probablemente empecemos a tomar millones de decisiones que antes ni siquiera merecía la pena automatizar.

El cambio importante puede no ser tener IA más inteligente.

Puede ser tener inteligencia suficientemente barata como para colocarla en todas partes.

Una tarea aparentemente sencilla puede generar decenas o centenares de pasos.

Por eso hay una paradoja curiosa.

Los modelos son cada vez más baratos.

Los tokens cuestan menos.

El hardware mejora.

Pero al mismo tiempo los sistemas utilizan muchísima más inteligencia.

La factura puede seguir aumentando.

Es la versión IA de Jevons.

Abaratas cada unidad.

Y consumes muchas más unidades.

Así que quizá la solución no sea únicamente conseguir que el mejor modelo sea más barato.

Puede ser algo bastante más sencillo: dejar de llamar al mejor modelo cuando no lo necesitas.

La pirámide de la inteligencia

Imagina una empresa como una pirámide.

Arriba hay pocas decisiones muy complejas.

Ahí probablemente quieras toda la inteligencia que puedas permitirte.

Pero según bajas por la pirámide aparecen millones de decisiones mucho más sencillas.

¿Tiene sentido utilizar exactamente la misma inteligencia para todo?

Seguramente no.

Y eso nos lleva hacia una arquitectura bastante diferente.

El modelo potente razona.

El modelo especializado decide.

El harness coordina.

El código ejecuta.

De repente el modelo deja de ser la aplicación.

Pasa a ser simplemente un componente de la aplicación.

Y eso me parece mucho más importante que otro benchmark anunciando una mejora del 3,7 %.

Y hay algo todavía más interesante.

Los modelos de decisión no solo pueden ayudarnos a reducir costes.

También pueden convertirse en mecanismos de control.

Antes de ejecutar una acción: ¿es segura?

Antes de enviar un email: ¿necesita revisión humana?

Antes de llamar a un modelo caro: ¿realmente hace falta?

Antes de continuar: ¿tenemos suficiente confianza?

Aquí aparece una idea que probablemente será fundamental en los agentes: la confianza debería determinar la autonomía.

Porque decir que un sistema devuelve una respuesta estructurada no significa que tenga razón.

Puede no inventarse una cuarta opción cuando solo existen tres.

Pero perfectamente puede elegir la opción equivocada.

La incertidumbre no desaparece.

Lo inteligente es hacer algo útil con ella.

Food for thought

Durante años hemos imaginado el futuro de la inteligencia artificial como una carrera hacia una máquina capaz de hacerlo todo.

Quizá ocurra.

Pero existe otro futuro bastante más interesante.

Uno formado por muchas inteligencias diferentes.

Unas capaces de razonar durante minutos.

Otras capaces de escribir.

Otras capaces de ver.

Otras capaces simplemente de decidir en milisegundos.

Y código tradicional haciendo aquello que lleva décadas haciendo perfectamente.

La revolución quizá no consista en encontrar un modelo capaz de hacerlo todo.

Consista en construir sistemas capaces de saber: qué debe hacer cada cosa.

Y con números que tengan sentido.

Eso suele ocurrir cuando una tecnología deja atrás el hype.

Y empieza, por fin, su etapa industrial.

🌍 El Eco del Mercado

🚨 OpenAI y Anthropic aceptan que las brechas de sus agentes deban notificarse. Ambas compañías apoyarían reglas obligatorias para comunicar los incidentes provocados por sus agentes. La propuesta llega después de que OpenAI tardara tres meses en informar al Gobierno australiano del acceso de uno de sus sistemas al principal portal sanitario del país.

🩹 Un parche sin aplicar expone los datos de miles de empleados del FBI. El FBI ha apartado a un contratista después de que una brecha revelara funciones, domicilios y expedientes médicos y psiquiátricos de sus trabajadores. Fuentes de Reuters identifican a Accenture como responsable de la plataforma y a Oracle PeopleSoft como el sistema que no fue actualizado a tiempo.

🇪🇺 Mistral combina un modelo abierto con capacidades cibernéticas avanzadas. Mistral Large 4 estará disponible públicamente el 27 de octubre, después de una fase de evaluación con expertos y autoridades. La compañía reconoce que el modelo intentó superar su entorno de pruebas, aunque asegura que consiguió contenerlo mediante software.

⚡ Google asegura 3,6 GW de electricidad durante dos décadas. El acuerdo con Constellation Energy incluye mejoras en once reactores nucleares para aportar 890 MW adicionales desde 2028 y otros 2.700 MW procedentes de distintas fuentes. Los centros de datos empiezan a contratar electricidad con los plazos y volúmenes propios de una gran industria.

🇪🇸 Aragón atrae 60.000 millones acelerando los permisos para centros de datos. Amazon, Microsoft y otros operadores proyectan inversiones durante la próxima década gracias a una tramitación que puede reducirse a menos de doce meses. El modelo gana velocidad, pero también provoca críticas por limitar el tiempo disponible para el escrutinio público y medioambiental.

💳 Wall Street moviliza 60.000 millones para financiar los chips de Anthropic. Bank of America, Citigroup y Morgan Stanley han empezado a distribuir un paquete de deuda destinado a financiar el alquiler de chips avanzados vinculados a Google y Broadcom. La operación muestra cómo la carrera de los modelos empieza a financiarse más como una gran infraestructura que como una empresa de software.

💰 DeepSeek supera los 12.000 millones en su segunda ronda de financiación. La compañía china habría recibido compromisos por más de 80.000 millones de yuanes, con Tencent y CATL entre los principales participantes. La captación, todavía no confirmada por DeepSeek, reforzaría su capacidad antes de una posible salida a bolsa en Shanghái.

🧠 AMD prepara un fuerte aumento del suministro de chips para 2027. Lisa Su afirma que la compañía ya planifica su capacidad con tres a cinco años de antelación y negocia con TSMC, Foxconn y fabricantes de memoria surcoreanos. Competir con Nvidia exige asegurar simultáneamente obleas, memoria, ensamblaje y capacidad industrial.

📈 Marvell eleva hasta 20.000 millones su previsión de ingresos para 2028. El fabricante aumenta en 2.000 millones de dólares la estimación publicada en agosto, apoyándose en la demanda de chips personalizados e interconexión para centros de datos. Son ingresos previstos a más de dos años, no ventas ya contratadas.

🧭 SAP compra TechWolf para saber qué trabajo puede transformar la IA. La empresa belga analiza datos de plantilla para identificar las habilidades y tareas disponibles dentro de una organización. Su tecnología será la base de las herramientas de SAP para planificar contratación, formación y reorganizaciones empresariales.

📊 El software estadounidense se recupera del miedo a ser sustituido por la IA. El índice sectorial del S&P 500 alcanza su nivel más alto desde noviembre de 2025 y las previsiones de crecimiento de beneficios mejoran. La IA todavía está vendiendo más software del que destruye, aunque la mayor disponibilidad de computación podría cambiar el equilibrio desde 2027.

💸 Tereina introduce pagos y stablecoins dentro del software de SAP. La empresa participada por SAP permite pagar a proveedores, empleados y filiales desde las propias aplicaciones corporativas, tanto en monedas tradicionales como en stablecoins. El ERP deja así de limitarse a registrar dónde está el dinero y empieza a convertirse en el lugar desde el que se mueve.

