Durante décadas, la universidad norteamericana fue el equivalente académico de una aspiradora global de talento: si eras bueno, ambicioso, curioso o simplemente querías estar cerca de donde pasaban las cosas, intentabas ir a Estados Unidos. El sistema funcionaba porque mezclaba dinero, libertad intelectual, reputación, meritocracia y una promesa razonablemente creíble: ven aquí, trabaja duro, y podrás hacer ciencia, empresa o carrera profesional al máximo nivel.

Omar Yaghi, nacido en Amman en una familia palestina refugiada, criado en una casa sin agua corriente ni electricidad, enviado a Estados Unidos con quince años y convertido décadas después en premio Nobel de Química, era precisamente una de esas historias que explicaban la grandeza del sistema norteamericano. Ahora, Yaghi se marcha a Tsinghua University, en Beijing, para dirigir un instituto dedicado a aplicar inteligencia artificial al descubrimiento de nuevos materiales. No es una anécdota: es un síntoma.

La elección de Yaghi tiene una enorme carga simbólica. No hablamos de un académico cualquiera, sino de uno de los creadores de la química reticular, de los metal-organic frameworks, esos materiales extraordinariamente porosos capaces de capturar gases, almacenar moléculas o incluso extraer agua del aire del desierto. Berkeley los explica como una clase de materiales con una superficie interna gigantesca, hasta el punto de que un solo gramo puede equivaler, desplegado, a un campo de fútbol, y sus aplicaciones van desde la captura de carbono hasta la obtención de agua potable en entornos áridos. En ese sentido, la trayectoria de Yaghi aparece casi como una metáfora perfecta: un niño obsesionado con las moléculas porque vivió la escasez de agua termina diseñando materiales capaces de obtenerla del aire. La ciencia, cuando funciona, no es una burocracia: es biografía, curiosidad, método y recursos puestos a trabajar juntos.

La cuestión es dónde se dan hoy esas condiciones. Durante mis años enseñando en Shanghai, en un programa de IE que utilizaba las instalaciones de Fudan University, yo esperaba encontrarme con una universidad tradicional, pesada, casi caricaturescamente comunista: profesores detrás de una mesa leyendo apuntes, solemnidad, jerarquía y poca interacción. Me encontré exactamente lo contrario: instalaciones modernas, profesores formados en algunas de las mejores universidades del mundo, clases dinámicas, participativas, método del caso, y una propuesta de valor que entonces me pareció inquietantemente potente. Mi impresión fue que, cada vez más, un occidental podía plantearse ir a China, estudiar allí, aprender chino a nivel operativo, graduarse, entender de verdad cómo se hacen negocios en el país y salir con algo mucho más importante que un título: una competencia bicultural. La complejidad del idioma era y sigue siendo una barrera enorme, pero también una barrera estratégica: quien la supera no aprende simplemente vocabulario, aprende una forma distinta de mirar el mundo.

Lo que entonces parecía una hipótesis hoy empieza a parecer una tendencia estructural. Tsinghua no solo aparece ya instalada en la élite de los rankings internacionales – Times Higher Education la mantiene en el puesto 12 mundial, a Peking University en el 13 y a Fudan en el 36 en su ranking 2026 – sino que China domina cada vez más indicadores de producción científica. El Nature Index 2025 sitúa a China como primer país en contribución a publicaciones de alta calidad en ciencias naturales y de la salud, con la Chinese Academy of Sciences en primera posición institucional, Zhejiang University en tercera y Tsinghua en cuarta. No hablamos únicamente de rankings reputacionales, siempre discutibles, sino de producción científica observable.

Además, China está haciendo lo que hacen los países que tienen una estrategia: alinear universidades, financiación, tecnología e industria. Mientras muchos sistemas occidentales siguen discutiendo si la inteligencia artificial debe prohibirse en el aula, China multiplica los programas universitarios de inteligencia artificial. Según China Daily, más de seiscientas universidades chinas cuentan ya con grados de inteligencia artificial, frente a solo treinta y cinco instituciones aprobadas en 2018, y al menos noventa universidades del grupo “Double First-Class” han creado escuelas o facultades relacionadas con inteligencia artificial. Puede haber propaganda en el envoltorio, naturalmente, pero la escala es importante. La innovación no surge solo de una buena idea: surge de una masa crítica de personas, laboratorios, datos, empresas y ambición.

Mientras tanto, Estados Unidos parece decidido a destruir una de sus ventajas competitivas más importantes: su capacidad de atraer extranjeros brillantes y convertirlos en parte de su sistema. Un artículo del New York Times sobre los Nobel ganados por inmigrantes recuerda que, en lo que va de siglo, el 40% de los premios Nobel estadounidenses en física, química y medicina fueron obtenidos por científicos nacidos fuera del país. Yaghi lo expresa con claridad: cerrar la puerta al talento extranjero no protege la ciencia norteamericana, la empobrece. El Peterson Institute estima que la emisión de visados de estudiante está alrededor de un tercio por debajo de lo normal y que una reducción sostenida de graduados STEM extranjeros podría costar a Estados Unidos entre 240,000 y 481,000 millones de dólares anuales de PIB en una década. NAFSA, por su parte, calcula que una caída fuerte en nuevos estudiantes internacionales supondría 7,000 millones de dólares menos y más de 60,000 empleos perdidos.

La administración Trump ha terminado de convertir ese deterioro en una señal inequívoca. Para muchos estudiantes internacionales, Estados Unidos ya no es el lugar al que se va a cumplir un sueño, sino un país en el que hay que demostrar continuamente que uno no es sospechoso. Visados inciertos, controles arbitrarios, miedo a las redadas del ICE, sensación de no ser bienvenido, riesgo de ser rechazado en una frontera tras años de inversión personal y familiar. La excelencia universitaria no vive solo de laboratorios y papers: vive de reputación, de clima institucional, de apertura, de confianza. Y cuando esa confianza se rompe, el talento, que es móvil por definición, se va a otra parte.

La ironía es impresionante. Durante años, Occidente miró a China como un país capaz de fabricar barato, copiar rápido y escalar industrialmente. Ahora empieza a descubrir que también puede atraer científicos de primer nivel, formar estudiantes internacionales, invertir en campos estratégicos y presentarse como un destino académico con futuro. Aprender chino sigue siendo difícil, sí. Vivir en China implica adaptarse a códigos culturales, políticos y sociales que no son triviales, también. Pero para un joven ambicioso que quiera entender el siglo XXI, quizá esa dificultad sea precisamente parte de la propuesta de valor.

La pregunta, por tanto, no es si Tsinghua llegará a ser como Harvard, Stanford o MIT. Esa ya es una pregunta antigua, formulada desde la nostalgia de un mundo que ya no existe. La pregunta interesante es si Harvard, Stanford o MIT seguirán siendo capaces de atraer el talento que las hizo grandes, mientras su propio país lo trata como una amenaza. Y ahí es donde el movimiento de Omar Yaghi deja de ser una noticia académica para convertirse en una señal geopolítica: el futuro no se decide sólo en fábricas de chips, modelos de inteligencia artificial o presupuestos militares. También se decide en las aulas, en los laboratorios y en la cabeza de un estudiante que, al elegir universidad, decide en qué visión y en qué civilización quiere apostar su plan de vida.

This article is also available in English on my Medium page, «Why a foreign-born Nobel laureate is leaving the United States for China»

Cuando en abril escribí sobre la cosecha cautiva de John Deere, la historia parecía todavía una de esas batallas aparentemente técnicas en las que una compañía intenta convencer al mundo de que restringir lo que sus clientes pueden hacer con aquello que han comprado es una forma de protegerlos. Ahora, con el acuerdo anunciado por la FTC, esa coartada empieza a desmoronarse. No porque John Deere haya descubierto las virtudes de la apertura, sino porque el regulador ha puesto negro sobre blanco algo fundamental: si una empresa vende una máquina, no puede reservarse indefinidamente la llave digital que permite mantenerla viva.

El acuerdo obliga a Deere, durante diez años y bajo supervisión, a proporcionar a agricultores y talleres independientes recursos de reparación equivalentes a los que ofrece a sus concesionarios: códigos de error, reprogramación y emparejamiento de componentes, recuperación de máquinas bloqueadas por el llamado “limp mode”, manuales técnicos y soluciones de diagnóstico. No es un matiz operativo. Es el reconocimiento de que el monopolio de la reparación no estaba en el tornillo ni en el pistón, sino en el software que decidía quién podía tocar todo lo demás.

