Un muy interesante estudio finlandés, titulado PANIC, monitorizó a un gran número de niños durante un total de ocho años de su vida y terminó haciendo un estudio longitudinal que abarca a 260 adolescentes con todos los indicadores metodológicos evaluados de manera completamente rigurosa, y termina con una conclusión que escandalizará a todos los de las asociaciones que, con una tremebunda simpleza y cortedad de miras, piden prohibir las pantallas a los niños: que una exposición mayor a pantallas se relaciona de manera claramente positiva con tiempos de reacción más rápidos en tareas de respuesta cognitiva y, de manera general, con una cognición global superior.

Antes de que todos esos que no han leído un paper en su vida empiecen con eso de que «correlación no implica causalidad» (nunca una verdad tan evidente ha sido tan burdamente malinterpretada para pretender refutarlo todo), hay que empezar constatando que aunque el estudio es longitudinal, la cognición global solo se mide al final del segmento, lo que implica que no se pueda analizar causalidad o excluir incluso la causalidad inversa, que los niños con mayor cognición global tiendan a usar pantallas más a menudo. Nadie intenta probar aquí que las pantallas mejores la inteligencia, aunque sea posible que sea así porque aporta una exposición a más y más variados estímulos. De lo que se trata es de demostrar fehacientemente que la histeria del tipo «más pantalla igual a peor» carece completamente de base científica y nunca debería convertirse en una especie de axioma universal para justificar barbaridades como prohibiciones globales.

¿Dónde está el problema? En primer lugar, que la variable «tiempo de pantalla», por mucho que sea fácil de medir con los dispositivos, es una completa estupidez. Los científicos que se han dedicado a extraer conclusiones rápidas de ella son como el borracho que busca sus llaves a la luz de una farola a pesar de que las perdió en otro sitio diferente, pero en el que no había suficiente luz. Mezclar en una misma variable cosas tan diferentes como jugar a videojuegos, ver televisión o vídeos, usar un teléfono o un chat, o programar en Minecraft es tan absurdo, que quita toda la validez a lo que pretende analizar, porque supone mezclar arbitrariamente tareas que van desde programar, estudiar, leer, crear, resolver problemas o buscar información con otras como jugar o consumir contenido de manera completamente pasiva. Usar esa métrica es como medir «tiempo de uso de papel» y mezclar la lectura de libros, con dibujar, con hacer ecuaciones y con ver folletos de publicidad.

Esos análisis más completos, sin embargo, no salen en los medios. ¿Por qué? Porque no interesa. Lo que vienen a demostrar es que toda esa estupidez de «levanta la cabeza» son espantosamente tendenciosos, porque lo que realmente pretenden es que los niños levanten la cabeza para ver más televisión. Y lo que precisamente se demuestra es que ver programas de televisión y tener televisión de fondo se asocia con peores resultados cognitivos, mientras que usar pantallas de forma compartida con adultos se asocia con resultados positivos. Usar una hora para enseñarle cosas que ha visto en el colegio a tu hijo en una pantalla es inmensamente mejor que ponerlo a ver la tele o, en general, utilizar esa hora para un consumo pasivo. Lo importante no es demonizar estúpidamente el soporte pantalla, sino educar para utilizarla bien. Más cuando el futuro de esos niños va a estar necesariamente rodeado de pantallas.

Hay más pruebas de ello: el uso de pantallas se asocia negativamente con la alfabetización en su conjunto porque engloba fundamentalmente el uso de «pantalla como baby-sitter» o «apaganiños», pero esa asociación pasa a ser positiva cuando se mide el tiempo de uso conjunto de pantallas entre padres e hijos. El mismo medio, como es lógico, produce resultados completamente distintos según sea el contexto y el contenido.

Incluso la American Academy of Pediatrics ha cambiado sus recomendaciones: lo que afirma es que hay que monitorizar la calidad de la interacción digital, la actividad que se está desarrollando y la actividad a la que sustituye. Estamos pasando, con toda lógica, del pánico de contar el número de horas al qué estás haciendo durante esas horas, y encontrándonos, ¡oh sorpresa!, con que no todo uso de pantalla es pernicioso o nocivo. Básicamente, lo que llevo diciendo desde hace muchos años.

En el estudio finlandés también se usaron sensores de movimiento para evaluar objetivamente el nivel de actividad física y de sedentarismo, y concluye que, de nuevo, la métrica carece de sentido, porque agrupa en el mismo epígrafe actividades tan variadas como leer, estudiar, hacer deberes, jugar a videojuegos o ver la televisión. Estar sentado no implica necesariamente tener el cerebro en modo pasivo.

Lo fácil es escandalizarse, chillar, pedir firmas y prohibir los teléfonos en los colegios. El tan común pánico a lo nuevo de toda la vida. Lo que es difícil y conlleva trabajo es aprender y educar para usar esas pantallas que van a formar parte de su vida de una forma que tenga realmente sentido, y que potencie su aprendizaje y educación. Ya hay estudios que demuestran que esas prohibiciones en los colegios, por mucho que nos pinten imágenes idílicas de niños que vuelven a hablar entre sí durante los recreos, no consiguen mostrar resultados relevantes en nada: ni en bienestar, ni en ansiedad, ni en sueño, ni en ni en actividad física, ni en rendimiento académico o comportamiento en clase. Los efectos de «jugar a policías de la tecnología» y de poner bolsitas para encerrar teléfonos son, en el mejor de los casos, nulos. El tiempo de pantalla es una variable absurda para pretender justificar toda la narrativa de alarmas, barbaridades, prohibiciones y pánicos que se han querido justificar en su nombre.

Tras muchos años midiendo el tiempo de pantalla, va a resultar, sin que sea sorpresa para nadie con dos dedos de frente, que lo que hay que medir es qué están haciendo los niños y sus cerebros cuando la usan.

No cabe ninguna duda de que Nvidia ha logrado establecerse como el auténtico vendedor de mapas, picos y palas en medio de la fiebre del oro que se ha establecido (de forma muy justificada) en torno al crecimiento de la inteligencia artificial. Sin embargo, lo realmente brillante no es sólo su clarividencia a la hora de apostar por un modelo de computación o su excelencia en ingeniería, sino un modelo de negocio que me parece francamente digno de estudio. Y a eso precisamente nos dedicamos los profesores.

En primer lugar, es muy importante entender que Nvidia no es ni «una empresa que fabrica tarjetas gráficas», ni «una empresa de chips». La compañía gusta de definirse a sí misma como “data center scale AI infrastructure company”, y eso puede contribuir a aclarar muchas cosas: este año, facturó un total de $215,900 millones de los que casi el 90% procedieron de la división de data centers. La división de gaming, que un día definió la compañía, tan solo faturó en torno a 16,000 millones. A día de hoy, Nvidia es fundamentalmente una compañía que provee infraestructura para generar inteligencia.

El producto más icónico y conocido de Nvidia, las GPUs, son tan sólo la punta de un iceberg, de lo que un cliente realmente adquiere. En realidad, lo que compran es un sistema completo con GPU, CPU, memoria HBM, NVLink, switches, NIC/SuperNIC, DPU, Ethernet/InfiniBand, refrigeración y software. El sistema está diseñado así desde Blackwell, y Vera Rubin lo lleva ya a un nivel impresionante, hasta el punto de que tan solo el networking generó $31,400 millones de dólares en el ejercicio actual. Según la compañía, «el data center se ha convertido en la nueva unidad de computación», lo que permite entender fácilmente por qué cualquier comparación de una GPU de Nvidia con las TPU de Google o con los aceleradores de AMD es de una simpleza absurda: simplemente, la carrera competitiva está pasando a un nivel superior, desde el chip hasta el sistema completo, y eso es algo que Nvidia ha interpretado especialmente bien, o que directamente ha sabido definir.