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

EXTRA: ⚡ 6 sitios donde Jev puede tener sentido

Jev no viene a sustituir al LLM. Viene a tomar decisiones rápidas y baratas alrededor de él.

1. Model routing → decidir si una petición necesita un modelo barato o uno más potente.

2. Guardrails → detectar riesgos o peticiones problemáticas antes de llegar al LLM.

3. Tool-call gating → permitir, pedir aprobación o bloquear una acción de un agente.

4. Reranking → puntuar contexto recuperado y enviar al LLM solo lo realmente relevante.

5. LLM evals → evaluar miles de respuestas sin utilizar otro modelo grande como juez.

6. Confidence gating → alta confianza, continúa; baja confianza, escala a humano o a otro modelo.

La idea es sencilla: no todas las decisiones necesitan el modelo más inteligente disponible.

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. Tres libros para seguir tirando del hilo.

• More from Less — Andrew McAfee. Tecnología, eficiencia y consumo de recursos. La gran pregunta de Jevons llevada al presente: cuando podemos hacer mucho más con mucho menos, ¿consumimos menos… o simplemente hacemos muchísimo más?

• Prediction Machines — Ajay Agrawal, Joshua Gans y Avi Goldfarb. Su tesis es brillante por sencilla: la IA reduce el coste de la predicción. Y cuando algo se vuelve barato, empezamos a utilizarlo en sitios donde antes ni siquiera compensaba. Sustituye predicción por decisión y estás muy cerca de lo que está ocurriendo ahora con la IA.

• The Technology Trap — Carl Benedikt Frey. Un recorrido histórico por cómo las grandes tecnologías cambian el trabajo, la productividad y la economía. Porque el verdadero impacto de una tecnología no suele aparecer cuando se inventa, sino cuando se vuelve suficientemente barata y accesible como para extenderse por todas partes.

PD2. De todos los robots que hay ahora mismo, hay uno del que sí me fío. El iRobot Roomba Plus. No razona. No me escribe emails. No intenta explicarme el sentido de la vida. Tiene una misión bastante clara: ver mierda en el suelo y acabar con ella.

Quizá estemos empezando a hacer algo mucho más importante.

Conseguir que la inteligencia sea barata.

Mira este gráfico, nos da una buena perspectiva de lo que está por venir.

Epoch AI acaba de intentar medir algo especialmente interesante: cuánto cuesta conseguir el mismo nivel de capacidad de un modelo a medida que pasa el tiempo.

¿Cuánto cuesta hoy comprar la misma cantidad de inteligencia que ayer?

La respuesta resulta difícil de asimilar.

Desde 2023, el coste de alcanzar un nivel determinado de rendimiento mediante IA ha caído aproximadamente un 47% cada trimestre.

Eso equivale a abaratarse alrededor de 13 veces cada año. Y cuando una capacidad acaba de aparecer en la frontera tecnológica, Epoch AI observa caídas todavía más violentas: alrededor de 75 veces al año.

Stanford ya había encontrado algo parecido: obtener mediante un modelo el rendimiento que GPT-3.5 alcanzaba en un conocido benchmark pasó de costar 20 dólares por millón de tokens en noviembre de 2022 a apenas 0,07 dólares en octubre de 2024. Más de 280 veces menos en unos 18 meses. No estamos simplemente haciendo máquinas más inteligentes.

Estamos industrializando algo que hasta hace muy poco era extraordinariamente caro: el trabajo cognitivo.

La primera reacción ante la IA ha sido utilizarla para ahorrar. Pero eso es pensar con la lógica del mundo anterior.

Porque cuando el precio de algo cae radicalmente, no nos limitamos a consumir la misma cantidad pagando menos.

Muchas veces empezamos a utilizarlo para cosas para las que antes ni siquiera se nos ocurría utilizarlo.

Y para entender lo que puede ocurrir con la IA tenemos que viajar hasta 1865.

El economista británico William Stanley Jevons observó algo aparentemente contradictorio durante la Revolución Industrial.

Las máquinas de vapor se estaban haciendo mucho más eficientes. Cada vez necesitaban menos carbón para producir la misma cantidad de trabajo. Lo lógico habría sido pensar: consumiremos menos carbón.

Pero… ocurrió lo contrario.

Al abaratarse el trabajo producido por el carbón, aparecieron más usos económicamente viables. La eficiencia terminó aumentando el consumo total del recurso.

Es lo que hoy conocemos como paradoja de Jevons. Y ya estamos observando algo parecido con la IA. Los tokens son cada vez más baratos, pero las empresas no están necesariamente gastando menos.

McKinsey cuenta que su propio consumo alcanzó aproximadamente cinco billones de tokens al mes en mayo de 2026. Y describe la siguiente oleada como especialmente relevante: agentes autónomos consumiendo inteligencia en nombre de los empleados, incluso cuando estos no están interactuando directamente con ellos.

La consultora habla explícitamente de la paradoja de Jevons al analizar la infraestructura necesaria para IA: modelos más eficientes abaratan el uso, aparecen nuevas aplicaciones y termina aumentando la demanda total de computación.

Y aquí aparece la pregunta interesante para las empresas.

¿Y si lo que estamos abaratando no fueran los tokens? ¿Y si lo que realmente estuviéramos abaratando fuese pensar?

Pensemos en cualquier compañía. Hasta ahora había una restricción fundamental. Pensar era caro.

Cada una de esas tareas consumía minutos u horas de una persona. Por eso las empresas decidían cuidadosamente qué merecía la pena analizar.

No revisamos todas las llamadas comerciales. Revisamos una muestra.

No creamos diez propuestas para cada cliente. Creamos una.

Pero si el coste marginal de hacer todo eso se aproxima a cero, ¿cómo hacemos lo mismo más barato? ¿qué haríamos si pudiéramos permitirnos hacerlo cien veces más?

Ahí empieza la verdadera transformación.

La IA no va a automatizar empleos

Automatiza tareas.

Durante décadas las empresas empaquetaron las tareas juntas y les pusieron un nombre: analista, abogado, comercial, programador, mánager,…

La IA empieza a romper ese paquete.

La propia OIT advierte que medir la exposición de una ocupación a la IA no equivale a predecir que ese empleo vaya a desaparecer. Lo que sí muestran los indicadores actuales es que la exposición se está desplazando hacia trabajos cognitivos, analíticos, administrativos y directivos.

Anthropic encuentra algo parecido en el uso real de Claude: la cobertura efectiva de tareas sigue estando bastante por debajo de lo técnicamente posible y, por ahora, no encuentra un aumento sistemático del desempleo en las ocupaciones más expuestas. Sí detecta una señal que merece atención: una ralentización de la contratación de trabajadores jóvenes en esas ocupaciones.

No necesitas eliminar una profesión para transformar su economía. Basta con alterar radicalmente el precio de las tareas que la componen.

Y con ello cambian las empresas, tal y como las conocemos. Creo que esta es una de las consecuencias menos comprendidas de la IA.

No consiste simplemente en: misma organización + empleados más productivos. Si la caída del coste continúa, empezaremos a cuestionar la propia arquitectura de las organizaciones.

La unidad económica empieza a cambiar empleados por tokens. Pero que una tarea se abarate no significa necesariamente que vayamos a hacer menos de ella.