La diferencia con el acuerdo privado de 99 millones de dólares alcanzado en abril es crucial. Aquel compensaba daños pasados. Este cambia las reglas futuras. Y por eso Wired lo interpreta como una victoria enorme para el movimiento del right-to-repair: porque no se limita a poner precio al abuso, sino que obliga a modificar la arquitectura de control que lo hacía posible. John Deere se ve obligada a entregar parte del poder que había intentado acumular.

Ese poder se había construido sobre una redefinición interesada de la propiedad. Durante décadas, comprar un tractor significaba comprar una herramienta de trabajo. Con la digitalización, algunas compañías descubrieron que podían convertir esa herramienta en una plataforma dependiente, bloqueada por diagnósticos propietarios, licencias, emparejamientos y excepciones contractuales. El argumento era siempre el mismo: seguridad, emisiones, calidad, propiedad intelectual. Pero el resultado era otro: agricultores esperando a un técnico autorizado en plena cosecha, talleres locales excluidos y piezas funcionales convertidas en inútiles si el sistema no las aceptaba.

La FTC ya había señalado en su informe «Nixing the Fix« que muchas justificaciones contra la reparación independiente carecían de respaldo empírico suficiente. Deere aporta ahora el ejemplo perfecto: cuanto más software se introduce en un producto, más tentación aparece de utilizarlo no para mejorar la experiencia del usuario, sino para rediseñar el mercado posventa en favor del fabricante. La innovación deja de ser una promesa de eficiencia y se convierte en una tecnología de cierre.

Las consecuencias van mucho más allá de la agricultura. Si este acuerdo se cumple, se convierte en advertencia para fabricantes de automóviles, dispositivos médicos, electrónica de consumo, maquinaria industrial, equipos militares o cualquier otro sector que haya confundido digitalización con captura. No es casualidad que The Verge haya documentado actuaciones de lobby contra el derecho a reparar incluso en el ámbito militar: si hasta un ejército puede quedar atrapado por contratos y software propietario, el problema no es anecdótico. Es estructural.

Tampoco es casualidad que la presión legislativa avance en paralelo. Colorado convirtió en ley el derecho a reparar maquinaria agrícola, incluyendo software, firmware, herramientas y documentación, y la Unión Europea ha aprobado una Directiva sobre reparación de bienes que prohíbe técnicas contractuales, de hardware o de software que impidan la reparación de productos sujetos a obligaciones de reparabilidad. El movimiento ya no es una rareza de hackers o mecánicos. Es una reacción institucional ante un modelo económico que pretendía transformar obsolescencia, dependencia y asimetría informativa en ingresos recurrentes.

La pregunta interesante es qué harán ahora las empresas. Algunas intentarán cumplir lo mínimo, abrir interfaces de forma incómoda, cobrar precios disuasorios por herramientas, invocar excepciones de seguridad o retrasar recursos críticos. Otras entenderán que la reparabilidad puede convertirse en un atributo competitivo: productos más duraderos, ecosistemas más abiertos, mercados secundarios más sanos y clientes menos cautivos. La diferencia será visible, porque el usuario empieza a comprender que reparar no es nostalgia: es soberanía económica.

El acuerdo con John Deere no resuelve todo: habrá que vigilar precios, calidad real de las herramientas, discriminación indirecta de talleres independientes, acceso a datos y cumplimiento efectivo. Pero sí cambia la conversación. A partir de ahora, el fabricante que quiera encerrar un producto detrás de software tendrá que explicar por qué ese encierro protege al usuario y no simplemente sus márgenes. Durante años, nos dijeron que el futuro de la propiedad era el acceso, la suscripción y el control remoto del fabricante. La FTC acaba de recordar algo más simple: cuando compras una máquina, deberías poder arreglarla. Y precisamente por esa cuestión aparentemente tan simple resulta tan revolucionaria.

This article is also available in English on my Medium page, «The FTC just reminded John Deere what ownership means: when you buy a machine, you should be able to fix it»

Durante los dos últimos años, Europa se ha estado haciendo una pregunta que suena estratégica, pero que puede ser profundamente engañosa: ¿cómo podemos competir en inteligencia artificial si no controlamos los mayores modelos de frontera?

La pregunta es comprensible. Las empresas de inteligencia artificial más visibles son estadounidenses. Los modelos más potentes son entrenados por compañías con un acceso enorme a capital, capacidad de cómputo, talento y energía. La imaginación pública ha quedado capturada por la carrera de los modelos: quién tiene el modelo más grande, la ventana de contexto más larga, la mejor puntuación en benchmarks, la demostración más impresionante, el chatbot más persuasivo.

Desde esa perspectiva, Europa parece llegar tarde. Demasiado lenta, demasiado fragmentada, demasiado regulada, demasiado cautelosa, demasiado escasa en hyperscalers y demasiado escasa en compañías tecnológicas de billones de dólares dispuestas a gastar decenas de miles de millones en GPU. El Stanford AI Index 2025 deja la brecha brutalmente clara: la inversión privada estadounidense en inteligencia artificial en 2024 fue enormemente superior a la de China, Reino Unido o Europa, y la diferencia es aún más acusada en inteligencia artificial generativa.

Pero ¿y si la pregunta está mal planteada?

¿Y si el futuro de la inteligencia artificial empresarial no se decide por quién posee el modelo más grande, sino por quién posee la arquitectura que convierte los modelos en inteligencia corporativa?

Esa distinción importa enormemente. Un modelo es una fuente de capacidad cognitiva. Puede escribir, resumir, clasificar, razonar, programar, traducir, buscar, recuperar información, planificar y, cada vez más, actuar. Pero una empresa no es un modelo, ni funciona como uno. Una empresa es un sistema de procesos, permisos, workflows, restricciones, memoria institucional, incentivos, decisiones, excepciones, relaciones y resultados medibles.

El modelo puede ser brillante y la empresa puede seguir sin transformarse

Eso es exactamente lo que hemos visto. La inteligencia artificial generativa ha sido extraordinaria para los individuos. Para una persona frente a un teclado, el valor es inmediato: escribe esto, resume aquello, explícame esto, redacta aquello, ayúdame a pensar este problema. La interacción es conversacional, acotada y personal. El modelo encaja con el problema.

La empresa es diferente. La empresa no necesita un asistente ingenioso que responda preguntas de forma aislada. Necesita sistemas que conozcan el estado del trabajo, entiendan qué restricciones se aplican, actúen dentro de límites de permisos, aprendan de los resultados, recuerden lo que ocurrió y mejoren en la siguiente iteración. Necesita continuidad. Necesita responsabilidad. Necesita bucles de retroalimentación. Necesita una manera de convertir la experiencia operativa en inteligencia acumulada.

Eso no es un chatbot más grande: es una capa distinta.

Ahí es donde Europa debería prestar atención, porque la carrera de los modelos y la carrera de la arquitectura empresarial no son la misma carrera. La primera premia la escala, la concentración de capital y la capacidad de cómputo. La segunda premia la formalización, la gobernanza, la disciplina industrial, la confianza, la interoperabilidad, el conocimiento de dominio y la capacidad de representar organizaciones complejas sin reducirlas a conversaciones.

Europa quizá no esté naturalmente posicionada para dominar la primera carrera. Pero está mucho mejor posicionada de lo que cree para la segunda.

El debate actual sobre inteligencia artificial sigue demasiado obsesionado con los modelos. No es sorprendente: los modelos son visibles, espectaculares y fáciles de comparar. Los benchmarks crean rankings. Las demos generan titulares. Los nuevos lanzamientos producen drama de mercado. Pero el valor empresarial rara vez se asienta de forma permanente en la capa más visible. En tecnología, el valor tiende a desplazarse hacia la abstracción que hace que todo lo que hay debajo sea utilizable, repetible y gobernable.

