Durante décadas hemos intentado hacer algo bastante sencillo: conseguir que las máquinas sean más inteligentes.
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 gran reto para las empresas será descubrir cómo reorganizarse alrededor de esa nueva abundancia. Y para nosotros, algo quizá todavía más incómodo: aprender a demostrar cuánto vale aquello que la máquina todavía no puede hacer.
🌍 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.