La verdadera diferencia competitiva está en CUDA, la plataforma de computación paralela y API de la compañía. Su origen data de 2006, mucho antes de que empezásemos a hablar de una posible explosión de una inteligencia artificial generativa que aún ni existía. Ahora, es un conjunto de cientos de librerías, SDK y frameworks que ha educado a toda una generación de desarrolladores en cómo pensar, desarrollar y optimizar sobre plataforma Nvidia. En realidad, es un caso de lock-in voluntario, un auténtico Hotel California: todos saben que pueden irse y dónde está la puerta, pero nadie quiere correr con el coste de reescribir, revalidar y volver a optimizar todo lo que ya tienen. Los rivales y los clientes de Nvidia no pueden competir con esa capa de creación de valor, aunque lo intenten con Triton y otras capas de abstracción similares.

Pero además, Nvidia ha conseguido algo muy difícil: convertir su roadmap de lanzamientos de producto en una genuina ventaja competitiva. Esto es algo dificilísimo, en lo que han fallado la mayoría de las compañías tecnológicas: por lo general, tus productos pierden casi completamente su valor cuando sacas al mercado una generación nueva, algo que hace que los clientes se piensen mucho la actualización. Nvidia ha ido pasando de una cadencia bienal a una anual, como vemos en una secuencia que tiene ya nombres propios que hasta nos empiezan a sonar a todos: de Hopper a Blackwell, a Blackwell Ultra, a Vera Rubin, a Rubin Ultra y a Feynman, lo que vemos son múltiples generaciones que, sin embargo, conviven en el mercado sin demasiados problemas y sin depreciarse excesivamente.

¿Cómo logra la compañía algo así? Primero, redefiniendo la métrica que vende, desde simples FLOPS hasta el coste por token. Si transicionas desde el entrenamiento hasta la inferencia y el razonamiento, lo que tus clientes cuestionan ya no es el precio de la GPU, sino lo que les cuesta producir un millón de tokens. Según la compañía, Rubin permite reducir a una décima parte el coste por token de inferencia con respecto a Blackwell, algo que por mucho que podamos considerarlo un argumento más de marketing de un fabricante, nos ayuda a entender el cambio en la conversación que busca la compañía para enfocarse en el rendimiento de los sistemas, en el consumo de energía, en la utilización o en el coste total de la operación, en lugar de simplemente en el precio de un producto.

Esa cadencia anual de lanzamiento de productos precisa, por un lado, que las compañías punteras, las otras big tech, necesiten sí o sí migrar a cada nueva generación que lanza Nvidia. Pero para poder hacerlo, necesitan justificar que lo que compran no va a ser simple chatarra sin valor en menos de dos años. ¿La solución? Segmentar el mercado: las nuevas generaciones de productos son para quienes precisan de una productividad máxima, pero las anteriores no se convierten en un producto desactualizado, sino que siguen siendo perfectamente válidas para quienes quieren que su coste amortizado siga siendo competitivo. Una forma de hacer que el mercado secundario trabaje para ti: si las compañías punteras saben que una GPU usada puede revenderse en tres o cuatro años con un precio razonable, los cálculos de coste cambian mucho. Y los que las compran usadas, en cualquier caso, no canibalizan las ventas de Nvidia, porque muy probablemente nunca se habrían planteado acceder a la nueva generación. Visto así, es como convertir tu mercado de productos nuevos y el secundario, el de productos usados, en algo que no es un sustituto, sino distintos peldaños en una escalera de adopción. Que cada generación nueva se convierta en imprescindible, pero sin hacer inútil la anterior.

Pero claro, esto da una idea a cualquier financiero que esté suficientemente atento: convertir los chips en un activo financiero. Algunas de las llamadas neoclouds ya usan sus GPUs de Nvidia como garantía de sus créditos, porque tienen un valor de recompra tangible y establecido. Nvidia ya está trabajando con Wall Street para poder estandarizar la financiación, el leasing y otras estructuras directamente garantizadas por ese tipo de activos. Con eso consigue que no tengas que tener el tamaño y el balance de una big tech para poder financiar la compra, establecer un valor residual o atraer inversores si compras productos de Nvidia, lo que permite pasar de una hipotética demanda residual a una demanda solvente que se traduce en más ventas.

Otra parte de la estrategia es la circularidad: Nvidia no es simplemente un fabricante de chips, sino que usa su enorme generación de cash para actuar como banquero y arquitecto de la infraestructura de la inteligencia artificial al entrar en acuerdos económicos con multitud de compañías que compran sus productos. Las ventas existen, no son ficticias, pero son básicamente circulares: yo invierto en tu data center, y tú me compras sus componentes a mí. Eso sí, considerando el tamaño de los clientes con los que llega a esos acuerdos y la concentración de ventas (hay un cliente que representa el 22% de las ventas, y otros están en el 14% o en el 10%), Nvidia está incorporando a su balance muchas de las vulnerabilidades que esos clientes pueden llegar a tener.

La paradoja, además, es que Nvidia puede hacer todo esto siendo fabless, es decir, sin fabricar nada, sólo diseñando arquitecturas que después fabrican TSMC o, en menor medida, Samsung, SK Hynix y otras. La compañía más valiosa del mundo depende de un puñado de fabricantes asiáticos concentrados en muy pocos países, una cadena de suministro que también le genera cierta vulnerabilidad.

Competitivamente, es un «todos contra Nvidia«: Google, AMD, Amazon, Broadcom y otros intentan competir en algunas partes de la cadena de valor, pero la respuesta de Nvidia es clara: elevar el nivel para competir en el todo y no en las partes. Y si cada generación de productos supera en prestaciones a la anterior pero no la convierte en inútil, eso da lugar a una pirámide de dependencias que hace la sustitución de una parte individual, como mínimo, complicada. Potencialmente, un punto en el que Nvidia, más tarde o más temprano, se terminará encontrando con la legislación antimonopolio.

Mi impresión es que Nvidia ha conseguido generar una plataforma que se alimenta de varios bucles a la vez: CUDA convierte los GPUs en más atractivos, los GPUs consiguen atraer a más desarrolladores, su volumen financia una I+D que permite sacar una nueva generación anual, la unión de las GPUs con el networking y los componentes suben el precio medio por operación, la financiación posibilita que más clientes compren, y el valor residual de los componentes usados permite que contribuyan a financiar los nuevos.

Sin duda, una estrategia brillante. ¿La habrán diseñado con inteligencia artificial?

In English on Medium, «Understanding Nvidia«

Mi columna de esta semana en Invertia se titula «La inteligencia artificial descubre el mundo físico» (pdf), y trata sobre una idea que me parece particularmente interesante: qué ocurre cuando la inteligencia artificial deja de limitarse a observar el mundo a través de los datos que generamos los humanos, y empieza, literalmente, a poder experimentarlo por sí misma. Mi excusa para hablar de ello es la próxima salida a bolsa de Unitree en Shanghai, una compañía que se ha convertido en uno de los nombres más visibles de la robótica china, y cuya evolución permite entender hasta qué punto los robots humanoides están dejando de ser una curiosidad destinada a hacer demostraciones espectaculares para convertirse en una plataforma tecnológica con implicaciones muchísimo más profundas.