McKinsey estima precisamente que una reducción de diez veces en el coste de inferencia puede llevar la IA empresarial desde casos de uso de alto valor y baja frecuencia hasta procesos cotidianos; reducciones mayores harían viables aplicaciones de gran volumen que hoy no salen económicamente.

Por eso no estoy seguro de que el futuro sea simplemente una empresa haciendo lo mismo con muchas menos personas.

Puede ser algo bastante más extraño: empresas haciendo cien veces más trabajo cognitivo con organizaciones completamente diferentes.

Y finalmente llegamos a nosotros.

Supongamos, solo como experimento mental, que mañana una IA puede hacer el 80% de tu trabajo.

Tu problema no es necesariamente que vaya a quitarte el empleo.

Tu problema es explicar, por qué el 20% restante vale tu sueldo.

Y esta quizá sea una de las cosas que peor sabemos hacer los profesionales.

Vendernos.

Durante años no tuvimos que explicar demasiado bien nuestro valor porque estaba mezclado con nuestra capacidad de ejecutar.

Pero cuando la ejecución se abarata, queda algo mucho más difícil de enseñar en una hoja de Excel.

Saber qué analizar.

Hacer la pregunta que nadie había hecho.

Detectar que una respuesta aparentemente correcta es incorrecta.

Convencer a un cliente.

Crear confianza.

Tener criterio.

Y ahí volvemos, casi sin querer, al punto en el que lo dejamos.

La ejecución se está volviendo abundante. El criterio todavía no.

🌍 El Eco del Mercado

⚖️ Altman sostiene que los beneficios de la IA justifican aceptar algunos daños. El consejero delegado de OpenAI defiende una regulación ligera y un acceso amplio, aunque impliquen fraudes, usos indebidos o incidentes de seguridad. Su postura abre una pregunta política decisiva: quién puede declarar tolerable un daño y quién tendrá que soportarlo.

🏛️ La alarma interna de Anthropic llegará al Ayuntamiento de Nueva York. El antiguo investigador Jacob Coxon comparecerá en una audiencia municipal sobre seguridad de la IA, según Bloomberg. Sus advertencias pasarían así de una dimisión pública a un procedimiento político con registro y posibles consecuencias regulatorias.

👓 Noruega prepara restricciones para las gafas con IA. El Gobierno propondrá prohibir temporalmente estos dispositivos en centros educativos, consultas médicas, piscinas, vestuarios y determinados espacios públicos. La regulación pretende actuar sobre la captura de imágenes y sonido, antes de que esos datos puedan almacenarse, analizarse o utilizarse para identificar a alguien.

🎙️ Meloni intenta registrar su voz frente a los deepfakes. La primera ministra italiana ha solicitado a la EUIPO registrar como marca una grabación de cuatro segundos de su voz. La protección no impediría automáticamente las imitaciones, pero añadiría una vía jurídica frente a determinados usos engañosos o comerciales.

🏦 Corea del Sur investiga ataques bancarios posiblemente automatizados con IA. Las autoridades analizan una brecha en Shinhan Bank y otros incidentes que afectan a Kookmin y Hana Bank. La utilización de herramientas autónomas no está confirmada, pero el caso muestra cómo un atacante podría encadenar técnicas conocidas contra varias entidades antes de que la primera comprenda lo ocurrido.

🐛 Google suspende recompensas tras recibir una avalancha de fallos inventados por IA. La compañía deja de aceptar temporalmente informes sobre vulnerabilidades en sus proyectos de código abierto porque la mayoría de los envíos automatizados carecen de validez. La IA puede encontrar fallos, pero también elevar tanto el coste de separar hallazgos reales del ruido que termine debilitando la divulgación responsable.

🚨 Citrix vuelve a parchear NetScaler por una vulnerabilidad ya explotada. La compañía publica actualizaciones de emergencia para CVE-2026-88779, un fallo que afecta a dispositivos configurados con autenticación SAML. CISA confirma su explotación y obliga a las agencias federales estadounidenses a mitigarlo antes del 7 de octubre.

🤝 Huawei y Qualcomm firman una tregua de patentes sobre IA y 5G. El acuerdo plurianual cubre inteligencia artificial, computación, redes y, por primera vez entre ambas compañías, tecnologías 5G. Las restricciones comerciales pueden impedir vender determinados chips, pero no eliminan la interdependencia intelectual entre Estados Unidos y China.

⚔️ Qualcomm intenta dejar de pagar miles de millones en regalías a Arm. Un juicio en Delaware examina la acusación de que Arm retuvo herramientas de prueba y perjudicó una negociación de Qualcomm con Meta. El conflicto refleja la tensión que aparece cuando el proveedor de una arquitectura deja de limitarse a vender los planos y empieza a competir con sus propios clientes.

🏭 Foxconn convierte la demanda de IA en un trimestre récord. Sus ingresos aumentaron un 47 %, hasta 3,03 billones de dólares taiwaneses, impulsados especialmente por productos cloud y de red. La demanda de infraestructura deja así de ser una promesa futura y comienza a aparecer en las cuentas de quien ensambla físicamente los servidores.

📡 Deutsche Telekom pone cifra al ahorro empresarial de la IA. La operadora espera reducir unos 2.500 millones de euros de costes indirectos hasta 2030 mediante automatización, atención al cliente y anticipación de picos de tráfico. La previsión aterriza la reflexión de hoy: el valor de la IA no reside en cuánto trabajo promete automatizar, sino en cuánto ahorro permanece después de pagar por implantarla.

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. Para seguir tirando del hilo. Si la paradoja de Jevons te ha dejado pensando, aquí tienes tres libros para continuar:

• The Coal Question — William Stanley Jevons. El original. En 1865 Jevons observó que hacer más eficientes las máquinas de vapor no reducía el consumo de carbón: lo hacía más atractivo y terminábamos consumiendo más. Casi 160 años después, cambia carbón por tokens y vuelve a leerlo.

• The Jevons Paradox and the Myth of Resource Efficiency Improvements — John M. Polimeni et al. La versión moderna y más académica. Explica por qué ser más eficientes no implica necesariamente consumir menos. Justo la paradoja que puede convertir modelos mucho más baratos en muchísimo más cómputo.

• More from Less — Andrew McAfee. Más accesible y con una visión diferente. Tecnología, eficiencia y crecimiento económico pueden permitirnos producir mucho más utilizando proporcionalmente menos recursos. Un buen contrapunto a Jevons.

PD2. La paradoja de Jevons, pero con dibujos. Una HUION HS610 hace que dibujar sea más fácil, rápido y barato. ¿El resultado? No dibujas menos. Dibujas más. Más bocetos. Más pruebas. Más ideas que antes ni habrías intentado. Jevons estaría orgulloso. O preocupado.

Por eso resulta interesante leerle ahora.

No porque haya cambiado de opinión sobre la inteligencia artificial.

Sigue pensando que puede ayudarnos a curar enfermedades, mejorar la educación, aumentar la productividad y resolver algunos de nuestros mayores problemas.

Lo interesante es otra cosa.

Gates empieza a hacerse una pregunta que durante los primeros años de la IA generativa apenas nos hacíamos:

¿Y si la tecnología avanza más rápido de lo que nuestra sociedad es capaz de absorberla?

Porque quizá ese sea el verdadero problema.

No la inteligencia artificial.

La velocidad.

Piénsalo.

Nuestros colegios siguen funcionando con una estructura creada para otro siglo.

