Una metáfora puede inspirar un producto. Un modelo formal crea una industria.

La razón por la que la inteligencia artificial empresarial sigue siendo obstinadamente artesanal no es que los modelos sean demasiado débiles.

No es porque las ventanas de contexto sean demasiado pequeñas, ni porque los agentes necesiten mejores prompts, ni porque las empresas se resistan a adoptar la tecnología. Todos esos son problemas visibles. Pero no son el más profundo.

El problema más profundo es que la industria sigue construyendo a partir de metáforas. Y las metáforas no industrializan nada.

Durante los dos últimos años, la inteligencia artificial empresarial se ha llenado de analogías humanas. Hablamos de memoria, reflexión, planificación, delegación, retroalimentación e incluso sueño. Business Insider describía recientemente la técnica de «soñar» de Anthropic para agentes de inteligencia artificial, un ejemplo revelador de hasta qué punto la industria recurre de forma natural a metáforas humanas para describir sistemas que son, en realidad, arquitecturas computacionales.

Las metáforas son útiles. Hacen que los sistemas complejos sean más fáciles de entender. Ayudan a los equipos de producto a explicar lo que hacen sus sistemas. Ayudan a los directivos a creer que están comprando algo familiar.

Pero existe una diferencia entre una metáfora y un modelo: una metáfora describe algo. Un modelo lo formaliza. Y esa distinción puede explicar por qué la inteligencia artificial empresarial sigue atrapada entre demostraciones asombrosas y despliegues frustrantes.

El software se industrializa cuando se formaliza

Todas las grandes revoluciones del software han seguido el mismo patrón: primero llegó la capacidad. Después la formalización. Solo entonces apareció la plataforma.

Las bases de datos relacionales no surgieron porque alguien construyera un archivador mejor. Surgieron porque Edgar F. Codd introdujo un modelo relacional formal de los datos, definiendo toda una forma de pensar sobre relaciones, operaciones, redundancia, consistencia e independencia de los datos. El SQL, las aplicaciones, los proveedores y los ecosistemas llegaron después. Primero apareció la abstracción.

La web no se volvió transformadora porque los navegadores se hicieran más atractivos. Se volvió transformadora porque los recursos adquirieron identidades formales. El documento «arquitectura de la World Wide Web» del W3C define la web como un espacio de información en el que los recursos se identifican mediante URI. El HTTP, formalizado en la RFC 9110, es un protocolo sin estado cuyas peticiones pueden interpretarse de forma independiente. El HTML, las URL, los métodos HTTP o los códigos de estado no eran detalles decorativos. Eran la gramática que permitió industrializar la web.

Los ERP siguieron exactamente el mismo camino. SAP no se convirtió en dominante porque diseñara interfaces más bonitas que los consultores. Tuvo éxito porque formalizó la empresa alrededor de procesos, transacciones, datos maestros, lógica contable, inventarios, compras y relaciones operativas. Esa gramática compartida hizo que las implementaciones fueran suficientemente repetibles como para permitir la aparición de socios, integradores, plantillas, extensiones y, finalmente, ecosistemas completos.

Así es como escala el software: no mediante mejores metáforas, sino mediante abstracciones formales. La inteligencia artificial empresarial tiene capacidad. Lo que todavía le falta es formalización.

La memoria no es un modelo de datos

Consideremos uno de los conceptos más habituales en la inteligencia artificial actual: la memoria.

La mayoría de las plataformas modernas de inteligencia artificial ofrecen ya alguna versión de ella. La documentación de Microsoft para Azure OpenAI Assistants describe hilos persistentes que almacenan el historial de mensajes y lo truncan cuando supera la longitud de contexto del modelo. El equipo de ingeniería de Anthropic, al hablar de agentes de larga duración (long-running agents), describe el desafío de trabajar a través de múltiples ventanas de contexto y la necesidad de preservar continuidad entre sesiones.

Todo eso es útil. Pero nada de eso es, por sí solo, un modelo de datos. Una memoria te dice qué ocurrió. Un modelo te dice qué puede ocurrir. Un modelo adecuado define identidad, estado, relaciones, permisos, restricciones y transiciones válidas. Crea invariantes: propiedades que el sistema garantiza independientemente de quién lo utilice o cuántas veces se ejecute.

La memoria, por sí sola, no proporciona eso: puede recuperar contexto, puede reconstruir historial, puede resumir decisiones. Pero no representa formalmente un cliente, un contrato, una cadena de aprobaciones, una regla de cumplimiento, un umbral de riesgo o el estado de un workflow.