Llevamos años hablando de modelos de lenguaje que parecen saber prácticamente de todo, pero ese «saber» tiene una característica que tendemos a olvidar: procede siempre de experiencias de terceros, de textos, imágenes, vídeos, sonidos y todo tipo de materiales generados o capturados previamente por otros. Incluso los modelos multimodales más avanzados continúan, en ese sentido, encerrados en una versión tecnológica de la caverna de Platón: pueden analizar extraordinariamente bien las sombras proyectadas en la pared, pero nunca han salido fuera para comprobar por sí mismos qué las produce.

Para mí, esa diferencia entre observar y experimentar es fundamental. Podemos explicarle a una inteligencia artificial de mil maneras cómo pesa un objeto, cómo se desliza una superficie mojada, qué resistencia ofrece un cajón al abrirse o por qué una taza caliente requiere determinadas precauciones, pero nada de eso equivale a poder tocar, empujar, levantar, dejar caer o manipular esos objetos y comprobar directamente las consecuencias. El paper «Experience grounds language«, de Bisk, Bengio et al, ya dejaba clara en 2020 esa distinción entre corpus, percepción y embodiment: actuar permite no sólo observar el mundo, sino intervenir en él y comprobar hipótesis.

En ese sentido, la robótica introduce algo mucho más interesante que la simple automatización del trabajo: introduce la posibilidad de cerrar un auténtico bucle de aprendizaje entre percepción, hipótesis, acción y consecuencia, en el que la inteligencia artificial ya no se limita a estudiar experiencias previamente registradas, sino que puede generarlas activamente, repetirlas, modificarlas y aprender de ellas.

Un robot equipado con cámaras, sensores táctiles, temperatura, presión, fuerza, posición o equilibrio puede construir una percepción del entorno incomparablemente más rica que la que obtiene un modelo simplemente analizando textos, imágenes o vídeos, y puede además relacionar cada percepción con sus propias acciones, algo que nos acerca mucho más a la forma en que los humanos y otros animales aprendemos realmente a desenvolvernos en el mundo.

A partir de ahí aparece otra cuestión que durante mucho tiempo me pareció casi estética, pero que cada vez considero más importante: ¿por qué empeñarnos en construir robots con forma humana? La primera respuesta resulta relativamente evidente: porque llevamos siglos construyendo prácticamente todo lo que nos rodea para cuerpos humanos, desde escaleras, puertas y herramientas hasta vehículos, fábricas, cocinas, ascensores, estanterías o interruptores. Un robot con nuestra altura aproximada, dos brazos, dos piernas y manos capaces de manipular objetos puede aprovechar directamente esa enorme infraestructura sin obligarnos a reconstruirla, una especie de gigantesca compatibilidad hacia atrás con un mundo diseñado durante siglos por seres humanos y para seres humanos.

Pero hay una segunda razón que me parece todavía más importante: si queremos que las máquinas aprendan a desenvolverse en nuestro mundo, resulta enormemente útil que puedan acumular experiencias comparables con las nuestras. Un humanoide puede aprovechar demostraciones humanas para aprender movimientos y tareas, pero puede además generar después cantidades gigantescas de datos acerca de cómo un cuerpo de dimensiones similares al nuestro interactúa realmente con su entorno. Esto abre una posibilidad que me parece fascinante: que el verdadero valor de los robots no esté únicamente en las horas de trabajo que puedan sustituir, en cuánto puedan producir o en cuántas tareas aburridas, peligrosas o repetitivas puedan asumir, sino también en la enorme cantidad de experiencia física que sean capaces de generar.

Unos cuantos millones de robots distribuidos por fábricas, almacenes, hogares, hospitales o calles podrían terminar convirtiéndose en una gigantesca infraestructura distribuida de aprendizaje, produciendo continuamente información sobre contacto, resistencia, equilibrio, fricción, causalidad, error y consecuencias, y alimentando con ella modelos cada vez más capaces de comprender no simplemente cómo describimos el mundo, sino cómo funciona realmente.

Hasta ahora, el gran combustible de la inteligencia artificial ha sido nuestra experiencia convertida en datos. Primero fueron textos, después imágenes, sonido y vídeo, y progresivamente hemos ido ampliando las modalidades con las que los algoritmos pueden aprender. La robótica puede introducir ahora un salto cualitativamente distinto: pasar de aprender de lo que otros experimentaron a adquirir experiencia propia. Y si eso ocurre, posiblemente recordaremos esta etapa no como aquella en la que empezamos a llenar fábricas y almacenes de muñecos con aspecto humano, sino como el momento en que la inteligencia artificial dejó de limitarse a mirar las sombras de nuestra experiencia y empezó, finalmente, a salir de la caverna.

In English on Medium, «Unitree’s IPO isn’t about robots, it’s about the future of AI«

En general, y a pesar de su enormidad y diversidad, tendemos a pensar en Rusia como en un lugar lejano, frío y con el que no tenemos mucha conexión en el mundo occidental. Por eso, que el común de los lectores no haya oído hablar jamás de WildBerries, el auténtico y conocidísimo rey del comercio electrónico en Rusia, es incluso normal.

A pesar de eso, la compañía fundada por Tatyana Kim en 2004 es un auténtico monstruo con más de siete mil millones de dólares en ventas y activos de casi cuatro mil millones, que generalmente se asocia con artículos como ropa, electrónica y productos de consumo cotidianos, aunque también han estado disponibles a través de la plataforma artículos militares y de doble uso, como cascos, dispositivos de visión nocturna y accesorios tácticos.

La compañía afirma que aunque los soldados, como el resto de la población, la utilicen habitualmente para comprar cosas, no es para nada un suministrador del ejército ruso. Y sin embargo, sus almacenes se han convertido recientemente en un claro objetivo de las armas ucranianas, capaces ahora de alcanzar prácticamente la totalidad de Rusia: más de veinte localizaciones de WildBerries han sido atacadas desde mediados de julio, se estima que destruyendo en torno al 20% de la capacidad logística de la empresa, en lo que podría interpretarse como una variante de la guerra psicológica: hacer que el ciudadano ruso promedio sea consciente de una guerra que ocurre, por lo general, muy lejos de su casa. Una guerra ilegal y criminal iniciada por Rusia, de la que Rusia es el único culpable, y en la que ha cometido todo tipo de ataques a infraestructuras civiles e incluso a la misma población civil y llevado a cabo todo tipo de barbaridades. Es muy importante que eso llegue a la población rusa.

El alto mando ucraniano afirma que WildBerries vende artículos como componentes de drones, GPS o equipamiento militar como chalecos o cascos, pero la inmensa mayoría de lo que vende son productos que carecen completamente de uso militar. Según la legislación humanitaria internacional, una localización puede ser considerada como objetivo militar si su naturaleza, localización, propósito o uso constituye una contribución efectiva a la acción militar y destruirla puede dar lugar a una ventaja al bando atacante. ¿Tiene sentido atacar los almacenes de WildBerries?

En este caso, el objetivo parece claro: dado que la compañía mueve aproximadamente la mitad del comercio electrónico del país y conecta a cientos de miles de proveedores con sus clientes a lo largo de las once franjas horarias en las que se divide Rusia, destruir la infraestructura que contiene el inventario de un proveedor o la ropa que un cliente quería adquirir genera un efecto mucho más visible e inmediato que destruir, por ejemplo, una refinería, por mucho que esta pueda dar lugar a un eventual racionamiento temporal de combustible. La idea, por tanto, además de interrumpir un posible suministro militar, es generar un fuerte descontento popular y producir efectos económicos colaterales a través de empresas y bancos. Es, claramente, el momento en que la guerra se traslada a las aplicaciones de comercio electrónico.