Una universidad puede tardar años en modificar las asignaturas de un grado.

Una ley puede necesitar años para redactarse, negociarse y aprobarse.

Una empresa diseña planes estratégicos a tres o cinco años.

Nuestros sistemas de protección social fueron construidos alrededor de carreras profesionales relativamente predecibles.

Y mientras tanto, un modelo de inteligencia artificial puede cambiar sustancialmente entre dos reuniones de un consejo de administración.

Ahí está la fricción.

No entre humanos y máquinas.

Entre dos velocidades.

Una tecnología que acelera.

Y unas instituciones que necesitan consenso, procedimientos, presupuestos, leyes, elecciones, planes de estudio y tiempo.

Mucho tiempo.

Nunca habíamos vivido algo así.

¿O sí?

Esta frase aparece cada vez que llega una nueva tecnología.

Y casi siempre envejece mal.

La máquina de vapor también destruyó profesiones.

La electricidad transformó industrias enteras.

El automóvil acabó con buena parte de la economía que existía alrededor del caballo.

Internet hizo desaparecer empresas, profesiones y modelos de negocio mientras creaba otros completamente nuevos.

La historia de la tecnología es, en buena medida, la historia de destruir una forma de hacer las cosas para construir otra.

Así que quizá deberíamos desconfiar un poco cuando alguien dice: «Esta vez es diferente».

Aunque hay un pequeño problema.

Puede que esta vez haya algo diferente.

No necesariamente la magnitud del cambio.

Su velocidad.

La revolución industrial necesitó décadas para extenderse.

Internet tardó años en entrar en todas las empresas y hogares.

ChatGPT necesitó semanas para llegar a cien millones de usuarios.

Y lo que hace dos años parecía ciencia ficción hoy aparece integrado en el correo electrónico, el navegador, el teléfono, el procesador de textos o el entorno de programación.

Puede que hayamos vivido cambios tecnológicos igual de profundos.

Lo que no está tan claro es que hayamos tenido que absorberlos a esta velocidad.

El problema no es dónde terminaremos

Cuando hablamos de inteligencia artificial y empleo solemos hacernos la misma pregunta: ¿Cuántos trabajos desaparecerán?

Probablemente sea la pregunta equivocada.

Porque nadie lo sabe.

Habrá trabajos que desaparezcan.

Otros cambiarán.

Y aparecerán profesiones que hoy ni siquiera sabemos nombrar.

Ha ocurrido antes.

Seguramente volverá a ocurrir.

Pero existe una pregunta bastante más interesante.

¿Cuánto tiempo tendremos para adaptarnos?

Imagina que dentro de veinte años la economía ha encontrado un nuevo equilibrio.

Han aparecido nuevas profesiones.

La productividad se ha disparado.

Trabajamos menos horas.

Y existen tareas que hoy consideramos imprescindibles que ya nadie realiza.

Fantástico.

Ahora volvamos a 2027.

A 2028.

A 2029.

¿Qué ocurre con alguien cuya profesión cambia en dieciocho meses?

¿Qué ocurre con una universidad que necesita cuatro años para formar a una persona en una habilidad que puede haber perdido parte de su valor antes de que termine la carrera?

¿Qué ocurre con los trabajadores que necesitan reconvertirse mientras siguen pagando una hipoteca?

¿Qué ocurre con los jóvenes cuyos primeros empleos eran precisamente aquellos trabajos junior que más fácilmente podemos automatizar?

Ese es el problema de las transiciones.

Sabemos hablar muy bien del destino.

Bastante peor del trayecto.

La economía probablemente encontrará un nuevo equilibrio.

La pregunta es qué le ocurre a una generación mientras lo encuentra.

Y después está el colegio

Aquí es donde la conversación se vuelve todavía más interesante.

Porque quizá estemos preocupándonos demasiado por si la IA hará nuestro trabajo y demasiado poco por lo que puede hacer con nuestra capacidad para pensar.

Durante siglos hemos construido máquinas para externalizar capacidades humanas.

Primero externalizamos fuerza física.

Después memoria.

La calculadora externalizó parte del cálculo.

Google externalizó buena parte de la búsqueda de información.

El GPS externalizó la orientación.

Y ahora estamos empezando a externalizar algo diferente.

Escribir.

Analizar.

Programar.

Pensar.

La calculadora no es el problema

Nadie piensa que deberíamos prohibir las calculadoras.

Pero tampoco solemos entregar una calculadora a un niño antes de enseñarle qué significa sumar.

Primero construimos la capacidad.

Después utilizamos la herramienta para multiplicarla.

Con la inteligencia artificial corremos el riesgo de invertir el orden.

Un estudiante puede pedirle a una IA que redacte un ensayo.

Que resuma un libro que no ha leído.

Que resuelva un problema que no ha entendido.

Que prepare una argumentación que nunca ha construido.

Que le diga qué pensar sobre un asunto que ni siquiera ha investigado.

El resultado puede ser impecable.

Ese es precisamente el problema.

Porque quizá confundamos dos cosas completamente diferentes:

obtener una buena respuesta

y

haber aprendido a llegar hasta ella.

No son lo mismo.

Y probablemente nunca lo hayan sido.

La fricción también educa

Nos hemos acostumbrado a pensar que toda fricción es mala.

Menos clics.

Menos esperas.

Menos pasos.

Más rápido.

Más sencillo.

Más cómodo.

Es la lógica que ha dominado buena parte de la tecnología durante décadas.

Pero aprender funciona de otra manera.

Aprender requiere equivocarse.

Volver atrás.

No entender algo.

Intentarlo otra vez.

Buscar.

Comparar.

Dudar.

Cambiar de opinión.

Hay una enorme cantidad de aprendizaje escondido precisamente en esa fricción.

Y quizá estemos construyendo la máquina más poderosa de la historia para eliminarla.

Ese puede ser uno de los grandes retos educativos de esta década: aprender a utilizar una herramienta que piensa sin dejar de aprender a pensar.

Porque saber utilizar inteligencia artificial será imprescindible.

Pero saber cuándo desconfiar de ella probablemente sea todavía más importante.

Food for thought

Quizá por eso el ensayo de Gates resulta interesante.

No porque tenga las respuestas.

Precisamente porque reconoce que todavía no las tenemos.

Nuestros colegios fueron diseñados para transmitir conocimiento.

Nuestras universidades, para certificar determinadas habilidades.

Nuestros trabajos, para recompensarlas.

Nuestras empresas, para organizar a las personas que las utilizan.

Y nuestros gobiernos, para administrar una sociedad construida alrededor de todo lo anterior.

La inteligencia artificial está empezando a cuestionar muchas de esas premisas al mismo tiempo.

No necesitamos entrar en pánico.

Tampoco parece especialmente inteligente mirar hacia otro lado.

Porque puede que la gran carrera de los próximos años no sea entre OpenAI, Google, Anthropic, Meta o quien consiga construir el modelo más inteligente.

Puede que exista otra competición mucho más importante.

La carrera entre la velocidad a la que somos capaces de crear nuevas tecnologías y la velocidad a la que somos capaces de adaptar nuestra sociedad a ellas.

Y de momento hay un competidor que lleva bastante ventaja.

La tecnología.

El problema de la IA quizá no sea que no sepamos hacia dónde va.

Es algo mucho más incómodo.

Que todavía no tenemos un plan para cuando llegue.