Y esa diferencia importa porque las empresas no operan sobre recuerdos: operan sobre estructuras.

Por qué los agentes siguen siendo artesanales

Esto ayuda a explicar uno de los fenómenos más extraños de la inteligencia artificial empresarial: a medida que los modelos de frontera se vuelven más capaces, los despliegues requieren cada vez más intervención humana.

OpenAI, Anthropic, Google y otros dependen cada vez más de personas que trabajan directamente con los clientes para mapear workflows, definir restricciones, conectar sistemas y traducir la realidad organizativa a algo sobre lo que la inteligencia artificial pueda operar.

En un artículo anterior argumentaba que, si la inteligencia fuera realmente una utility, los proveedores no necesitarían enviar ingenieros a cada cliente para hacer funcionar el grifo. La persistencia de ese modelo nos dice algo importante: la capa que falta sigue siendo suministrada manualmente: alguien que cobra por horas tiene que decidir qué es importante, qué restricciones aplican, qué sistemas son la fuente de verdad, cómo funcionan los permisos, cómo se rastrean las decisiones y cómo se miden los resultados.

En una plataforma madura, gran parte de eso ya estaría representado formalmente. Hoy, con frecuencia, no lo está. El resultado es una categoría sorprendentemente dependiente de despliegues personalizados y traducción organizativa. No inteligencia industrial: inteligencia artesanal.

Los ecosistemas necesitan invariantes

Por eso las plataformas actuales de agentes tienen dificultades para generar verdaderos ecosistemas. Los desarrolladores pueden construir sobre SQL porque tablas, transacciones, claves y restricciones se comportan de manera predecible. Pueden construir sobre la web porque las URL, los métodos HTTP y los formatos documentales obedecen reglas compartidas. Pueden construir sobre ERP porque los objetos de negocio y las transacciones tienen significados definidos.

Esas garantías importan: permiten que aparezcan socios, extensiones, integraciones, marketplaces y estándares. Sin invariantes, cada despliegue se convierte en una interpretación personalizada. Y cuando la interpretación personalizada se convierte en el modo dominante de entrega, el resultado no es una plataforma: es consultoría.

Esa es exactamente la trampa en la que se encuentra hoy la inteligencia artificial empresarial: cada organización tiene sus propios datos, workflows, vocabulario, políticas, aprobaciones, sistemas de registro, rutas de excepción y realidades políticas. Sin una capa formal capaz de representar esas cosas de forma reutilizable, cada despliegue se convierte en un ejercicio de traducción.

El modelo puede ser general, la empresa no lo es.

La última investigación State of AI de McKinsey apunta al mismo fenómeno desde otro ángulo: el uso de IA está muy extendido, pero la mayoría de las empresas todavía no la ha integrado lo suficientemente profundamente en workflows y procesos como para generar beneficios empresariales materiales. Las organizaciones que lo hacen mejor no son simplemente las que usan más inteligencia artificial. Son las que rediseñan workflows.

Y eso importa porque confirma el argumento de fondo: la inteligencia por sí sola no basta. Tiene que integrarse en una estructura.

La capa formal que le falta a la inteligencia artificial empresarial

No es la primera vez que las empresas cometen este error. En su clásico artículo de Harvard Business Review, titulado «Reengineering work: don’t automate, obliterate«, Michael Hammer advertía que las empresas suelen utilizar nuevas tecnologías para acelerar procesos obsoletos en lugar de rediseñar el trabajo en sí mismo.

Eso era cierto en 1990. Y lo es aún más ahora. La mayoría de las empresas sigue preguntándose: ¿cómo añadimos inteligencia artificial a nuestros procesos existentes?» Y la pregunta adecuada es: «¿qué representación formal del trabajo permitiría que la inteligencia artificial operara de forma segura, repetible y responsable dentro de la empresa?»

Esa capa no será otra interfaz conversacional. No será un prompt más largo. No será un copilot más bonit,o ni un agente más antropomórfico. Será una capa formal. Una capa que represente identidad, estado, permisos, restricciones, procedencia, workflows, resultados y semántica empresarial de formas comprensibles tanto para máquinas como para personas. Una capa que cree invariantes. Que haga que la inteligencia empresarial sea componible, gobernable, auditable y repetible.

Es entonces cuando surgen los ecosistemas. Es entonces cuando los despliegues se vuelven escalables. Y es entonces cuando la inteligencia artificial empresarial abandona definitivamente su fase artesanal.