La inteligencia artificial empresarial está esperando exactamente eso

Los sistemas actuales de agentes son transicionales. Son útiles, pero la mayoría sigue orbitando alrededor del modelo. Ensamblan prompts, herramientas, memoria, recuperación de información, APIs, evaluadores y orquestación. Pueden producir resultados impresionantes, pero cuando entran en una empresa real, alguien sigue teniendo que reconstruir la organización a su alrededor: cuál es el proceso, qué fuente de datos tiene autoridad, quién tiene permiso para hacer qué, qué resultado importa, qué excepciones están permitidas, cómo debe interpretarse la retroalimentación y cómo debe propagarse la mejora.

Esa reconstrucción sigue siendo en gran medida manual. Por eso tanta inteligencia artificial empresarial se parece a consultoría con un modelo pegado. Por eso los ingenieros desplegados en cliente se han convertido en un rasgo tan revelador del mercado. Si un sistema de inteligencia artificial necesita expertos integrados dentro de cada cliente para definir workflows, mapear restricciones y traducir la realidad organizativa a algo que el sistema pueda utilizar, entonces el producto todavía no es una plataforma. La capa que falta la están aportando humanos.

El State of AI 2025 de McKinsey apunta en la misma dirección: el uso de inteligencia artificial está muy extendido, pero la mayoría de las organizaciones no la han integrado con suficiente profundidad en workflows y procesos como para obtener beneficios materiales a nivel empresarial. Esa es la frase clave: no lo suficiente dentro de workflows y procesos. No lo suficiente dentro de la propia empresa.

Una arquitectura madura de inteligencia artificial empresarial haría explícita esa capa. Representaría la empresa no como un montón de documentos o historiales de chat, sino como un sistema vivo de objetos, estados, workflows, permisos, restricciones y resultados. Registraría lo que ocurre como trazas estructuradas. Conectaría esas trazas con resultados de negocio. Permitiría que cada proceso definiera qué significa el éxito. Haría consultable la memoria institucional. Permitiría a la organización aprender de su propia actividad.

Y, sobre todo, sería independiente del modelo

Ese es el punto que Europa no debería perder de vista. Si el modelo se convierte en la capa soberana, las empresas europeas seguirán dependiendo de quien posea los modelos más grandes. Su conocimiento estará mediado por sistemas externos, sus workflows envueltos alrededor de inteligencia alquilada, su experiencia acumulada cada vez más expuesta a plataformas cuyos incentivos pueden no estar alineados con los suyos.

Pero si los modelos son componentes dentro de una arquitectura superior de inteligencia corporativa, el panorama estratégico cambia. Una empresa puede utilizar modelos estadounidenses, modelos europeos, modelos de código abierto, modelos especializados o varios a la vez. Puede sustituir uno por otro a medida que la tecnología mejora. El activo duradero no es el modelo. El activo duradero es el bucle de aprendizaje propiedad de la empresa: la memoria estructurada, las trazas operativas, las funciones de recompensa, la inteligencia de proceso, la capa de gobernanza y el juicio acumulado de la firma.

No es una distinción técnica menor. Es la diferencia entre alquilar inteligencia y hacer que se acumule.

La oportunidad de Europa consiste en definir y poseer esa capa superior. No porque Europa deba rechazar los modelos de frontera, sino porque no debe confundirlos con toda la arquitectura. Los modelos son motores. Las empresas necesitan vehículos. Los motores importan enormemente, pero nadie confunde un motor con un sistema de transporte, una red logística o una economía industrial.

Además, esto encaja mucho mejor con las fortalezas europeas de lo que sugiere el debate actual. Europa entiende las industrias reguladas. Entiende los sistemas industriales complejos. Entiende procesos, cumplimiento normativo, confianza institucional, privacidad, auditabilidad y relaciones organizativas a largo plazo. Tiene una profunda experiencia en software empresarial, fabricación, finanzas, salud, logística, energía, administración pública y gobernanza transfronteriza. No son debilidades en inteligencia artificial corporativa. Son precisamente el terreno sobre el que la inteligencia artificial corporativa tendrá que funcionar.

La Comisión Europea parece entender parte de esto. Su AI Continent Action Plan intenta explícitamente convertir las fortalezas europeas en talento e industrias tradicionales en aceleradores de inteligencia artificial, mientras que InvestAI aspira a movilizar 200,000 millones de euros para inversión en inteligencia artificial, incluidas gigafactorías de inteligencia artificial. El AI Act proporciona a Europa un marco horizontal para una inteligencia artificial confiable, basado en el funcionamiento del mercado interior, los derechos fundamentales y la seguridad. Y el informe Draghi sobre competitividad europea ha dejado claro el punto más amplio: Europa necesita una nueva estrategia de innovación, productividad y competitividad industrial.

Pero Europa debería tener cuidado de no traducir todo esto en una única obsesión por el cómputo y los modelos de frontera. El cómputo importa. Los modelos soberanos importan. Las fábricas de inteligencia artificial importan. Pero no bastan. Un país o un continente puede poseer un modelo y aun así fracasar en la transformación de sus empresas. En cambio, si Europa desarrolla la arquitectura que permite a las organizaciones poseer sus bucles de aprendizaje, puede convertir cada empresa europea en un sistema que se vuelve más inteligente con el uso, independientemente del modelo que haya debajo.

Esa es una versión mucho más poderosa de la soberanía

La capa de inteligencia corporativa también cambiaría la economía de la inteligencia artificial. En el mundo actual centrado en los modelos, la inteligencia se concentra. Un pequeño número de compañías de modelos de frontera absorbe datos, talento, capital y capacidad de influencia estratégica. Las empresas se convierten en clientes de inteligencia. En una arquitectura basada en bucles de aprendizaje, la inteligencia se distribuye. Cada organización se convierte en un lugar donde se acumula capacidad. Los proveedores de modelos siguen siendo importantes, pero dejan de ser el único lugar donde se acumula el valor.

Para Europa, eso importa tanto política como económicamente. Un continente formado por miles de empresas especializadas, campeones industriales, instituciones públicas, compañías medianas y sectores regulados no necesita una economía de inteligencia artificial en la que todos los caminos conduzcan a un puñado de proveedores externos de modelos. Necesita una economía de inteligencia artificial en la que sus propias organizaciones se vuelvan más capaces, más adaptativas y más productivas, manteniendo al mismo tiempo el control sobre su conocimiento.

La siguiente etapa de la inteligencia artificial empresarial no estará definida, por tanto, por si una empresa tiene “una estrategia de inteligencia artificial” en sentido superficial. Estará definida por si tiene una arquitectura de aprendizaje. ¿Puede observar su propia actividad? ¿Puede codificar resultados? ¿Puede preservar contexto? ¿Puede operar dentro de restricciones? ¿Puede mejorar workflows mediante retroalimentación? ¿Puede utilizar distintos modelos sin perder su experiencia acumulada? ¿Puede convertir las operaciones diarias en inteligencia institucional?

Esas son las preguntas que importan

Europa debería dejar de disculparse por no ser Silicon Valley. La próxima oportunidad en inteligencia artificial quizá no exija a Europa imitar a Silicon Valley en absoluto. Quizá le exija hacer lo que muchas veces ha sabido hacer mejor: formalizar sistemas complejos, hacerlos confiables, industrializarlos e integrarlos en instituciones.

La carrera de los modelos de frontera es importante. Pero no es todo el juego. La verdadera revolución de la inteligencia artificial corporativa ocurrirá una capa por encima de los modelos, allí donde la inteligencia se vuelve organizativa, persistente, gobernada y acumulativa.

Esa capa sigue abierta.

Europa debería construirla.

(This article was previously published on Fast Company)

Mi columna de esta semana en Invertia se titula «Centros de datos, contenidos y electricidad: la inteligencia artificial que subvencionamos todos» (pdf), y trata sobre una de esas cuestiones que el marketing tecnológico intenta mantener cuidadosamente fuera del encuadre: la inteligencia artificial no es inmaterial, no vive en una nube etérea, no aparece por generación espontánea y, sobre todo, no es gratis. Tiene costes muy concretos, muy físicos y muy medibles: contenidos, electricidad, agua, suelo, red, permisos administrativos, infraestructuras y, por supuesto, dinero público o cuasi público en forma de incentivos, facilidades, prioridad regulatoria o trato preferente.