🌍 El Eco del Mercado

🚨 OpenAI avisa a más de cien organizaciones por actividades no autorizadas de sus agentes. La compañía revisa unos 50 petabytes de registros para determinar el alcance de los incidentes, entre los que el ataque a Hugging Face continúa siendo el más grave. El número no implica que todas las organizaciones fueran comprometidas, pero revela una actividad mucho más extensa de lo conocido.

⚖️ California obliga a OpenAI a responder por sus riesgos de ciberseguridad. El fiscal general Rob Bonta ha citado a la compañía para obtener información adicional sobre los incidentes protagonizados por sus modelos. Todavía no existe una acusación formal, pero California advierte de que un desarrollador podría responder si su tecnología facilita ataques.

🏛️ Trump prepara un nuevo responsable político para la IA. El presidente estadounidense prevé nombrar al director de Inteligencia Nacional, Jay Clayton, como coordinador de IA de la Administración, según CNN. La posible acumulación de ambas funciones acercaría la política tecnológica a las prioridades de seguridad nacional y a la rivalidad con China.

🏦 Anthropic admite que perder el favor del Gobierno puede alejar también a sus clientes. El folleto de su futura OPV señala que las decisiones y percepciones gubernamentales pueden afectar a socios, empleados y clientes privados, aunque los contratos públicos representen menos del 1 % de sus ingresos. La confianza del Estado empieza a funcionar como una credencial para todo el negocio.

👩‍⚖️ California prohíbe a los abogados delegar su criterio en una IA. Una nueva ley obliga a verificar personalmente las citas y afirmaciones generadas por estos sistemas, corregir alucinaciones y revelar su uso en documentos judiciales. También protege la información confidencial y prohíbe a los árbitros delegar decisiones.

💳 Amazon intenta sacar 8.000 millones en chips de Nvidia de su balance. La compañía negocia transferir miles de procesadores Grace Blackwell a un vehículo financiado por inversores para alquilarlos posteriormente. La fórmula conservaría la capacidad informática mientras desplaza parte del coste y el riesgo financiero a otro balance.

🏘️ Amazon destina 1.000 millones a las comunidades que alojan sus centros de datos. AWS invertirá durante cinco años en formación, empleo, asequibilidad energética y conservación de agua en las zonas estadounidenses donde opera. El compromiso responde a la creciente oposición local y a más de cien posibles moratorias contra estas instalaciones.

🇨🇳 Estados Unidos acusa a un empresario de enviar servidores controlados a China. El Departamento de Justicia sostiene que exportó servidores con GPU estadounidenses valorados en más de 300 millones de dólares a través de Malasia y Singapur. Las acusaciones muestran la dificultad de controlar los chips cuando pueden viajar integrados en sistemas completos mediante terceros países.

🇪🇺 Bull duplica su producción de superordenadores, pero Europa continúa sin memoria propia. La empresa francesa amplía su fábrica de Angers de seis a doce racks mensuales y afirma que los componentes europeos ya representan el 70 % de sus máquinas. Sin embargo, la memoria sigue dependiendo de Samsung, SK Hynix y Micron, que concentran más del 90 % de la producción mundial.

💶 Las empresas europeas financian la IA con su propia caja. El 72 % de las compañías de la eurozona prevé utilizar beneficios retenidos o flujo de caja para sus inversiones, frente al 16 % que recurrirá a préstamos bancarios. Esta dependencia de recursos propios puede limitar la escala y favorecer a las empresas que ya son rentables.

🧩 Synopsys convierte el diseño de chips en un negocio compartido con OpenAI y AWS. La compañía compartirá ingresos con OpenAI por un modelo especializado y ha firmado con AWS un acuerdo plurianual de más de 1.000 millones de dólares para licenciar propiedad intelectual. El auge de los chips personalizados amplía también el valor del software empleado para diseñarlos.

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. Tres libros para seguir tirando del hilo:

• Poder y Progreso — Daron Acemoglu y Simon Johnson. La tecnología no reparte sus beneficios automáticamente. Depende de las decisiones que tomemos sobre cómo introducirla en la economía y quién se queda con las ganancias de productividad. Probablemente el que mejor encaja con la edición de hoy.

• La Ola que Viene — Mustafa Suleyman. Durante siglos hemos construido instituciones capaces de controlar tecnologías poderosas. Suleyman plantea una pregunta incómoda: ¿qué ocurre cuando la velocidad y la capacidad de difusión de una tecnología superan nuestra capacidad para contenerla?

• Superficiales — Nicholas Carr. Se publicó mucho antes de ChatGPT, pero quizá sea todavía más relevante ahora. Carr analiza cómo las herramientas que utilizamos para pensar terminan modificando nuestra propia forma de pensar.

PD2. Haz algo despacio. Quizas tú también crees que todo va demasiado rápido. La IA también. Por eso, de vez en cuando, conviene hacer justo lo contrario. 🍝 Hazte tu propia pasta en casa.

En 1997 internet era todavía un lugar extraño. Yo mismo no ostentaba mi mayoría de edad, y vivía un tanto inconsciente de la complejidad de ir haciñendose mayor.

Google no existía. Tampoco Facebook, YouTube, el iPhone, Bitcoin, Instagram, WhatsApp, ChatGPT o la nube tal y como hoy la entendemos.

Sin embargo, Amazon ya vendía libros por internet, y solo unos pocos frikis los compraban.

Eso de conectarse a internet significaba escuchar los chirridos de un módem durante unos cuantos segundos.

Ese año James Dale Davidson y William Rees-Mogg publicaron El Individuo Soberano.

Su tesis era provocadora: internet no iba a ser simplemente una nueva tecnología. Iba a cambiar la distribución del poder.

Durante siglos, la geografía había determinado buena parte de nuestra vida.

Dónde trabajábamos.
Dónde pagábamos impuestos.
Con quién comerciábamos.
Qué moneda utilizábamos.
A qué leyes estábamos sometidos.

Pero Davidson y Rees-Mogg entendieron algo importante: el coste de mover y comerciar con la información estaba acercándose a cero.

Y cuando cambia radicalmente el coste de algo, empiezan a cambiar las instituciones construidas alrededor de su escasez.

Por eso imaginaron trabajadores capaces de vender su conocimiento en cualquier lugar del mundo. Capital moviéndose electrónicamente entre jurisdicciones. Comunidades organizadas alrededor de intereses y no de fronteras. Y una economía digital cada vez más difícil de controlar territorialmente.

Incluso hablaron de dinero criptográfico para realizar transacciones por internet. Como bien sabes, Bitcoin aparecería once años después.

No acertaron en todo.

Pero entendieron una fuerza tecnológica fundamental antes que la mayoría.

Y eso hace interesante recuperar el libro casi treinta años después.

No para comprobar cuánto acertaron.

Sino para intentar repetir su experimento.

Porque si Davidson y Rees-Mogg estuvieran escribiendo El Individuo Soberano en 2026... ¿qué intentarían imaginar sobre 2050?

Quizá el gran mérito de El Individuo Soberano no fueron sus predicciones.

Fue la pregunta que había detrás de ellas.

¿Qué ocurre cuando algo que antes era escaso deja de serlo?

En los noventa aquello era la información.

Crear, almacenar y distribuir información había sido históricamente caro.

Internet destruyó ese coste.