Se trata, fundamentalmente, de penetrar en la conciencia del ciudadano ruso: con un conflicto activo que dura ya más de tres años, únicamente el 46% de los rusos afirma estar siguiendo la evolución de la guerra, y un 19% la ignora completamente. Sin embargo, si se les pregunta qué eventos recuerdan de los últimos meses desde julio, la inmensa mayoría recuerdan los ataques con drones de largo alcance a los almacenes de WildBerries y a las refinerías. Claramente, Ucrania está consiguiendo convertir una guerra para muchos lejana en algo cada vez más difícil de ignorar.

¿A dónde nos lleva esto? A un debilitamiento cada vez mayor de la figura de Vladimir Putin, con una fatiga provocada por la guerra cada vez mayor a medida que más restricciones de gasolina, más caídas de internet y más ataques con drones llegan a cualquier lugar de Rusia. Eso ha hecho que el gobierno posponga constantemente una oleada de reclutamiento forzoso que necesita desesperadamente pero que sabe que sería tremendamente impopular, y que cada vez le resulte más complicado reclutar soldados voluntarios.

Nada garantiza que una estrategia de este tipo vaya a ser exitosa. Atacar objetivos estratégicos para hacer más miserable la vida de la población civil y que fuercen un cambio de poder es algo que, habitualmente, no ha funcionado en la mayoría de los conflictos, con la población y los gobiernos tendiendo generalmente a adaptarse, a resistir o a radicalizarse más aún. En el caso de Rusia, con un poder político prácticamente blindado, parece más complicado aún. Pero la gran pregunta, para mí, es qué pasa en una era en la que los drones baratos y con cada vez más rango de actuación hacen posible atacar prácticamente cualquier infraestructura de comercio, pagos, logística, comunicaciones o energía: ¿cuáles son ahora las infraestructuras que definimos como críticas?

In English on Medium, «Ukraine vs Wildberries: how Kyiv’s drone strikes deep into Russia are redefining critical infrastructure»

Vía Information Systems Research recibo un artículo en pre-print, «Profitability of open-source software product development«, que me pareció muy atractivo tanto por la temática como por el hecho de tener a Chris Kemerer, uno de mis profesores de referencia, ya emérito, entre sus autores.

Desde que la caída de los costes de coordinación bajaron lo suficiente como para hacer del software de código abierto una opción creciente, el mundo corporativo siempre ha tendido a verlo como una cuestión de costes, de compartir código o incluso de «trabajo gratis». Lo que este paper deja claro es que esa interpretación es completamente miope, y que las compañías que adoptan adecuadamente software de código abierto obtienen como media un incremento en su margen bruto de entre el 4% y el 5%.

Beneficios tangibles que, sin embargo, no funcionan de forma tan sencilla: lo interesante del paper es que no intenta cuantificar cuánto código aportan los que contribuyen al software, sino la cantidad de conocimiento que entra en la compañía. Tendemos a pensar que una compañía tiene limitado su aporte de conocimiento al que proporcionan las personas que puede contratar. Lo que el código abierto cambia es precisamente esa idea, al poder traer conocimiento de desarrolladores externos de cualquier lugar del mundo a los que no tenemos que (ni seguramente podríamos aunque quisiéramos) convertir en empleados.

Así, los efectos positivos sobre la productividad y la rentabilidad tienden a aparecer cuando los aportes de esos colaboradores externos suponen en torno al 35% de las contribuciones. Esto deja claro algo que todo aquel que tenga un mínimo de experiencia en código abierto ya sabía: que no basta con abrir un repositorio y subir código, porque los verdaderos beneficios empiezan realmente cuando se es capaz de construir una verdadera comunidad alrededor del mismo.

Esto nos lleva a una cuestión aparentemente contraintutitiva: que lo que hace falta es más empresa, no menos. ¿Por qué? Porque el conocimiento externo no puede absorberse solo. La posibilidad de una compañía para ser capaz de reconocer, de asimilar y de explotar ese conocimiento externo depende fundamentalmente de su conocimiento previo y de su inversión en I+D. Es decir, más allá de la idea de «la comunidad trabaja gratis», lo que tenemos es que el código abierto no sustituye necesariamente a los ingenieros, sino que consigue que los buenos ingenieros puedan ser más productivos.

Volviendo a los clásicos de verdad, como Ronald Coase en «The nature of the firm«, lo que tenemos que plantearnos en en dónde empiezan y en dónde terminan las empresas. Si tradicionalmente hemos entendido que coordinar muchas actividades internamente solía ser económicamente más ventajoso que hacerlo externamente a través del mercado, la magia que propone el código abierto y repositorios como GitHub es que la empresa pueda incorporar esas capacidades externas sin tener que incorporarlas a su estructura jerárquica. Y aún así, una de las conclusiones del paper es que no todos esos aportes externos son «voluntarios» como tales, ni tienen el mismo valor. Las compañías que utilizan comunidades de código abierto para ser capaces de acceder y de asimilar conocimiento externo dependen fundamentalmente de su gobernanza y de su capacidad de integración. Las compañías que mantienen niveles adecuados de recursos y liderazgo interno para controlar e integrar ese tipo de proyectos son las que de verdad consiguen hacerlo bien y capitalizar sus ventajas.

La gran idea, por tanto, no es que «si usamos más software gratis mejoramos nuestro margen», sino que una compañía puede ser capaz de ampliar su capacidad productiva sin incrementar necesariamente su plantilla, convirtiendo así una comunidad externa en una extensión de su capacidad cognitiva. Y si eso es posible, ¿qué posibilidades puede ofrecernos ahora que los costes de coordinación también se reducen gracias a aspectos como los agentes de inteligencia artificial? Estamos ante una auténtica disolución de la frontera entre lo que es un empleado, un colaborador o un ecosistema y su posible suplementación mediante inteligencia artificial, y esto va a suponer todo un abanico de posibilidades para la innovación corporativa. Pero eso sí: sólo para quienes sepan entenderlo.

In English on Medium, «Open-source’s real value lies in acquiring knowledge, but how can firms best do that?»

Durante los dos últimos años, las empresas han estado haciéndose la misma pregunta con formulaciones ligeramente distintas: ¿qué aplicación de inteligencia artificial deberíamos construir ahora?

¿Un agente de atención al cliente? ¿Un copilot de ventas? ¿Un asistente de compras? ¿Un agente de programación? ¿Un asistente de investigación? ¿Una capa de automatización de workflows? ¿Un chatbot conectado a datos internos? ¿Un modelo envuelto en una interfaz de usuario y conectado a herramientas?…

Todo eso puede, en muchos casos, tener sentido. Y de hecho, así es como empieza cada nueva era de la computación: primero, se intentan construir aplicaciones directamente sobre el nuevo sustrato. Se utilizan las herramientas existentes, se envuelve la nueva capacidad en interfaces familiares, y se ensamblan a mano las piezas que faltan.

Pero hay un momento en cada gran ciclo de computación en el que ese enfoque alcanza su límite. El problema ya no es si algo puede construirse, que puede que sí. Dado un número suficiente de ingenieros brillantes, casi cualquier cosa puede ensamblarse, y si no ensambla por las buenas, lo hace por las malas.

La verdadera pregunta pasa a ser si puede construirse de forma repetible, segura, barata y a escala. Es entonces cuando aparece el lenguaje. Y la inteligencia artificial empresarial puede estar llegando exactamente a ese punto.

El sustrato ya está aquí

La historia de la computación contiene un patrón muy recurrente: la infraestructura llega primero, y el lenguaje que la hace productiva aparece después. El mainframe ya existía antes de que Fortran diera a la computación científica un lenguaje de alto nivel realmente utilizable. La programación de sistemas ya existía antes de que C hiciera posible escribir software portable y potente a un nivel cercano al de la máquina. Los servidores corporativos ya existían antes de que Java se convirtiera en la gramática por defecto de las aplicaciones empresariales. Y si todos estos ejemplos te suenan, además de tener una edad, vas a entender perfectamente por dónde voy.

