Tenemos un pequeño problema con la inteligencia artificial.
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.
Model routing → decidir si una petición necesita un modelo barato o uno más potente.
Guardrails → detectar riesgos o peticiones problemáticas antes de llegar al LLM.
Tool-call gating → permitir, pedir aprobación o bloquear una acción de un agente.
Reranking → puntuar contexto recuperado y enviar al LLM solo lo realmente relevante.
LLM evals → evaluar miles de respuestas sin utilizar otro modelo grande como juez.
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.
Tres libros. Una misma idea: cuando el coste de algo cae lo suficiente, dejamos de preguntarnos cuánto podemos ahorrar. Y empezamos a imaginar cuántas cosas nuevas podemos hacer con ello.
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.