Y de aquella transformación surgieron Google, Wikipedia, YouTube, las redes sociales, el comercio electrónico, el software como servicio, el trabajo remoto y buena parte de la economía digital.

Pero ahora estamos empezando otra transición. Esta vez no estamos reduciendo solamente el coste de mover información. Estamos reduciendo el coste de algo potencialmente mucho más importante.

La inteligencia.

Razonar, programar, traducir, diseñar,...

Durante toda la historia humana esas capacidades estuvieron ligadas inevitablemente a personas.

Por primera vez estamos empezando a separarlas. Y quizá las consecuencias sean mucho mayores de lo que imaginamos.

Así que hagamos el mismo ejercicio. Estamos en 2026, cerremos los ojos y pensemos en 2050.

1. Del dinero electrónico al dinero programable

Davidson y Rees-Mogg imaginaron cybercash.

Después llegaron PayPal, Bitcoin, Ethereum, stablecoins, CBDC, depósitos tokenizados y una industria entera intentando convertir dinero y activos en software.

Pero probablemente todavía estemos al principio. Porque digitalizar dinero no significa simplemente sustituir billetes por números en una pantalla.

Significa convertir el dinero en algo programable.

Pagos condicionados, o incluso nóminas con fecha de caducidad.

Contratos que se ejecutan automáticamente.

Micropagos entre máquinas.

Activos que se liquidan instantáneamente.

Internet permitió mover información globalmente.

La siguiente infraestructura podría permitir mover valor de la misma manera.

2. Del individuo soberano al individuo cíborg

Aquí Davidson y Rees-Mogg quizá se quedaron cortos. Imaginaron individuos extraordinariamente productivos gracias a los ordenadores. Pero mantuvieron una frontera bastante clara: por un lado estaba el humano. Por otro, la máquina.

Esa frontera empieza a difuminarse.

Primero llevamos el ordenador sobre una mesa.

Después en el bolsillo.

Ahora empezamos a llevarlo puesto. Gafas, auriculares, relojes intelgentes,...

Y ya estamos experimentando con interfaces cerebro-máquina capaces de interpretar señales neuronales.

Pero quizá el verdadero salto no sea físico. Será cognitivo.

Imaginemos una persona dentro de veinte años acompañada permanentemente por decenas o cientos de agentes, pero no como los imaginamos ahora, imaginemos algo más parecido a la película de El Chip Prodigioso.

En algún momento dejará de tener demasiado sentido hablar de la productividad, la empleabilidad o incluso de su salud de las personas.

Tendremos que hablar de la eficiencia de los sistema de los que formaremos parte: humano + IA + agentes + memoria + herramientas.

Y después llegará la siguiente frontera.

Implantes, prótesis cognitivas, interfaces neuronales, qué más podemos ni imaginar en estos momentos.

Sistemas capaces de interpretar nuestras intenciones antes incluso de que las verbalicemos. Segundos sistemas nerviosos, capaces de darnos instinto aumentado o percepción aumentada. ¿Las mentiras dejarán de existir?

Entonces la pregunta dejará de ser qué puede hacer una IA por nosotros.

Será otra mucho más extraña: ¿dónde termina el individuo y empieza la máquina?

Si una parte de mi memoria está fuera de mi cerebro, ¿sigue siendo mi memoria?

Si un sistema me recuerda continuamente qué debo hacer, ¿las decisiones siguen siendo mías?

¿Y si puede anticipar lo que quiero antes de que yo mismo sea consciente de quererlo?

Davidson y Rees-Mogg imaginaron al individuo liberado por la máquina.

3. De tener empleados a tener inteligencia

Esta transformación podría cambiar también nuestra idea de empresa. Durante la Revolución Industrial, crecer significaba contratar personas. Una fábrica necesitaba cientos o miles de trabajadores.

Después llegó el software y aparecieron compañías capaces de facturar cantidades enormes con plantillas mucho menores. La IA podría llevar esa tendencia mucho más lejos.

Ya hemos empezado a hablar de las empresas fundadas y “mantenidas” por una sola persona. Todo gracias al fenómeno de la IA agéntica, o mejor dicho a la escal que nos da la IA Generativa.

No estamos hablando simplemente de automatización.

Estamos hablando de organizaciones donde la mayoría del trabajo intelectual no lo realizan humanos. Eso podría producir algo extraordinario, personas individuales con capacidades económicas que antes solo tenían las grandes empresas.

El individuo soberano podría convertirse en algo parecido a una pequeña multinacional.

Una persona.

Capital.

Y… ¿computación?

4. De la identidad nacional a la identidad digital

Durante siglos nuestra identidad ha dependido fundamentalmente del Estado.

Un DNI, un pasaporte, una nacionalidad.

Pero nuestra vida digital empieza a necesitar otra cosa.

Credenciales, reputación, permisos. Pruebas criptográficas. Capacidad de demostrar algo sobre nosotros sin necesariamente revelar quiénes somos.

En 2050 podríamos llevar una cartera digital con cientos de credenciales. Formación, una prueba de reputación profesional. Permisos delegados a nuestros agentes.

Quizá incluso diferentes identidades para diferentes contextos.

Y entonces aparecerá otra tensión.

¿Quién certifica quién eres?

¿El Estado?

¿Una universidad?

¿Una empresa?

¿Una comunidad?

¿Una red criptográfica?

¿Tú mismo?

5. De la soberanía territorial a la soberanía computacional

Hay otra cosa que El Individuo Soberano difícilmente podía anticipar. El poder del siglo XXI no depende únicamente de controlar territorio.

También depende de controlar: chips, energía, datos, modelos, redes y computación, mucha computación.

Un país puede disponer de territorio, población y recursos y, sin embargo, depender tecnológicamente de infraestructuras construidas en otro lugar. Y lo mismo puede ocurrirle a una empresa. O a una persona.

Por eso quizá estemos entrando en la era de la soberanía computacional.

Quién puede ejecutar inteligencia, tendrá una ventaja sobre el resto.

Y, sobre todo, quién puede apagarla.

Durante años repetimos que los datos eran el nuevo petróleo. Quizá nos equivocamos.

6. La propiedad más importante: tú

Pero todavía queda una soberanía más profunda.

Tu memoria.

Tus fotografías.

Tus conversaciones.

Tus búsquedas.

Tus compras.

Tus relaciones.

Tus decisiones.

Tus errores.

Tus conocimientos.

Tus preferencias.

Tus movimientos.

Todo aquello que, acumulado durante décadas, describe quién eres. Hasta ahora esos datos servían fundamentalmente para clasificarnos.

Publicidad.

Recomendaciones.

Scoring.

Pero la inteligencia artificial introduce una posibilidad diferente. Que esos datos permitan reconstruirnos.

Un modelo que conozca treinta años de nuestras conversaciones podría saber cómo escribimos, cómo pensamos, qué nos preocupa y cómo solemos decidir.

Entonces la pregunta sobre soberanía deja de ser solamente política o económica.

Se convierte en algo mucho más íntimo: ¿quién posee tu gemelo cognitivo?

7. La soberanía de la atención

Y todavía nos queda algo que apenas hemos empezado a considerar como propiedad. Nuestra atención.

El Estado tradicional podía regular nuestros actos. Las plataformas digitales aprendieron a capturar nuestra atención. La inteligencia artificial podría dar un paso más. Podría mediar nuestras decisiones.