El ejemplo más claro es el de la web. Internet ya funcionaba antes de la World Wide Web. El conjunto de protocolos TCP/IP ya movía paquetes. El sistema DNS ya resolvía nombres. El correo electrónico ya conectaba instituciones. El FTP ya transfería archivos. Los servidores ya existían. Las universidades, laboratorios y organizaciones técnicamente sofisticadas ya podían utilizar la red. Pero para las organizaciones «normales», internet todavía no era un entorno de negocio: era pura infraestructura.

Entonces llegó una capa fina, engañosamente simple: URL, HTTP, HTML, navegadores y servidores. La historia de la web del CERN explica que Tim Berners-Lee inventó la World Wide Web en el CERN en 1989 y que su idea básica era fusionar ordenadores, redes de datos e hipertexto en un sistema global de información. La arquitectura de la web del W3C describió después la web como un espacio de información en el que los recursos se identifican mediante URI. La RFC 9110, por su parte, define el HTTP como un protocolo de nivel de aplicación sin estado para sistemas distribuidos de información hipertextual.

Nada de eso inventó las redes: simplemente hizo que las redes fueran legibles. La web no creó internet, pero redujo drásticamente el coste de utilizarla.

Y ahí es donde me parece que se encuentra hoy la inteligencia artificial empresarial.

Estamos programando la nube inteligente… a mano

El sustrato para la inteligencia artificial empresarial ya es notablemente completo. Los modelos de frontera ya están disponibles como servicios gestionados. La capacidad de cómputo con GPU ya es elástica. Las bases de datos vectoriales ya son maduras. El almacenamiento ya es abundante. La recuperación de información, la orquestación, la evaluación, la seguridad y la infraestructura de aprendizaje por refuerzo ya existen de una forma u otra.

Y, sin embargo, la mayor parte de la inteligencia artificial empresarial sigue teniendo un aire completamente artesanal. ¿Por qué? Porque el nuevo sustrato se está programando a mano. Una aplicación moderna de inteligencia artificial suele ser un montón de glue code: scripts en Python, envoltorios de frameworks, gestión de estados personalizada, memoria construida a mano, observabilidad separada, permisos separados, orquestación separada, durabilidad separada, sandboxes separados, guardrails separados…

Cada equipo reconstruye como puede las mismas propiedades que faltan: estado persistente, ejecución duradera, memoria, observabilidad, seguridad, auditabilidad, aprendizaje, gobernanza, retroalimentación, gestión del contexto…

La evidencia se ve en el propio mercado. La ejecución duradera se ha convertido en una auténtica categoría, con empresas como Temporal ofreciendo infraestructura para workflows que pueden ejecutarse durante días, semanas o incluso años a pesar de los fallos. La memoria de agentes y el estado persistente también se están convirtiendo en categorías: la documentación de Letta describe los agentes con estado como identidades de inteligencia artificial persistentes con su propia memoria, herramientas, configuración de modelo e historial de mensajes, mientras Zep se posiciona explícitamente alrededor de la memoria de agentes. La observabilidad tiene su propio ecosistema, con proyectos como OpenTelemetry estandarizando cómo el software emite trazas, métricas y logs.

Son tecnologías útiles. Pero su proliferación también nos dice algo importante: las propiedades que necesitan las aplicaciones inteligentes todavía no son nativas en la capa en la que se están construyendo, y por eso precisan de toda esa parafernalia. Cada una de las funciones olvidadas que faltan se convierten en una categoría de producto más a explotar.

Eso no es necesariamente un ecosistema: es más bien una factura que hay que pagar por un lenguaje que no tenemos aún.

El problema no es la posibilidad. Es el coste

La respuesta habitual a este argumento es predecible: todo puede construirse ya con las herramientas actuales. Es cierto… pero no es lo relevante.

Antes de los lenguajes de alto nivel, todo podía construirse, si uno quería, en ensamblador. Antes de la web, podían construirse aplicaciones en red con protocolos personalizados. Antes del ERP, las empresas podían construir sistemas a medida contratando a un ejército de consultores. Antes de las plataformas cloud, la infraestructura podía aprovisionarse manualmente. La pregunta nunca fue si algo era posible: la pregunta era cómo de caro, frágil, lento y poco repetible resultaba.

Los lenguajes importan porque cambian la estructura de costes: toman propiedades que antes exigían ingeniería personalizada, y las convierten en nativas. Transforman esfuerzo repetido en gramática. Un lenguaje no necesariamente hace posibles cosas nuevas en sentido teórico, eso ya lo hace la Turing-completeness. Lo que sí hace es convertir lo caro en barato, lo artesanal en repetible y lo frágil en duradero. A ciertos niveles de coste, eso es indistinguible de la creación.

Por eso la cuestión del lenguaje no es una preocupación académica: es una cuestión económica. La capa ganadora en computación no suele ser la infraestructura más profunda, sino la abstracción que hace productiva esa infraestructura. Internet no fue suficiente: la web fue el multiplicador. Lo demás es historia.

Los modelos no son el lenguaje

Durante los dos últimos años, la industria de la inteligencia artificial ha venido tratando los modelos como el centro de gravedad: ¿qué modelo razona mejor? ¿Cuál escribe mejor código? ¿Cuál tiene la ventana de contexto más grande? ¿Cuál gana el último benchmark? ¿Cuál es más barato? ¿Cuál es más rápido?

Esas preguntas siguen siendo importantes, pero se están volviendo menos decisivas. A medida que los modelos mejoran y se vuelven más ampliamente disponibles, la inteligencia empieza a parecer menos el recurso escaso y más una infraestructura. Eso no hace que los modelos dejen de ser importantes: la electricidad no dejó de ser importante cuando se convirtió en infraestructura. La computación no dejó de ser importante cuando se convirtió en infraestructura. Las redes no dejaron de ser importantes cuando se convirtieron en infraestructura.

Pero lo que sí ocurrió es que el valor empresarial se desplazó hacia arriba: las empresas no compran un ERP porque admiren las bases de datos. No compran Salesforce porque admiren el SQL. No construyen sobre la web porque disfruten pensando en la semántica de HTTP. Construyen sobre la capa que convierte el sustrato en algo utilizable a nivel organizacional. La inteligencia artificial se mueve en la misma dirección: el modelo genera, pero la empresa necesita persistir, coordinar, restringir, auditar, medir y aprender.

Eso no son para nada capacidades del modelo como tales: son (o deberían ser) propiedades del sistema.

Las metáforas no industrializan nada bien

Una de las razones por las que la inteligencia artificial empresarial sigue atascada es que la industria continúa recurriendo a metáforas humanas: los agentes tienen memoria, planifican, reflexionan, usan herramientas, delegan, sueñan, necesitan supervisión, tienen roles… se comportan como empleados.

Las metáforas son útiles porque hacen que sistemas poco familiares resulten más fáciles de discutir. Dan a los directivos una forma de imaginar lo que ocurre, y a los equipos de producto un vocabulario. Pero las metáforas no industrializan. Una memoria no es un modelo de datos. Un prompt no es una restricción. Un historial de conversación no es un estado operativo persistente. Una llamada a una herramienta no es un workflow. Un log no es un diario. Un human-in-the-loop no es gobernanza. Un chatbot conectado a datos empresariales no es una arquitectura empresarial.