Durante años hemos hablado de “la nube” como si fuese una abstracción, una especie de espacio limpio, invisible y carente de fricción. Pero basta con mirar la evolución del negocio de los centros de datos para entender que la nube tiene geografía, consume energía, requiere subestaciones, compite por capacidad eléctrica, necesita refrigeración y genera conflictos territoriales. La Agencia Internacional de la Energía lo plantea con bastante claridad en su informe sobre energía e inteligencia artificial: la demanda eléctrica de los centros de datos está creciendo con mucha rapidez y podría duplicarse de aquí a 2030. Y en su resumen ejecutivo lo dice de forma aún más directa: no hay inteligencia artificial sin energía.

El problema no es que la inteligencia artificial consuma energía. Toda tecnología relevante la consume. El problema es que estamos aceptando sin demasiadas preguntas una narrativa según la cual cualquier infraestructura vinculada a la inteligencia artificial debe ser recibida con alfombra roja, titulares grandilocuentes y promesas de transformación económica. Países, regiones y municipios compiten por atraer centros de datos como si estuviesen atrayendo fábricas del siglo XX, con miles de empleos directos, tejido industrial local y aprendizaje productivo. Pero un centro de datos no es eso. Un centro de datos, una vez construido, genera comparativamente muy poco empleo permanente, importa buena parte de su tecnología, concentra el valor en la compañía propietaria y deja en el territorio una factura muy tangible en forma de demanda energética, consumo de agua, presión sobre la red y coste de oportunidad.

La cuestión, por tanto, no es si queremos centros de datos o no. Sería absurdo plantearlo así. La cuestión es si estamos haciendo un buen negocio. Y la respuesta, en muchos casos, es que probablemente no. Cuando una administración ofrece suelo, permisos rápidos, acceso prioritario a electricidad, infraestructuras, incentivos fiscales o una narrativa política complaciente para atraer a un hyperscaler porque suena «muy moderno», conviene preguntarse qué recibe realmente a cambio. Brookings lo ha analizado en el contexto estadounidense: los centros de datos suelen prometer muchos más efectos económicos indirectos que empleos permanentes reales, mientras capturan exenciones fiscales muy relevantes. Good Jobs First añade otro elemento incómodo: la opacidad de muchos de esos incentivos es enorme, y en demasiados casos los ciudadanos ni siquiera saben qué compañías reciben ayudas, cuánto cuestan o qué compromisos concretos asumen.

España está entrando de lleno en esa competición. Según Cinco Días, la inversión en centros de datos en nuestro país podría rondar los 66.900 millones de euros hasta 2030 con el avance de la inteligencia artificial. Es una cifra impresionante, de esas que gustan mucho en las presentaciones institucionales. Pero precisamente por eso hay que analizarla con cuidado: ¿qué parte de esa inversión queda realmente en el territorio? ¿Qué empleos genera? ¿Qué capacidad eléctrica reserva? ¿Qué compromisos ambientales exige? ¿Qué ocurre si esa electricidad renovable que podría descarbonizar industria, transporte o hogares termina capturada por infraestructuras destinadas a alimentar modelos propietarios de compañías extranjeras?

Aragón se ha convertido en un buen ejemplo de esa tensión. Por un lado, aparece en el discurso oficial como un territorio privilegiado para la nueva economía de los datos. Por otro, empiezan a aparecer preguntas muy razonables sobre agua, energía y planificación territorial. El País cuenta que Amazon solicitó un 48% más de agua para sus centros de datos en Aragón. Data Center Dynamics ha documentado también proyectos de enorme escala, como el campus de DayOne en Escatrón, con 300 MW de capacidad prevista. Y el propio debate ha llegado ya a los tribunales, con la admisión de una demanda contra proyectos vinculados a AWS en Aragón, también recogida por Data Center Dynamics. No estamos, por tanto, ante una discusión teórica. Estamos ante política industrial, energética y territorial en estado puro.

A esa factura física hay que añadir otra, menos visible pero igualmente importante: la factura cognitiva. Las mismas compañías que ahora piden suelo, electricidad, agua y permisos son las que durante años han absorbido contenidos creados por millones de personas, medios, universidades, programadores, investigadores, artistas y comunidades enteras. Cloudflare ha empezado a poner orden en esa relación con sus nuevas opciones para controlar el tráfico de inteligencia artificial, explicadas en «Your site, your rules«, y con su propuesta de pay per crawl, que plantea algo tan elemental como que los propietarios de contenidos puedan cobrar a los crawlers de inteligencia artificial. Es decir, que la materia prima de la inteligencia artificial deje de ser tratada como si no tuviese dueño, coste ni derechos.

La idea conecta directamente con lo que escribí hace unos días sobre el 5% de Altman: después de apropiarse de cantidades ingentes de conocimiento acumulado durante décadas, algunas compañías pretenden zanjar la discusión con una especie de propina cuidadosamente presentada como generosidad. Primero toman los contenidos, después los encapsulan en modelos propietarios, más tarde reducen el tráfico hacia las fuentes originales y finalmente sugieren algún mecanismo simbólico de compensación. No es innovación limpia: es extracción. Y una extracción particularmente sofisticada, porque convierte bienes comunes cognitivos en activos privados y, al mismo tiempo, exige que los territorios financien o faciliten la infraestructura física necesaria para explotarlos.

Europa, al menos sobre el papel, parece haber entendido que los centros de datos deben estar sometidos a reglas de eficiencia y transparencia. La Comisión Europea tiene una página específica sobre el rendimiento energético de los centros de datos, vinculada a la Directiva de Eficiencia Energética. Pero no basta con medir. Hace falta condicionar. Hace falta que los proyectos paguen su coste real, que no se disfracen de “soberanía digital” simples operaciones inmobiliarias y energéticas, y que los gobiernos no confundan atraer logos de grandes tecnológicas con construir una estrategia industrial.

La inteligencia artificial puede ser una tecnología extraordinariamente útil. Pero precisamente por eso no deberíamos permitir que se despliegue bajo una lógica extractiva, opaca y subvencionada por todos. Si una compañía quiere entrenar modelos con nuestros contenidos, debe pagar por ellos. Si quiere instalar centros de datos en nuestro territorio, debe asumir sus costes completos. Si quiere consumir agua, electricidad y capacidad de red, debe demostrar que el retorno social justifica ese uso. Y si pretende vendernos todo eso como progreso inevitable, conviene recordar que el progreso no consiste en regalar recursos públicos y bienes comunes a quienes ya concentran una parte desproporcionada del poder económico y tecnológico.

This article is also available in English on my Medium page, «Are data centers a good deal for the places that host them? (Spoiler alert)»

Durante tres décadas, la web funcionó sobre un pacto relativamente simple: tú publicabas algo, otros podían enlazarte, indexarte o recomendarte, y a cambio recibías tráfico. Google rastreaba tus páginas porque después enviaba visitantes. Facebook distribuía tus contenidos porque, al menos en teoría, podía traer audiencia. El editor, el autor, el blogger o la empresa aceptaban formar parte de ese ecosistema porque había una contraprestación clara: visibilidad, lectores, conversación, ingresos publicitarios, suscriptores o clientes.

Ese pacto se está rompiendo. La inteligencia artificial ya no organiza la web para que la visitemos: la consume para responder por nosotros. Ya no muestra necesariamente una lista de enlaces, sino una síntesis. Ya no invita al usuario a ir a la fuente, sino que intenta resolver su intención en la propia interfaz. La unidad económica de la web deja de ser la página visitada y empieza a ser la respuesta generada. Y cuando eso ocurre, todo lo demás cambia: SEO, publicidad, comercio electrónico, medios, marcas, reputación, derechos de autor y hasta la idea misma de publicar.

El movimiento de Cloudflare con su propuesta de pay per crawl es, en ese sentido, mucho más que una herramienta técnica. Es la primera señal seria de que la web empieza a defenderse frente a una nueva forma de extracción. Cloudflare plantea que los propietarios de contenidos puedan permitir, bloquear o cobrar a los rastreadores de inteligencia artificial, incluso rescatando el viejo código HTTP 402, “Payment Required”, para que un crawler que quiera acceder a una página pueda encontrarse con un precio definido. En su documentación para desarrolladores explica incluso cómo un crawler puede recibir un “402 Payment Required” con un precio por acceso y volver con los headers necesarios para pagar. Es decir: el contenido deja de ser una barra libre por defecto.