Pero a lo mejor llega una día, que antes de ir a la cama, un poco de cordura en mitad del caos del 2050 surja para hacerte la pregunta: ¿cuántas de las decisiones que he tomado hoy han sido realmente mías?

El último individuo soberano

Y aquí nuestra historia da la vuelta.

Porque llevamos todo el artículo imaginando cómo la tecnología podría aumentar el poder del individuo.

Más inteligencia.

Más información.

Más capacidad económica.

Más agentes.

Más memoria.

Más conectividad.

Más capacidad para actuar.

Hasta que llegamos a 2050.

Y descubrimos una sociedad completamente conectada.

Quizá ya ni siquiera llevemos móviles.

No harán falta.

La computación estará en todas partes.

Todo nos conocerá.

Todo intentará ayudarnos.

Todo será increíblemente cómodo.

Y entonces podría aparecer una nueva contracultura.

Personas diciendo: «No quiero estar aumentado.»

Comunidades sin cámaras.

Restaurantes donde no existen dispositivos.

Escuelas sin asistentes de IA.

Casas desconectadas, sin acceso a internet, si sigue existiendo

Lugares donde ningún algoritmo sabe quién eres.

Personas recuperando algo que nuestros abuelos ni siquiera sabían que tenían.

Anonimato.

Poder caminar por una calle sin generar datos.

Poder equivocarte sin dejar registro.

Poder mantener una conversación que nadie pueda recuperar.

Poder aburrirte.

Poder perderte.

Poder desaparecer.

Lo que para nuestros abuelos era simplemente vida cotidiana podría convertirse en uno de los grandes lujos de 2050.

Pastilla roja, pastilla azul.

Y así llegamos a dos posibles individuos soberanos.

El primero es Homo augmentatus. Un humano del futuro, con IA, implantes.

El segundo es justo lo contrario.

El individuo desconectado. Con privacidad, anonimato, silencio, capacidad de atención. Ningún algoritmo observando permanentemente su vida.

Uno ha alcanzado la soberanía utilizando toda la tecnología disponible.

El otro intenta alcanzarla renunciando a ella.

Entonces aparece la pregunta más interesante de todas, ¿cuál de los dos es realmente libre?

Quizá ambos. Porque probablemente hayamos estado utilizando una definición equivocada de soberanía.

Ser soberano no significa vivir desconectado.

Tampoco significa utilizar toda la tecnología disponible.

Significa algo mucho más difícil: tener capacidad real para elegir.

Elegir cuándo conectarte.

Elegir qué compartes.

Elegir quién puede conocerte.

Elegir qué decisiones delegas.

Elegir qué parte de tu memoria externalizas.

Elegir cuándo una IA puede intervenir en tu vida.

Y, sobre todo, poder decir que no.

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

Food for thought

Hace casi treinta años, Davidson y Rees-Mogg imaginaron que internet permitiría al individuo escapar de algunas de las instituciones construidas durante la era industrial.

Acertaron en algo fundamental.

Cuando cambia la tecnología que permite mover información, cambia también dónde reside el poder.

Ahora tenemos delante una transformación potencialmente mayor.

Porque ya no estamos abaratando solamente la información.

Estamos abaratando la inteligencia.

Y eso podría transformar empresas, dinero, Estados, educación, trabajo, identidad y, finalmente, nuestra propia definición de individuo.

Quizá dentro de veinticinco años alguien encuentre este artículo y sonría ante nuestras ingenuas predicciones. O quizá alguna resulte inquietantemente familiar.

Pero hay una pregunta que merece la pena hacerse ahora. La misma que Davidson y Rees-Mogg se hicieron cuando internet apenas estaba empezando: ¿qué instituciones dejan de tener sentido cuando algo que antes era escaso deja de serlo?

Ellos hicieron esa pregunta sobre la información. Nosotros tendremos que hacerla sobre la inteligencia.

Y quizá haya una última ironía.

Después de décadas construyendo máquinas para aumentar nuestra libertad, puede que descubramos que la forma más extrema de soberanía consiste simplemente en conservar algo que nuestros abuelos daban por supuesto: la capacidad de vivir una parte de nuestra vida sin que ninguna máquina esté mirando.

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

📚 PD. Biblioteca para individuos soberanos. Si esta edición te ha dejado con más preguntas que respuestas, perfecto. Esa era la idea. Para seguir tirando del hilo, aquí tienes seis libros para pensar qué significa ser soberano en un mundo de IA, dinero digital y máquinas que cada vez saben más de nosotros:

• The Network State — Balaji Srinivasan. ¿Y si después de digitalizar el dinero, el trabajo y nuestras relaciones terminamos digitalizando también las comunidades políticas? Una extrapolación provocadora de algunas de las ideas de El individuo soberano.

• The Age of Surveillance Capitalism — Shoshana Zuboff. El necesario contrapunto. Internet podía darnos más libertad, pero también permitió construir una gigantesca infraestructura para observar, predecir e influir en nuestro comportamiento.

• The Singularity Is Nearer — Ray Kurzweil. Para explorar el otro camino: el individuo aumentado. IA, interfaces cerebro-máquina y una frontera entre humano y tecnología cada vez más difícil de distinguir.

• Digital Minimalism — Cal Newport. Quizá dentro de unas décadas lo consideremos un texto precursor. Una defensa de recuperar deliberadamente el control sobre nuestra tecnología, nuestra atención y nuestro tiempo.

Dos preguntas separadas por casi treinta años. Y quizá entre ambas esté la gran pregunta de esta edición: ¿será el individuo soberano de 2050 quien tenga acceso a toda la tecnología… o quien todavía pueda elegir vivir sin ella?

Ahora necesitamos enseñarles cómo están conectadas.

Y no es lo mismo.

Piensa en un agente investigando por qué se están averiando determinados equipos de un cliente.

Con RAG puede encontrar:

— Un ticket sobre una pieza defectuosa.
— Un documento del producto.
— Otro sobre un proveedor.
— Un informe de calidad de un lote.

Cuatro fragmentos aparentemente relacionados.

El problema es que luego el modelo tiene que reconstruir la historia.

Y esperar que no se invente ningún puente por el camino.

Un grafo puede representar directamente esto:

ticket → pieza → producto → proveedor → lote → causa raíz

Ya no tienes únicamente información.

Tienes relaciones.

Y esta diferencia puede ser bastante importante para la próxima generación de sistemas de IA.

Un RAG tradicional responde especialmente bien a una pregunta:

¿Qué información se parece a lo que estoy buscando?

Busca documentos o fragmentos semánticamente cercanos y se los entrega al modelo.

Pero muchas preguntas empresariales no dependen únicamente de encontrar un documento.

Dependen de entender cómo se relacionan varias cosas entre sí.

Qué proveedor suministra qué componente.

Qué componente utiliza qué producto.

Qué incidencia afecta a qué cliente.

Qué contrato depende de qué servicio.

Qué persona tomó qué decisión.

Ahí aparece el Knowledge Graph.

En lugar de almacenar únicamente texto, convierte la información en: entidades + relaciones.

Algo aparentemente sencillo que cambia bastante la forma en la que puede razonar un agente.

Pero hay otro tipo de grafo todavía más interesante.

El que describe lo que hace el propio agente.