El software se vuelve industrial cuando se formaliza. Las bases de datos relacionales se volvieron industriales cuando las tablas, las claves, las transacciones y las restricciones dieron a los desarrolladores un conjunto de invariantes compartido. La web se volvió industrial cuando los recursos, las URI, los métodos HTTP y los formatos documentales crearon una gramática común. El ERP se volvió industrial cuando los objetos de negocio, los procesos, las transacciones y los datos maestros dieron a las empresas una representación repetible de sus operaciones.

La inteligencia artificial empresarial todavía carece de un equivalente a eso. Tiene capacidades extraordinarias, tiene demos impresionantes, tiene frameworks, APIs, copilots, agentes y herramientas de orquestación. Pero aún no tiene el lenguaje formal en el que las operaciones empresariales inteligentes puedan expresarse de manera natural.

El próximo gran avance puede que parezca aburrido

Por eso el próximo gran avance en inteligencia artificial empresarial quizá no parezca dramático al principio: puede que no sea un modelo que escriba mejor poesía, que produzca mejor vídeo, que resuelva problemas matemáticos más difíciles o que supere otro benchmark. Puede parecer algo mucho menos glamouroso: una decisión de lenguaje.

Un lenguaje en el que los agentes sean persistentes por defecto. Un lenguaje en el que la ejecución sea duradera por defecto. Un lenguaje en el que cada cambio de estado significativo pase a formar parte de la biografía anotada del sistema. Un lenguaje en el que los permisos, las restricciones y la auditabilidad no sean capas externas, sino auténticas propiedades estructurales. Un lenguaje en el que los resultados de negocio no sean métricas de cuadro de mando inspeccionadas a posteriori, sino señales de recompensa de las que los bucles de los sistemas puedan aprender.

Y, sobre todo, un lenguaje en el que ese bucle de aprendizaje sea nativo: ese es de verdad el premio gordo. La inteligencia artificial empresarial se vuelve transformadora no cuando responde a más preguntas, sino cuando puede observar, actuar, medir, aprender y mejorar frente a resultados de negocio. Hoy, ese bucle suele diseñarse aplicación por aplicación, y se ensambla con herramientas, workflows, scripts de evaluación, pipelines de datos y revisión humana.

En el momento en que ese bucle pase a formar parte intrínseca del lenguaje, la economía de la categoría cambiará. Eso es lo que hacen los lenguajes: comprimen la complejidad. Hacen posibles los ecosistemas. Permiten que desarrolladores y organizaciones normales construyan cosas que antes requerían especialistas. Transforman ingeniería personalizada en arquitectura repetible.

¿Dónde está el equivalente a la web en la inteligencia artificial empresarial?

La nube inteligente ya está aquí: los modelos ya son reales, la infraestructura ya es real, las capacidades ya son reales, las demos ya son impresionantes… pero sigue faltando la capa que hace todo esto programable en el nivel de abstracción adecuado.

Por eso la inteligencia artificial empresarial actual se siente a la vez revolucionaria… e incompleta. La potencia bruta está ahí, pero hay demasiado trabajo que sigue consistiendo en reconstruir toda la gramática que falta: estado, contexto, identidad, permisos, durabilidad, observabilidad, retroalimentación, aprendizaje y gobernanza.

La pregunta, por lo tanto, no es si las empresas necesitan otra aplicación de inteligencia artificial: lo que necesitan es el lenguaje que haga que esas aplicaciones sean lo bastante baratas, seguras, repetibles y adaptativas como para convertirse en importantes. Cuando ese lenguaje aparezca, gran parte del panorama actual de la inteligencia artificial empresarial se parecerá a lo que era internet antes de la web: poderoso, real, técnicamente impresionante, pero esperando por esa abstracción que lo haga finalmente utilizable.

(This article was previously published on Fast Company)

Es una de las consecuencias más claras de las prisas y la mala planificación de las inversiones en inteligencia artificial: las compañías que antes se llenaban la boca con las energías renovables y que instalaban y adquirían solar y eólica como si no hubiese un mañana únicamente para proyectar una hipócrita imagen amigable, ahora, con el ignorante más aberrante que hemos presenciado en política y energía en la Casa Blanca, Donald Trump, se lían la manta a la cabeza instalando turbinas de gas para proporcionar energía a sus centros de datos. En un caso, el del centro de datos de Amazon en Texas, estamos hablando nada menos que de la instalación industrial más contaminante de todos los Estados Unidos, y el resto de compañías no le van a la zaga.

En efecto, todas las ínfulas de Amazon, Google, Meta y compañía con respecto al medio ambiente eran una pura y absoluta farsa. Pero no, no vengo hoy a hablar de la emergencia climática: lo que vengo a comentar es cómo esas compañías van a arrepentirse una y mil veces de haber invertido en centrales de gas, precisamente en un momento en el que la producción de gas de los Estados Unidos se ha estancado, cuando el país está exportando mucho más gas licuado a otros mercados imponiendo una deriva claramente alcista a sus precios, y cuando la coyuntura geopolítica anticipa cualquier cosa menos un descenso de su precio. Según Noreva, el precio del gas puede proyectarse con cierta confianza por encima de los $10/MMBtu en múltiples hubs frente a los entre $2 y los $4.50 actuales. Y el gas representa en torno a la mitad del coste de la electricidad producida en una central que lo utilice, lo que sin duda va a dar lugar a un importante impacto sobre el coste de la computación.

Las prisas siempre han sido muy malas consejeras. De hecho, esas compañías que buscan ahora soluciones rápidas en lugar de invertir en sistemas basados en renovables con baterías perfectamente capaces de proporcionar flujos estables de energía, se están encontrando con que esas instalaciones, debido al fuerte pico de demanda, se han puesto literalmente por las nubes. Pese a que, como todo en los combustibles fósiles, hablamos de tecnologías obsoletas y más que probadas, se ha generado un cuello de botella en la entrega de este tipo de centrales que ha encarecido su precio en más de un 195%, y que prolonga sus plazos de entrega en hasta seis años: lo que parecía una solución fácil y barata (además de sucia), ahora no es ni fácil, ni rápida, ni barata en absoluto. Justo castigo a su perversidad. De pocas cosas me he alegrado más en lo personal que de haber desenganchado completamente mi casa de la traída de gas hace cinco años. Y más cuando tres años antes ya me había desenganchado de las gasolineras. Un acierto total.

Pero los problemas del gas no terminan en su instalación: es que además, al vincular la cadena productiva de la inteligencia artificial con el suministro de gas, esas compañías están apostando a uno de los mercados más inestables y vulnerables del planeta. Pronto, empezaremos a ver los reportes de resultados de Google, Meta o Amazon en función del precio del gas que marca el Henry Hub, y compararemos con el resto de compañías, entre otras las chinas, que apostaron por un futuro a más largo plazo, en el que una vez instaladas las infraestructuras, el coste tiende a ser decreciente y, durante varias décadas, el menor que puede obtenerse a cambio de energía. Las big tech americanas se están convirtiendo, intencionadamente, en compañías expuestas a las fluctuaciones del precio de una commodity fósil, una materia prima cuyo precio está completamente fuera de su control. En cambio, una vez que has construido una instalación de generación basada en renovables, el precio de la energía generada tiende a cero. Decir que Trump es estúpido no resulta en absoluto sorprendente para nadie a día de hoy… pero evidenciar que los directivos de las big tech también lo son y que creen las mismas estupideces genera un poco más de sorpresa.