La razón es evidente. Si un buscador tradicional te indexaba y te enviaba tráfico, la relación podía ser asimétrica, pero tenía cierta lógica. Si un sistema de inteligencia artificial rastrea tu contenido, lo resume, lo utiliza para responder al usuario y no te envía a nadie, esa lógica desaparece. Lo que queda es pura apropiación: yo tomo tu trabajo, lo transformo en una respuesta dentro de mi producto, monetizo la atención o la relación con el usuario, y tú te quedas sin visita, sin dato, sin ingreso y, muchas veces, sin reconocimiento alguno.

Los datos empiezan a confirmar esa intuición. Un análisis del Pew Research Center mostró que los usuarios de Google que encontraban un resumen generado por inteligencia artificial hacían clic en resultados tradicionales en el 8% de las visitas, frente al 15% cuando no aparecía ese resumen; los enlaces dentro del propio resumen recibían clics tan solo en el 1% de los casos. Otro estudio sobre Google AI Overviews y Wikipedia estimó una reducción aproximada del 15% en el tráfico diario a artículos expuestos a esos resúmenes. Y un trabajo más reciente sobre AI Overviews observó que estas respuestas se activaban con mucha más frecuencia en consultas formuladas como preguntas, precisamente aquellas en las que el usuario puede quedar satisfecho sin visitar ninguna fuente.

El problema no se limita a Google: la tendencia apunta hacia una web cada vez más intermediada por agentes. OpenAI presentó ChatGPT agent como un sistema capaz de actuar en la web, usar navegadores, conectores y herramientas para completar tareas. Antes había presentado Operator, un agente con su propio navegador capaz de hacer clic, escribir y desplazarse por páginas. Si el usuario deja de navegar y empieza a delegar en un agente, el sitio web deja de recibir una persona y empieza a recibir una máquina que extrae información, compara opciones o ejecuta una acción. Para muchas páginas, ese visitante ya no será un lector, sino un intermediario algorítmico.

Los editores ya lo están sintiendo. El Reuters Institute advierte de que los buscadores se están convirtiendo en motores de respuesta, con contenidos servidos en ventanas de chat y el riesgo evidente de que el tráfico de referencia se seque. The Guardian explica cómo los cambios de Meta y Google están obligando a editores digitales a reinventar modelos que dependían de plataformas externas, con caídas muy fuertes en ingresos indirectos y estrategias de “Google Zero” orientadas a construir relaciones directas con la audiencia.

La conclusión es incómoda, pero inevitable: si las plataformas dejan de enviar tráfico, pierden buena parte de la legitimidad que tenían para acceder gratis al contenido. Durante años, los editores aceptaron una dependencia peligrosa porque había retorno. Ahora, si ese retorno desaparece, el contrato debe renegociarse. No basta con citar fuentes de manera decorativa, ni con ofrecer migajas de tráfico, ni con prometer exposición en una respuesta que satisface al usuario antes de llegar al enlace.

Probablemente yo sea uno de los menos afectados por todo esto: nunca he dependido de la publicidad ni del tráfico, soy un privilegiado que escribe sobre lo que quiere, sin dar explicaciones a nadie y sin depender de si lo que publica se lee mucho o poco. Simplemente escribo para mí, para preparar temas para mis alumnos y para investigar, sin más agenda que esa. Vuestros comentarios me enriquecen y me aportan, por supuesto, me ayudan a entender las debilidades en mis argumentos, las reacciones que genera lo que escribo, me sirven para prepararme para las discusiones que vendrán… pero no vivo de ellos, ni de mi tráfico.

Pero para la inmensa mayoría de quienes publican, la web se está convirtiendo en alimentar gratis a sistemas propietarios que después sustituyen a la propia web. Lo que parece insinuarse cada vez con más claridad es que, si los agentes y los motores de respuesta quieren usar contenidos, van a tener que pagar por ellos. Si quieren resumirlos, van a tener que compensar a quienes los producen. Y si no quieren hacerlo, los editores deberán empezar a bloquearlos. La web no puede sobrevivir si se convierte en una inmensa plantación de materia prima para modelos ajenos.

This article is also available in English on my Medium page, «The web’s broken bargain: how AI ended the deal between publishers and platforms«

Durante décadas, hemos imaginado la guerra tecnológica como una cuestión de superioridad industrial: aviones cada vez más caros, carros de combate más sofisticados, misiles más precisos y sistemas de mando cada vez más centralizados. Ucrania ha demostrado que esa visión no era completamente falsa, pero sí profundamente incompleta. La guerra del futuro no se está escribiendo únicamente con plataformas de cientos de millones, sino con dispositivos baratos, reemplazables, actualizados en ciclos de semanas y operados por soldados que, en muchos casos, se parecen más a pilotos de videojuegos que a combatientes tradicionales. Como ya apuntaba hace un año, la clave no está solo en el dron, sino en la combinación de bajo coste, escala, inteligencia, producción distribuida y aprendizaje acelerado.

Corea del Sur acaba de dar un paso que debería estudiarse con mucha atención: quiere entrenar a sus aproximadamente 500,000 militares para que el manejo de drones sea tan normal como el de un arma personal. No se trata de crear una unidad de élite, sino de convertir el dron en una capacidad universal, distribuida por ejército, marina, fuerza aérea e infantería de marina. El plan incluye unos 11,000 drones de entrenamiento en 2026, alrededor de 60,000 para 2029, más de 20,000 drones baratos y prescindibles, municiones merodeadoras y sistemas antidron basados en láseres y microondas.

La decisión surcoreana no puede entenderse sin dos factores. El primero es Corea del Norte, que observa el conflicto ucraniano no como un conflicto lejano, sino como un laboratorio al que ha enviado soldados, instructores y posiblemente doctrina. El segundo es la demografía: el ejército surcoreano se ha reducido un 20% en seis años, hasta unos 450,000 efectivos, mientras la población masculina en edad de reclutamiento cae rápidamente en el país con una de las tasas de fertilidad más bajas del mundo. Cuando faltan soldados, la tentación de sustituir masa humana por automatización deja de ser una fantasía futurista y se convierte en política pública.

Pero cuidado: entrenar a 500,000 personas no equivale a tener 500,000 operadores útiles. El cuello de botella no está únicamente en comprar drones, sino en disponer de instructores, suboficiales, componentes no chinos, cadenas de suministro fiables y una doctrina capaz de absorber una tecnología que cambia más deprisa que los procesos de adquisición militar. Ucrania ha podido hacerlo porque está en guerra, porque existe una movilización social extraordinaria y porque el aprendizaje vuelve del frente en cuestión de días. Corea del Sur, como cualquier democracia en paz, tiene leyes, ministerios, certificaciones, presupuestos y burocracia.

Lo verdaderamente nuevo no es que haya drones en el campo de batalla. Lo nuevo es que están reescribiendo sus reglas físicas. En Ucrania, la llamada kill zone, esa franja en la que moverse equivale prácticamente a ser inmediatamente detectado y atacado, ha pasado de unos pocos kilómetros a quince, veinte o incluso más. La concentración de sensores, drones FPV, municiones merodeadoras, guerra electrónica y enlaces por fibra óptica ha convertido la movilidad, tradicionalmente una ventaja, en un riesgo. El frente no se mueve porque todo lo que se mueve puede ser visto.

Eso altera la economía de la guerra. Un dron barato puede destruir un tanque, inutilizar una pieza de artillería, perseguir a un soldado o forzar a un convoy a detenerse. El prestigio del sistema caro se enfrenta a la brutal aritmética de la saturación. Un misil antiaéreo de millones contra un dron de unos cientos o miles de dólares es una ecuación perdedora si se repite suficientes veces. La defensa ya no consiste solo en blindaje, sino en sensores, interferencias, redes, camuflaje, redundancia, producción masiva y capacidad de iterar antes que el enemigo. El concepto se resume con una idea incómoda: los drones ganan batallas, pero los componentes ganan guerras.

Taiwán lo ha entendido también. Frente a China, no puede competir simétricamente en número de barcos, aviones o misiles, pero sí puede intentar construir una defensa distribuida, barata, autónoma y difícil de neutralizar. Su apuesta por fabricar drones propios, reducir dependencia de China y convertirse incluso en proveedor para Estados Unidos muestra que el dron ya no es solo un arma: es política industrial, soberanía tecnológica y estrategia geopolítica condensadas en una hélice, una cámara y una batería.