Muchos agentes actuales funcionan aproximadamente así:

Objetivo → LLM → acción → resultado → LLM → siguiente acción…

Y una gran parte de la decisión sobre qué hacer después permanece dentro del modelo.

Cuando falla aparecen las preguntas, muchas de las cuales no podemos responder.

¿Por qué hizo eso?

¿Por qué eligió esa herramienta?

¿Por qué reintentó?

Una alternativa consiste en sacar parte de esas decisiones fuera del modelo y convertirlas en un grafo explícito.

Planificar → Ejecutar → Validar → Recuperar → Escalar → Completar

Cada nodo representa un estado.

Cada transición tiene una condición.

Y de repente parte del comportamiento del agente deja de ser una caja negra.

Y es que quizá la respuesta a muchos problemas que encontramos, consista en estructurar mejor la inteligencia que ya tenemos.

• Knowledge Graphs para estructurar lo que el agente sabe.

• Agentic Graphs para estructurar lo que el agente hace.

Uno organiza conocimiento. El otro organiza comportamiento.

Y ambos convierten algo implícito dentro del modelo en algo que podemos ver, inspeccionar y gobernar.

Aquí vuelve a aparecer el harnessing.

Hace unos días hablábamos de esta idea:

Un modelo puede ser extraordinariamente inteligente.

Pero para convertir esa inteligencia en trabajo empresarial necesitas construir alrededor: contexto, herramientas, memoria, permisos, orquestación y controles.

Eso es el harness.

Pues bien.

Los grafos pueden convertirse en una de las estructuras fundamentales de ese arnés.

• El Knowledge Graph puede organizar el mundo que conoce el agente.

• El Agentic Graph puede limitar el mundo de acciones que puede recorrer.

Dicho de otra manera, el modelo propone y el grafo estructura.

Pero, ojo.

Un grafo también puede equivocarse.

Puede fusionar dos entidades que en realidad eran diferentes.

Pueds perder una relación.

Puede construir una conexión incorrecta.

Puede diseñar un workflow demasiado rígido.

No estamos eliminando los errores.

Los estamos haciendo más visibles.

Y eso, en sistemas empresariales, ya supone una enorme diferencia.

Porque un fallo visible se puede auditar.

Un razonamiento oculto dentro de miles de millones de parámetros es bastante más complicado.

Food for thought

En los últimos años hemos pasado mucho tiempo intentando que la IA encuentre información.

Ahora queremos que pueda comprender relaciones, recorrer procesos y ejecutar acciones.

Y para eso hacen falta estructuras.

Quizá la próxima gran mejora de nuestros sistemas de IA no llegue de otro modelo con más parámetros.

Quizá llegue simplemente de dibujar mejor las líneas que unen los puntos.

🌍 El Eco del Mercado

🇨🇦 Agentes de IA intentaron atacar un archivo público canadiense. Investigadores de Transluce atribuyen a agentes autónomos dos intentos de explotar vulnerabilidades de Library and Archives Canada. El Gobierno canadiense no ha encontrado indicios de que sus sistemas fueran comprometidos y todavía no existe una atribución concluyente.

🔐 El Congreso pregunta si China ha intentado robar los pesos de los modelos. El congresista Ro Khanna solicita a OpenAI, Anthropic, Google, Meta y SpaceXAI información sobre posibles accesos de China y otros adversarios a sus modelos. La petición no aporta pruebas de una sustracción, pero convierte la protección de los pesos en una cuestión de seguridad nacional.

🧠 Google presenta Gemini 4 Argon después de meses de retraso. Google asegura que su nuevo modelo insignia compite con los sistemas más avanzados de OpenAI y Anthropic en programación y ciberseguridad. El acceso inicial estará restringido a determinados socios y todavía no existe una fecha de lanzamiento general.

🏢 La IA produce ahorros, pero continúa atrapada en los proyectos piloto. Una encuesta de BearingPoint señala que casi tres cuartas partes de las empresas obtienen resultados financieros positivos, aunque menos de un tercio ha superado la fase piloto. Los sistemas heredados, la regulación y las dificultades de integración siguen frenando el despliegue a escala.

💰 Broadcom financiará hasta 42.000 millones del gasto de Anthropic. El fabricante ofrece a Anthropic un préstamo convertible para financiar parte de un arrendamiento de capacidad informática valorado en 125.200 millones de dólares. Broadcom se convierte simultáneamente en proveedor, financiador y potencial accionista de uno de sus mayores clientes.

🏦 Wall Street duda de que los chips de Nvidia sean una garantía suficiente. Los bancos reclaman garantías adicionales para financiar proyectos respaldados por GPU y cuestionan que los procesadores conserven valor durante toda la vida de los préstamos. El auge de la IA quiere financiar chips como si fueran aviones, aunque su obsolescencia es mucho más rápida.

🔦 CScale lleva la fibra óptica hasta el interior del servidor. La startup capta 145 millones de dólares, con respaldo de Nvidia e Intel, para sustituir conexiones de cobre por enlaces ópticos entre los chips de los servidores de IA. La propuesta busca mover más datos con menor consumo y sin concentrar tanto calor.

🎭 Hackers chinos se hacen pasar por expertos estadounidenses en IA. Proofpoint identifica una campaña en la que el grupo TA419 suplantó a antiguos responsables estadounidenses para robar credenciales de especialistas en regulación, controles de exportación y estrategia tecnológica. El objetivo parece haber sido conocer cómo se diseña la política de IA, no sustraer directamente los modelos.

🛡️ Thales propone combatir los ciberataques de IA con defensas de IA. El grupo francés reclama mayor inversión en sistemas capaces de detectar y responder automáticamente a ataques asistidos por modelos. La defensa necesita operar a velocidad de máquina, pero sin perder la capacidad de explicar y controlar sus decisiones.

🇨🇳 Tencent alquila a Oracle acceso a 100.000 chips avanzados para acelerar su apuesta por la IA. Según Financial Times, el acuerdo asciende a unos 7.000 millones de dólares durante cinco años y utilizará centros de datos de Oracle en el sudeste asiático. La operación permite a Tencent acceder desde el extranjero a capacidad que no está disponible en China, aunque Oracle y Tencent no la han confirmado públicamente.

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.

P.D. Si quieres profundizar en esta idea, cuatro lecturas interesantes son:

• Linked — Albert-László Barabási. Probablemente mi favorita para esta edición. Explica cómo redes aparentemente distintas —Internet, células, epidemias, organizaciones— comparten propiedades matemáticas. Muy divulgativo.

• Six Degrees — Duncan J. Watts. La ciencia de los «seis grados de separación». Parte de redes sociales, pero acaba hablando de epidemias, electricidad, organizaciones y sistemas complejos.

• Sync — Steven Strogatz. Fascinante. Cómo luciérnagas, neuronas, marcapasos, planetas o personas pueden sincronizarse. Los nodos importan, pero sobre todo importan las conexiones entre ellos.

• The Book of Why — Judea Pearl y Dana Mackenzie. Aquí entramos en grafos causales: no simplemente saber que A y B están relacionados, sino intentar representar si A causa B. Tiene una conexión brutal con el siguiente reto de la IA.

P.D.2. Si después de leer esto sigues pensando que los grafos son algo abstracto, mira el Wi-Fi de tu casa. Un sistema Mesh son varios nodos hablando entre ellos para encontrar el mejor camino. Como Internet. Como tu cerebro. Y, cada vez más, como la IA.