Es un error estratégico de manual: apostar a «lo que puedo instalar más rápidamente hoy» (para que al final ni siquiera sea eso) frente al «qué me puede proporcionar la mejor estructura de costes durante las próximas décadas». Por otro lado, hay una evidencia interesante: muchas de las cargas vinculadas a la inteligencia artificial pueden desplazarse temporal o geográficamente, porque no toda inferencia ni todo entrenamiento tiene que ejecutarse exactamente en el mismo momento. Eso lleva a que, en realidad, una compañía con varios data centers pueda balancear sus cargas en función de la energía renovable más barata disponible en cada momento en cada localización, lo que ofrece una flexibilidad que permite rebajar más aún los costes y la necesidad de instalación de baterías (que en cualquier caso, como los paneles solares, tiene costes claramente descendentes). Esa posibilidad, integrar la infraestructura renovable con el propio scheduling de los data centers, hace que tengan un encaje especialmente bueno para las renovables. Pero claro, quién le dice al idiota del presidente que vamos a instalar renovables…

¿Quieres apostar por el gas? Vale, apuesta por el gas, y ya verás. Ni siquiera voy a decirte que no lo hagas por el clima: voy a decirte que, sin ningún género de dudas, te arrepentirás por tu cuenta de resultados.

In English on Medium, «Big Tech wants cheap, reliable power. Gas isn’t it»

Informa Le Monde que Francia acaba de prohibir completamente las llamadas de telemarketing no solicitadas desde ayer 11 de agosto de 2026, un paso fundamental para acabar con una pesadilla que aqueja a una gran cantidad de ciudadanos en países desarrollados. La prohibición es total, sin eximentes ni excepciones, y ofrece además una página web gubernamental en la que denunciar fácilmente y de manera inmediata las llamadas de telemarketing recibidas. Dar tu consentimiento a través de sistemas absurdos, como el esconder una cláusula abusiva en las condiciones que hay que aceptar para cumplimentar una encuesta o participar en una lotería no va a funcionar tampoco: algo no solicitado es algo no solicitado, y no conozco a nadie en su sano juicio que desee recibir voluntariamente llamadas de telemarketing.

No es el primer país que lo hace: Alemania prohibió estas llamadas el 4 de agosto de 2009, con resultados muy razonables. Aún así, se convirtió un poco en un juego de gato y ratón en el que algunas compañías comenzaron a considerar las multas como un coste más del negocio, mientras otras pasaron a operar desde el extranjero para dificultar la persecución legal, y otras se dedicaron a enterrar esas cláusulas abusivas en las condiciones de distintos servicios.

Otros países, en cambio, utilizan sistemas basados en la proactividad del usuario para apuntarse en registros de tipo Lista Robinson que teóricamente deben ser cruzados con las listas que los telemarketers utilizan en sus campañas, con mejor o menor resultado: aunque mi experiencia con la Lista Robinson en España, en la que tengo inscritos y actualizo periódicamente todos mis teléfonos y correos electrónicos, es en general muy buena, lógicamente, no puede esperarse de compañías con la escasísima o nula ética que respeten este tipo de listas o que tengan el menos respeto por las preferencias de sus usuarios. No olvidemos que muchas de estas compañías enfocan su actividad expresamente a estafar a personas de edad avanzada que estiman que ofrecerán menos resistencia y a las que pretenden convencer con llamadas alarmistas, que ofrecen condiciones supuestamente mucho mejores que las que tienen en determinados servicios como electricidad o comunicaciones.

Las llamadas de telemarketing se han convertido en una interrupción habitual en el día a día de muchas personas, y se han normalizado hasta un punto tal que muchos parecen considerarlas un mal menor que simplemente hay que soportar. No es así: se trata de una actividad asquerosa, injustificable bajo ningún punto de vista y que debe ser radicalmente prohibida, como deben serlo también prácticas como el buzoneo, el reparto manual callejero de panfletos, el «parabrising», el «poming» y otras mil estupideces del llamado «marketing de guerrilla» (una basura inmunda que supuestamente justifica a algunos para perseguir y atacar a cualquiera con la excusa de «qué creativos somos»). Necesitamos leyes sólidas e inapelables que permitan multar de manera completamente disuasoria a las compañías que lo lleven a cabo. No hay medias tintas ni debe haber excepciones amparadas por nada: los ciudadanos de un país civilizado tienen que tener derecho a no ser perseguidos ni importunados por ofertas comerciales, y cualquier intento de hacerlo debe ser severamente perseguido.

El caso francés ha generado una gran inquietud en Marruecos, en donde se estima que entre 40,000 y 50,000 personas trabajan en call centers en los que el 80% de la actividad se dedica a la persecución implacable de ciudadanos en Francia. Si algunas compañías sin ética ni sentido común han decidido hacer de eso su actividad principal es problema suyo, y nunca debemos justificarla en función de una presunta creación de empleo. Acabemos con esa auténtica lacra social, multemos hasta la extenuación a quienes pretendan normalizarla o convertirla en un supuesto mal menor, y terminemos con una paradoja evidente: nadie quiere recibir esas llamadas, pero todos las recibimos y nadie hace nada.

Vive la France!

In English on Medium, «France says au revoir to the cold call»

Hace poco, el pasado día 1 de junio, Anthropic confirmó que había presentado ante la SEC de manera confidencial un borrador de S-1, el documento que contiene la información comercial y financiera básica de un emisor con respecto a una oferta de valores específica que se dispone a ofrecer al público.

El significado de esto es aún muy limitado: sí, la compañía está planeando su salida a bolsa, pero aún no tenemos ni un folleto informativo público, ni detalles tan importantes como un precio, un número de acciones o una métrica del tamaño definitivo de la operación, que la compañía ha aplazado con algo tan vago como que «dependerán de las condiciones del mercado», como si algo no dependiese de eso.

Ayer, el WSJ contaba que la empresa está reuniéndose con posibles inversores para generar confianza, habla de que podría ser una de las salidas a bolsa más grandes de la historia, y que todo apunta a septiembre o a principios de octubre, con lo que ya tenemos algunas perspectivas de la operación aunque aún falten sus términos definitivos.

¡A qué se refieren exactamente con «la mayor salida a bolsa de la historia? Hasta hace poco, ese título puramente honorífico correspondía a Saudi Aramco, pero en junio, a Elon Musk le dio por colocar $75,000 millones a $135 por acción para una valoración de $1.7 billones de SpaceX, que tras la correspondiente sobreasignación bancaria se cifran en $85,700 millones y roban el título a la energética saudí. ¿Puede plantearse Anthropic superar esas magnitudes? Si nos quedamos con cifras mencionadas anteriormente, estaríamos hablando de alrededor de $60,000 millones, algo fastuoso y decididamente digno de atención para una compañía tan joven, pero no tanto como para reclamar ese récord.

El pasado 28 de mayo, Anthropic levantó $65,000 millones en una sola ronda a una valoración post-money de $965,000 millones, algo que no estaba ni en las imaginaciones más calenturientas de sus fundadores, los hermanos Dario y Daniela Amodei, hace tan solo unos añitos. Según la compañía, su run rate revenue había sobrepasado los $47,000 millones en mayo. El pasado febrero había levantado otros $30,000 millones sobre una valoración de $380,000 millones, y afirmaba tener una run rate de $14,000 millones. Y es precisamente esa velocidad de crecimiento, tanto de ventas como de valoración, lo que justifica claramente la salida a bolsa.

Sin embargo, hay que levantar un poco la ceja: una cifra de run rate no equivale a ingresos anuales auditados, y menos aún teniendo en cuenta que tanto Anthropic como OpenAI mantienen algunas controversias sobre su forma de contabilizar los ingresos que canalizan a través de AWS y Google Cloud, con acusaciones cruzadas en las que, por ejemplo, OpenAI afirma que Anthropic está contabilizando más de $8,000 millones adicionales cuando presenta determinados ingresos brutos (Anthropic afirma utilizar prácticas contables completamente estándar, o GAAP).