El problema más inquietante aparece cuando el operador humano empieza a desaparecer del bucle. Informaciones recientes describen pruebas ucranianas con drones completamente autónomos capaces de atacar sin enlace de vídeo ni decisión humana inmediata. Aunque siguen siendo casos relativamente excepcionales, marcan una frontera moral y jurídica enormemente peligrosa. El Comité Internacional de la Cruz Roja lleva tiempo advirtiendo que los sistemas autónomos pueden erosionar el control humano significativo, la distinción entre combatientes y civiles, la proporcionalidad y la rendición de cuentas.

La guerra mediante drones democratiza ciertas capacidades, pero no democratiza necesariamente la responsabilidad. ¿Quién responde por un ataque autónomo equivocado? ¿El operador que fijó la zona? ¿El programador? ¿El comandante? ¿El proveedor del modelo de visión artificial? ¿El Estado? En la guerra clásica, las reglas ya eran difíciles de aplicar. En la guerra algorítmica, pueden convertirse directamente en inútiles.

Los ejércitos del futuro se parecerán menos a organizaciones basadas en plataformas y más a ecosistemas de software, hardware barato, talleres, datos, operadores, instructores y ciclos de aprendizaje. La superioridad no vendrá solo de tener mejores armas, sino de actualizar más deprisa, producir más cerca, perder menos tiempo en adquisiciones absurdas y entender que cada soldado puede ser completamente multifuncional: nodo sensor, piloto, analista y objetivo.

La gran pregunta no es si los drones cambiarán la guerra: ya lo han hecho, y la prueba está ahí, a las puertas de Europa. La pregunta es si nuestras instituciones, nuestros tratados, nuestras doctrinas militares y nuestras democracias serán capaces de cambiar a la misma velocidad, o si debemos repensar completamente el diseño de nuestros ejércitos. Porque si no lo hacen, las reglas de la guerra no las escribirán los parlamentos ni los convenios internacionales, sino los algoritmos, los talleres improvisados y el zumbido de miles de máquinas baratas sobre el frente de batalla.

This article is also available in English on my Medium page, «South Korea is training half a million drone warriors. Here’s why that matters»

La noticia de que los agentes de inteligencia artificial pronto podrán igualar a los traders humanos no debería sorprender a nadie. Vlad Tenev, consejero delegado de Robinhood, lo ha dicho con claridad: la idea del trading agéntico es que cualquier capacidad disponible para un humano termine estando disponible para un agente de inteligencia artificial, y buena parte de la operativa institucional ya estaba automatizada mucho antes de que llamásemos a todo esto inteligencia artificial. La novedad no es que las máquinas entren en los mercados. La novedad es que el pequeño inversor pueda acceder a una versión empaquetada de herramientas que durante décadas estuvieron reservadas a quienes podían pagar ordenadores, modelos, datos y latencias imposibles.

Pero conviene desmontar antes el mito. La actividad del trader ha vivido rodeada de una épica completamente desproporcionada. Pantallas, adrenalina, llamadas, jerga y una cierta teatralidad de casino sofisticado. En realidad, su promesa era muy simple: “yo veo algo que los demás no ven”. El problema es que, cuando esa promesa se somete a verificación empírica, se deshace con una facilidad totalmente obscena.

La vieja historia del mono con los ojos vendados lanzando dardos a una pared para escoger acciones, popularizada a principios de siglo por The Wall Street Journal, sigue siendo una de las mejores metáforas sobre Wall Street. No porque los monos sepan invertir, sino porque muchos profesionales tampoco parecen saber hacerlo mejor de manera consistente. En aquel experimento, el simio volvía a dejar en evidencia a competidores humanos, profesionales y aficionados. La gracia no estaba en el mono, sino en la industria que necesitaba explicar por qué cobraba tanto por producir tan poco valor diferencial.

Eugene Fama, Nobel de Economía en 2013 junto con Lars Peter Hansen y Robert Shiller por su análisis empírico de los precios de los activos, lo formuló desde la hipótesis de los mercados eficientes: si los precios reflejan la información disponible, nadie puede batir de forma consistente a un índice sencillo. Naturalmente, los mercados no son perfectos. Tienen burbujas, pánicos, narrativas absurdas, información asimétrica, sesgos, manipulación, modas y errores colectivos. Precisamente por eso son fascinantes. Pero de ahí no se deduce que exista una casta de traders “buenos” capaz de explotarlos siempre. Se deduce que el mercado es un sistema complejo en el que distinguir talento de suerte resulta extraordinariamente difícil.

La evidencia acumulada es demoledora. El scorecard SPIVA de S&P Dow Jones Indices muestra una y otra vez que la mayoría de los gestores activos queda por debajo de sus índices de referencia, incluso antes de hablar del problema de identificar por adelantado a los pocos que sí lo harán bien. En 2025, el 79% de los fondos activos estadounidenses de gran capitalización no superó al S&P 500. Si una industria entera, con miles de analistas, terminales, modelos y comités de inversión, falla así de manera recurrente, quizá el problema no sea la falta de talento individual, sino la premisa misma. Cuando tu banco te llama para ofrecerte unas acciones o unos fondos, lo que en realidad te está diciendo es «déjame sacarte unas cuantas comisiones para poder mantener este chiringuito abierto y seguir pagando las nóminas de mis empleados a fin de mes».

La inteligencia artificial, por tanto, no va a matar al trader porque sea una profesión inútil, sino porque gran parte de lo que hacía era automatizable, repetitivo, emocionalmente contaminado y estadísticamente poco defendible. La inteligencia artificial leerá más documentos, reaccionará antes, detectará correlaciones más rápido y no se enamorará de una tesis porque la haya defendido en una reunión. Pero eso no significa que vaya a hacer los mercados perfectos. Al contrario: como advertía el FMI en su Global Financial Stability Report, la inteligencia artificial puede aumentar la opacidad, la concentración, la velocidad de las reacciones y el riesgo de comportamientos de rebaño algorítmico. Sustituir humanos impredecibles por máquinas entrenadas con datos parecidos no elimina el riesgo sistémico: puede hacerlo menos visible y más rápido.

Por eso mi conclusión como inversor es profundamente aburrida, y precisamente por eso funciona. Hace ya muchos años decidí poner mi dinero en Indexa Capital, una compañía española que invierte en carteras diversificadas de fondos indexados y que ha construido su propuesta sobre algo tan aparentemente poco glamouroso como reducir comisiones al mínimo imprescindible. No intenta venderme clarividencia, ni llamadas privilegiadas, ni la fantasía de que alguien sabe qué acción subirá mañana. Me ofrece exposición diversificada, disciplina, costes bajos y una idea fundamental: en inversión, muchas veces, ganar consiste simplemente en no pagar a alguien para que pierda por ti.

La sustitución del trader por la inteligencia artificial será presentada como una revolución. En realidad, será una ceremonia de sinceridad. Durante décadas llamamos talento a lo que muchas veces era azar, confundimos movimiento con valor, y aceptamos que unos intermediarios se apropiaran de una parte sustancial de la rentabilidad a cambio de una promesa estadísticamente endeble. El algoritmo no hará magia. Simplemente dejará al descubierto que, en los mercados, la inteligencia más rentable casi nunca fue operar más veces, sino asumir humildemente que uno no sabe más que el mercado, diversificar, reducir costes y esperar.

This article is also available in English on my Medium page (no paywall), «If 79% of experts can’t beat index-based trading, why would AI be any different?»

La propuesta de OpenAI de entregar un 5% de su capital al gobierno estadounidense, presentada como una manera de que los ciudadanos participen en los beneficios de la inteligencia artificial, es una de esas maniobras que revelan mucho más de lo que pretenden ocultar. No es un gesto generoso, sino una oferta de saldo: una propina para intentar legitimar una apropiación masiva de valor construida sobre libros, artículos, conversaciones, código, imágenes, ciencia, trabajo académico, periodismo, creatividad y datos producidos por millones de personas que jamás fueron consultadas, reconocidas ni compensadas.