Pero el punto central de todo este tema no está simplemente en si Claude resulta ser más popular o no, sino en los ingentes recursos que hacen falta para que funcione. En el fondo, esta salida a bolsa tiene mucho más que ver con la financiación de una enorme infraestructura industrial que con cosas más habituales en una compañía dedicada al software. Los acuerdos que Anthropic ha firmado hasta el momento son cuestiones como la compra de más de $100,000 millones de servicios a Amazon AWS junto con hasta 5GW de capacidad computacional basados en sus chips, a cambio de que Amazon invierta $25,000 millones en Anthropic; o los $40,000 millones que invertirá Google en circunstancias similares con los hasta $15,000 millones vinculados únicamente a la construcción de un data center en Texas prácticamente exclusivo para Anthropic. Esta salida a bolsa, por tanto, es en realidad un relato sobre los equilibrios y acuerdos que hay que hacer para conseguir financiar una capacidad de computación descomunal.

Por otro lado, la compañía comienza a dejar ver algunos signos de rentabilidad, lo que la separaría un poco de la típica narrativa de las startups que devoran enormes cantidades de dinero mientras se dedican a crecer a toda costa. El pasado mayo, las proyecciones eran de $10,900 millones de ingresos para el segundo trimestre, un incremento del 130%, y un primer beneficio operativo trimestral, aunque cabe la duda de cómo se están imputando los costes de entrenar y ejecutar los modelos. Pero por ahora, mientras no tengamos resultados financieros correctamente auditados, lo pondremos en el capítulo de «veremos».

El riesgo, o uno de ellos, es que a pesar de semejante despliegue de recursos, la inteligencia artificial evolucione para convertirse en una commodity, con modelos abiertos cada vez más baratos, con competencia china o de modelos con arquitecturas de 1-bit, y una batalla en precios cada vez más fuerte. Si añadimos a esto la dimensión regulatoria, con una Anthropic que no es una compañía cualquiera sino que está en el ojo del huracán de las decisiones de la imprevisible y errática administración Trump, la pregunta realmente interesante no es si Anthropic vale esto o aqeullo, sino lo que esto nos puede decir sobre la evolución de la inteligencia artificial como industria: una transición de la financiación que va desde el venture capital, a los hyperscalers, a los mercados de capitales y, finalmente, a la deuda y a las infraestructuras, y todo ello en una compañía fundada en 2021. La inteligencia artificial de frontera ha empezado ya a seguir el guión de las industrias intensivas en capital. Con todo lo que ello conlleva. Así que, si te planteas invertir, que sepas dónde lo estás haciendo.

This article is also available in English on my Medium page, «Anthropic: the little company that could readies to join the giants of Wall Street»

Mi columna de esta semana en Invertia se titula «La carrera hacia los números rojos» (pdf), y trata sobre una paradoja que me parece particularmente interesante: cómo algunas de las compañías más rentables, poderosas y generadoras de caja de la historia están decidiendo, de manera perfectamente consciente, llevar sus flujos de caja hacia cero o incluso hacia terreno negativo con tal de no quedarse atrás en la carrera por la inteligencia artificial.

La inversión llevada a cabo por esas compañías es tan elevada que ya supera el 2.1% del PIB de los Estados Unidos, la inversión que dio lugar a su red de ferrocarriles, o diez veces la inversión anual del programa Apollo.

Microsoft, Google, Amazon, Meta y Oracle están gastando cantidades extraordinarias en centros de datos, chips, redes eléctricas, refrigeración y todo tipo de infraestructuras necesarias para entrenar y servir modelos de inteligencia artificial. Según el análisis de The Washington Post a partir de datos de S&P Global Market Intelligence, el free cash flow agregado de esas cinco compañías podría prácticamente desaparecer en 2026 y caer hasta unos 125,000 millones de dólares negativos en 2027. Estamos hablando, por tanto, no de startups financiadas por inversores dispuestos a quemar dinero en busca de crecimiento, sino de auténticas máquinas de generar beneficios que están optando deliberadamente por reinvertirlos a una escala difícil de imaginar.

La pregunta interesante, obviamente, no es si la inteligencia artificial tiene futuro. A estas alturas, discutir eso resulta bastante poco útil. La cuestión es si quienes están poniendo cientos de miles de millones encima de la mesa serán realmente quienes capturen el valor económico que esa tecnología termine generando. La historia de la tecnología está llena de infraestructuras absolutamente transformadoras como los ferrocarriles, la electricidad, las telecomunicaciones, la fibra óptica o internet que cambiaron el mundo sin garantizar necesariamente grandes retornos a todos los que financiaron su construcción. Una cosa es crear muchísimo valor, y otra bastante distinta conseguir apropiarse de él.

El caso de SpaceX lleva esa lógica todavía más lejos y pone a los inversores todavía más nerviosos: tras su entrada en inteligencia artificial, la compañía ha destinado una proporción enorme de su inversión a capacidad de computación y afirma poder recuperar determinadas inversiones en menos de un año alquilándola a terceros, mientras su negocio de inteligencia artificial continúa todavía registrando pérdidas. Es una apuesta enormemente agresiva basada en una hipótesis muy concreta: que la capacidad computacional seguirá siendo suficientemente escasa y valiosa como para justificar construirla antes de saber exactamente para qué va a terminar utilizándose.

Y ahí está, para mí, el aspecto más interesante de toda esta carrera: posiblemente estemos ante un problema clásico de teoría de juegos. Desde el punto de vista colectivo, las grandes tecnológicas podrían estar construyendo demasiada infraestructura, demasiado deprisa y a precios excesivamente elevados. Pero desde el punto de vista individual de cada una de ellas, reducir la inversión puede resultar aún más peligroso. Si la inteligencia artificial termina siendo efectivamente una tecnología de propósito general y determina la próxima gran reorganización de la economía, llegar tarde podría resultar muchísimo más caro que haber invertido demasiado.

Eso convierte buena parte de este gasto no tanto en una inversión convencional como en el precio de una opción estratégica: pagar hoy cantidades gigantescas para asegurarse el derecho a competir mañana, aunque todavía no sepamos si el valor estará fundamentalmente en los modelos, en los agentes, en la nube, en las aplicaciones, en los chips, en la distribución o en alguna combinación que ni siquiera hemos imaginado aún.

¿Estamos ante una burbuja? Perfectamente posible, llevo diciéndolo mucho tiempo: una burbuja es la forma natural de la especie humana de reaccionar ante una tecnología de propósito general, un «todos a por ella». ¿Ante la construcción de la infraestructura que sostendrá la próxima fase de la economía digital? También. Y esas dos cosas, aunque pueda parecer contradictorio, no son en absoluto incompatibles. Muchas de las grandes revoluciones tecnológicas de la historia vinieron acompañadas de enormes excesos de inversión, quiebras y destrucción de capital. Las matemáticas de la inversión en inteligencia artificial son simplemente imposibles.

La cuestión, por tanto, no es simplemente si estas compañías están gastando demasiado. Es bastante más incómoda: cuando nadie sabe todavía cómo va a repartirse el valor de una tecnología potencialmente transformadora, ¿qué resulta más irresponsable para una gran compañía: arriesgarse a perder cantidades enormes intentando estar en primera línea, o proteger cuidadosamente sus beneficios y descubrir unos años después que se quedó fuera de la siguiente gran plataforma tecnológica?

This article is also available in English on my Medium page, «Big AI’s dilemma: the cost of going into the red today vs the cost of waiting until tomorrow»