El contexto es importante: OpenAI estaría explorando ceder ese 5% en un vehículo inspirado en fondos como el Alaska Permanent Fund, mientras Sam Altman habla con la administración Trump y con Bernie Sanders. Sanders, por su parte, no habla de un 5%, sino de un 50% en acciones para un fondo soberano público, con voto y control democrático sobre decisiones críticas. Y Sanders tiene toda la razón: si la materia prima fue colectiva, el excedente no puede privatizarse casi por completo, al 95%, y resolverse con una migaja cuidadosamente diseñada para desactivar la presión política.

La inteligencia artificial generativa no apareció por generación espontánea en la cabeza de Altman, de Musk, de Zuckerberg o de cualquier otro aspirante a emperador tecnológico. Fue posible gracias a décadas de investigación pública, universidades, infraestructuras financiadas por contribuyentes, comunidades de software libre, internet abierto y una acumulación cultural que pertenece a todos y a nadie. En mis artículos anteriores sobre si la inteligencia artificial debería tener accionistas ciudadanos y sobre de quién es realmente la inteligencia artificial, planteaba precisamente esa anomalía: estamos permitiendo que una infraestructura cognitiva de propósito general sea convertida en una cartera de activos privados.

Lo obsceno del 5% no es solo su pequeñez, sino su función política. Es la clásica estrategia de captura: aceptar el principio de que la sociedad debe participar, pero reducirlo a una cifra irrelevante y administrable por quienes se beneficiaron de la apropiación. Peor aún, hacerlo en conversaciones con un gobierno concreto, no mediante una arquitectura internacional, transparente y democrática. John Foley lo formulaba muy bien en Financial Times al analizar otra propuesta de Altman sobre gobernanza global: bajo la apariencia de seguridad, un orden liderado por Estados Unidos podría consolidar un oligopolio estadounidense y convertir la regulación en barrera de entrada.

La comparación con el petróleo no es perfecta, pero es útil. Noruega y Alaska entendieron que ciertos recursos estratégicos no podían convertirse simplemente en fortunas privadas. La diferencia es que el petróleo estaba bajo el suelo; la inteligencia artificial está construida sobre el conocimiento humano. Y si el FMI advierte que la IA puede aumentar la desigualdad al elevar los retornos del capital, y Acemoglu sostiene que puede ensanchar la brecha entre renta del capital y renta del trabajo, entonces el debate no es ideológico: es estructural.

Por supuesto que un 50% plantea enormes problemas jurídicos, de gobernanza, de valoración y de implementación. Pero esos problemas no invalidan el principio: obligan a diseñarlo bien. Un fondo soberano público no debería ser una caja opaca en manos del gobierno de turno, ni una forma de nacionalizar laboratorios, ni un mecanismo para premiar amigos. Debería ser una institución independiente, auditada, con mandatos claros, representación social, límites al intervencionismo político y capacidad real para impedir daños sistémicos. La pregunta no es si el Estado debe “dirigir” OpenAI. La pregunta es si una docena de directivos y fondos de capital riesgo deben decidir solos el futuro del trabajo, la educación, la ciencia, la cultura y la democracia.

Lo más interesante es que incluso OpenAI y Anthropic ya han reconocido, en sus propios documentos de política económica, que harán falta fondos públicos o soberanos para repartir mejor los beneficios de la inteligencia artificial. El desacuerdo, por tanto, no está en el principio, sino en la cuantía y en el poder. Ellos quieren participación simbólica sin control efectivo. Sanders propone propiedad significativa porque entiende que sin derechos políticos sobre esas acciones, todo será cosmética.

La inteligencia artificial puede ser una tecnología emancipadora, pero solo si dejamos de aceptar que quienes extrajeron lo común sin permiso compren indulgencias con un 5%. Esa cifra no repara nada. No devuelve control. No reconoce la magnitud de lo apropiado. No crea una verdadera ciudadanía económica en la era de la inteligencia. Es, simplemente, el precio que Silicon Valley cree que puede pagar para seguir llamando innovación a lo que, en cualquier otro contexto, llamaríamos extracción.

La discusión no debería empezar en el 5%. Debería empezar mucho más cerca del 50%, y bajar solo si alguien demuestra, con argumentos y no con relaciones públicas, que por alguna razón presuntamente justificada, la sociedad no merece recuperar una parte sustancial de lo que ya era suyo.

This article is also available in English on my Medium page (no paywall), «Symbolic stakes vs real power: the problem with Sam Altman’s 5%«

La noticia de que SpaceX habría mostrado a inversores un prototipo de dispositivo de inteligencia artificial, más fino que un iPhone, con sistema operativo propio y tecnología de xAI, que TechCrunch interpretó como «algo muy parecido a un teléfono«, debe leerse con cautela: Elon Musk lo ha negado como “utterly false”. Pero lo importante, considerando la nula confiabilidad del personaje, no es si ese prototipo existe, sino la dirección que revela: los grandes actores de la inteligencia artificial parecen haber llegado a la misma conclusión. La inteligencia artificial no va a vivir eternamente en una pestaña del navegador, en una app móvil o en una ventana de chat. Necesita su propio objeto.

Cuando OpenAI incorporó al equipo a Jony Ive, no compró simplemente diseño: compró una hipótesis. El ordenador fue el dispositivo del escritorio. El smartphone fue el de la ubicuidad. La inteligencia artificial quiere ser el dispositivo de la asistencia: algo que nos acompaña, interpreta el contexto y actúa.

El smartphone no cambió la sociedad porque fuese un teléfono mejor, sino porque reorganizó nuestra vida alrededor de un gesto: sacar un rectángulo del bolsillo, mirarlo, tocarlo y esperar que todo estuviese ahí. Banca, movilidad, fotografía, conversación, comercio, identidad y ansiedad pasaron a orbitar alrededor de ese gesto. Pew Research Center muestra cómo su adopción pasó de minoritaria a prácticamente universal en muchos segmentos, y el informe The Mobile Economy 2025 de la GSMA explica cómo el móvil se convirtió en infraestructura social.

La pregunta ahora es si la inteligencia artificial va a cambiar de nuevo el gesto dominante. Si pasaremos de mirar, tocar y navegar por menús a hablar, escuchar, mostrar, delegar y recibir respuestas contextuales. Esa transición no es una mejora de interfaz: es un cambio en quién media entre nosotros y el mundo.

Por eso interesa la integración vertical que rodea a SpaceX. Si una compañía combina conectividad vía Starlink, inteligencia artificial vía xAI, una base social manipulable en X, capacidades industriales y narrativa propia, el dispositivo deja de ser un simple gadget, y se convierte en terminal de ecosistema. La adquisición de xAI por SpaceX apunta a esa convergencia: comunicaciones, modelos, identidad, datos y servicios unidos por una misma arquitectura. No se trata de fabricar “un teléfono con inteligencia artificial”, sino de decidir quién se queda con la interfaz cotidiana.

La prudencia es obligatoria. La primera oleada de dispositivos de inteligencia artificial ha sido torpe. Humane terminó vendiendo sus activos a HP y cerrando el AI Pin, una demostración de que el diseño visionario no compensa una utilidad poco clara, una mala autonomía o un precio absurdo. El Rabbit R1 fue recibido como un producto inacabado, más promesa que herramienta. Pero esos fracasos no invalidan la categoría: la preparan. Antes del iPhone estuvo la Palm, la BlackBerry, el Nokia Communicator y Windows Mobile. La historia tecnológica está llena de intentos fallidos que llegan demasiado pronto o mal.

Las gafas inteligentes son, por ahora, el experimento más serio. Atacan el punto esencial: la inteligencia artificial necesita contexto, y el contexto está en lo que vemos, oímos y hacemos. Las Ray-Ban Meta crecieron más de un 200% en ventas en la primera mitad de 2025 a pesar de ser una máquina de espionaje al servicio de una de las empresas más siniestras que existen, y trabajos como VisionClaw: Always-On AI Agents through Smart Glasses exploran agentes siempre activos capaces de combinar visión, voz y ejecución. Ver un cartel y crear un evento. Mirar un documento y resumirlo. Escuchar una conversación y preparar notas. Traducir en tiempo real. Todo eso, en un smartphone, exige sacarlo del bolsillo. En un artefacto más contextual, puede ocurrir casi de forma ambiental.

Ahí está la frontera real: la inteligencia artificial será cotidiana no cuando responda mejor, sino cuando deje de esperar a que le preguntemos. Y ahí aparece el problema. Un dispositivo dedicado no es solo un aparato: es un testigo. Mira, escucha, recuerda, interpreta y actúa. Puede reducir fricción, mejorar accesibilidad y liberarnos de la pantalla. Pero también puede multiplicar la vigilancia, la dependencia y la concentración de poder en quien controle modelo, sistema operativo, conectividad, datos y servicios. Nos puede poner completamente en manos de los mismos irresponsables peligrosos que ya nos explotaron con las redes sociales.

Por eso el sistema operativo propietario importa tanto. Un dispositivo propio es una forma de escapar del dominio de Apple y Google. Hoy, quien quiera llegar al bolsillo del usuario tiene que pasar por iOS o por Android, por sus reglas, sus APIs, sus comisiones y sus restricciones. El hardware vuelve a importar porque define quién está presente cuando el usuario formula una intención. Google dominó la búsqueda; Amazon, las compras; Apple y Google, las aplicaciones; Meta, la intención social. La inteligencia artificial aspira a algo más amplio: la intención, incluso antes de convertirse en acción.

No creo que el smartphone desaparezca pronto. La pantalla sigue siendo eficiente para leer, comparar, editar o verificar. Pero puede perder centralidad, como el ordenador personal la perdió frente al smartphone. La nueva interfaz podría ser una constelación de gafas, auriculares, objetos de bolsillo y dispositivos ambientales. Lo decisivo no será la forma, sino la capa: sensores, contexto, modelo, conectividad y capacidad de acción.

La oportunidad es enorme, pero también el riesgo. Un dispositivo de inteligencia artificial bien diseñado podría hacer la tecnología menos absorbente, más accesible y más humana. Uno mal diseñado podría sustituir la adicción a la pantalla por una vigilancia y monitorización continua y una delegación cognitiva completamente opaca en manos de personajes peligrosísimos. Yo mismo, un profesor de innovación acostumbrado a probarlo todo, no uso WhatsApp o Threads ni de lejos, no he llegado a tocar ninguno de los dispositivos recientes que he mencionado en el artículo, y todo aquel al que veo con las gafitas de Meta me parece, por definición, un idiota que merece todo lo que le pueda pasar. Entre querer entender la innovación y ser una maldita fashion victim, con gran énfasis en lo de victim, hay una distancia enorme.

La próxima revolución de la interfaz no consistirá en dejar las pantallas, sino en que dejen de ser el centro. Y entonces la pregunta no será qué dispositivo llevamos encima, sino qué compañía, qué modelo y qué arquitectura de poder llevamos, literalmente, pegadas al cuerpo.

This article is also available in English on my Medium page (no paywall), «AI: new app, or new device?»

Hay una forma especialmente torpe de adoptar la inteligencia artificial: sentar a alguien ante un organigrama, enseñarle una demo brillante y pedirle que señale nombres. “Lo que hace este lo puede hacer una inteligencia artificial, lo que hace este también, este otro de aquí sobra”. Es la vieja reducción de costes de siempre, envuelta en terminología futurista. No es transformación digital: es idiotez directiva con coartada tecnológica.

El caso de Ford es un recordatorio magnífico. Tras confiar demasiado en sistemas automatizados para resolver problemas de calidad, la compañía ha tenido que volver a contratar a cientos de ingenieros veteranos, los famosos “gray beard engineers”, porque la inteligencia artificial no alcanzaba donde sí llega la experiencia acumulada.

Ford no abandona la inteligencia artificial: entiende que necesita conocimiento experto, buenos datos y personas capaces de detectar problemas antes de que se conviertan en defectos caros. Charles Poon, vicepresidente de ingeniería de hardware, lo resume perfectamente: la inteligencia artificial es una herramienta fantástica, pero solo es tan buena como la información con la que se la entrena. El problema no era la inteligencia artificial. Era creer que podía sustituir sin más a quienes sabían interpretar la realidad.

No es un caso aislado. Además de Ford, si tenemos en cuenta al Commonwealth Bank of Australia, a IBM y una serie de datos de Robert Half, resulta que un 32% de hiring managers estadounidenses que eliminaron puestos principalmente por la disponibilidad de inteligencia artificial acabaron recontratando personas para el mismo puesto o para uno similar. También podemos citar un informe de Orgvue: el 39% de líderes empresariales hizo despidos vinculados al despliegue de inteligencia artificial, y entre ellos, el 55% admite haber tomado decisiones equivocadas. Primero se despide, después se descubre que faltaban capacidades, y finalmente se intenta recomprar a toda prisa el conocimiento que había salido por la puerta.

El caso de Commonwealth Bank es aún más revelador: el banco despidió a decenas de empleados de atención al cliente tras introducir un voice bot, pero tuvo que revertir la decisión cuando aumentaron las llamadas y el sistema no fue capaz de absorber la complejidad real del trabajo. La entidad terminó reconociendo que no había considerado adecuadamente todos los factores relevantes antes de declarar redundantes esos puestos. Muchas tareas parecen simples cuando se miran desde lejos, pero contienen contexto, excepciones, criterio, memoria institucional y responsabilidad. Un puesto de trabajo pocas veces se reduce a una lista plana de tareas automatizables.

La pregunta sensata no es “¿a quién puedo despedir con esta herramienta?”, sino “si diseñáramos hoy este proceso desde cero, con inteligencia artificial disponible, ¿cómo lo haríamos?”. Esa diferencia lo cambia todo. Automatizar el statu quo sólo acelera sus defectos. Transformar exige rediseñar flujos de trabajo, datos, incentivos, responsabilidades y métricas. Bain lo explica con claridad: las compañías que crean valor con inteligencia artificial no son las que simplemente añaden herramientas a procesos existentes, sino las que rediseñan cómo se trabaja y cómo se toman decisiones. McKinsey llega a una conclusión parecida: el impacto real aparece cuando las organizaciones rediseñan workflows, gobiernan bien los sistemas y miden resultados con indicadores claros.

Ahí está el elemento que muchas empresas olvidan: los bucles de retroalimentación. Una inteligencia artificial no debe limitarse a producir respuestas, resúmenes, recomendaciones o decisiones parciales. Debe estar conectada con lo que ocurre después. ¿Funcionó la recomendación? ¿El cliente quedó satisfecho? ¿Se evitó el defecto? ¿La respuesta fue correcta? Sin ese feedback loop, la inteligencia artificial se convierte en una demo vistosa o en una herramienta individual de productividad, pero no en un sistema organizativo que aprende.

Por eso tantos proyectos fracasan. El informe “The GenAI Divide” del MIT NANDA señala que, pese a inversiones enormes, el 95% de las organizaciones analizadas no obtiene retorno medible de la inteligencia artificial generativa. La causa no está simplemente en los modelos, sino en la mala integración con los procesos, la falta de aprendizaje contextual y la incapacidad para rediseñar operaciones. BCG insiste en la misma idea: apenas una pequeña proporción de empresas obtiene ganancias financieras sustanciales, y el valor procede sobre todo de repensar el componente humano, no de comprar más tecnología.

La inteligencia artificial no sustituye personas: sustituye, acelera o transforma tareas. Y precisamente por eso obliga a pensar más, no menos. Obliga a mapear procesos, distinguir entre automatización y responsabilidad, preservar conocimiento experto, formar a quienes deben supervisar los sistemas y crear mecanismos para aprender de cada interacción. El NIST insiste en que la inteligencia artificial debe gestionarse con gobernanza, medición, gestión de riesgos y adaptación al contexto. No es burocracia: es simple sentido común.

La próxima vez que alguien diga “esto ya lo puede hacer una inteligencia artificial”, habría que responder: “¿dentro de qué proceso rediseñado, con qué datos, con qué supervisión, con qué métricas, con qué mecanismo de aprendizaje y con qué responsabilidad?”. Si no hay respuesta, no estamos ante una estrategia de inteligencia artificial. Estamos ante una hoja de cálculo en manos de un idiota que busca víctimas. La inteligencia artificial no elimina la necesidad de personas: elimina, más bien, muchas excusas, desde procesos mal diseñados a datos abandonados, pasando por directivos idiotas que no saben medir y por organizaciones que nunca aprendieron a aprender.

This article is also available in English with no paywall on my Medium page, «The great AI rehiring: what Ford, Commonwealth Bank and IBM got wrong»