Lo que viene después

La siguiente etapa de la inteligencia artificial empresarial no estará definida por quién encuentre el mejor nombre para memoria, agentes, contexto o delegación. Estará definida por quién los formalice.

Eso no significa que la arquitectura ganadora sea evidente. No lo es. Seguimos en una fase temprana. Pero sus propiedades empiezan a ser más fáciles de describir:

• Preservará estado.
• Aplicará restricciones.
• Codificará semántica empresarial.
• Gobernará permisos.
• Rastreará procedencia.
• Conectará acciones con resultados.
• Hará que los workflows sean inteligibles para las máquinas sin volverlos opacos para las personas.
• Y, sobre todo, creará invariantes sobre los que otros puedan construir.

La era industrial de la inteligencia artificial empresarial no comenzará cuando los modelos se vuelvan más parecidos a los humanos: comenzará cuando la inteligencia se vuelva más estructurada.

Porque todas las grandes revoluciones del software siguen el mismo patrón: primero imitamos la realidad mediante metáforas. Después descubrimos la abstracción que hace posible una industria.

Una metáfora puede inspirar un producto.

Un modelo formal crea una industria.

(This article was previously published on Fast Company)

La iniciativa Genesis Mission no es simplemente otro programa gubernamental norteamericano con un nombre grandilocuente. Es, posiblemente, la formulación más clara hasta ahora de una idea que muchos llevamos tiempo viendo venir: que la próxima gran frontera de la inteligencia artificial no será escribir textos, generar imágenes o automatizar oficinas, sino transformar radicalmente la manera en que hacemos ciencia. Y quien domine esa transformación no dominará una industria, sino el mecanismo mismo con el que se inventan las industrias.

El artículo de Communications of the ACM, uno de mis journals de cabecera, se titula «From Manhattan to Genesis«, y lo plantea con una comparación inevitable: el Proyecto Manhattan. Pero la analogía, aunque eficaz, se queda corta. Manhattan produjo una tecnología concreta, terrible y decisiva. Genesis pretende producir una máquina para producir descubrimientos. No una bomba, sino una infraestructura nacional capaz de conectar los diecisiete laboratorios nacionales del Departamento de Energía de los Estados Unidos, sus superordenadores, sus instrumentos científicos, sus bases de datos acumuladas durante décadas y una capa creciente de modelos y agentes de inteligencia artificial.

La página oficial del Departamento de Energía describe Genesis Mission como una iniciativa para construir «la plataforma científica más poderosa del mundo», con objetivos en energía, ciencia básica y seguridad nacional. La web específica del proyecto va aún más lejos: habla de conectar superordenadores, instalaciones experimentales, sistemas de inteligencia artificial y datos únicos en prácticamente todos los dominios científicos para duplicar la productividad y el impacto de la investigación estadounidense en una década. Traducido: Estados Unidos quiere industrializar la ciencia asistida por inteligencia artificial.

La orden ejecutiva publicada en el Federal Register es todavía más explícita: habla de una carrera por la dominación tecnológica global en inteligencia artificial, compara el esfuerzo con el Proyecto Manhattan y propone entrenar modelos fundacionales científicos, crear agentes capaces de probar hipótesis, automatizar flujos de investigación y acelerar descubrimientos. No es una política científica convencional. Es una política de poder.

Y conviene leerlo así, porque Genesis no nace en el vacío. Nace en un momento en el que China ha dejado de ser «la fábrica del mundo» para convertirse en una potencia científica de primer orden. Según un análisis publicado por Nature, las publicaciones chinas en inteligencia artificial pasaron de 60,100 en 2015 a 273,900 en 2024, el 28.7% del total mundial, y China ya aparece como líder en citas vinculadas a patentes, documentos de política pública y ensayos clínicos. El AI Index 2026 de Stanford afirma que la brecha de rendimiento entre modelos estadounidenses y chinos prácticamente se ha cerrado, mientras China lidera en volumen de publicaciones, citas, patentes e instalaciones de robots industriales.

Esto cambia por completo el tablero. Durante décadas, Washington pudo asumir que la superioridad científica norteamericana era un dato estructural: mejores universidades, más capital riesgo, más premios Nobel, mejores laboratorios, más capacidad de atraer talento. Pero la inteligencia artificial aplicada a la ciencia altera esa ecuación. Si el descubrimiento científico deja de depender únicamente de comunidades humanas lentas, fragmentadas y mal coordinadas, y empieza a depender de infraestructuras de datos, cómputo, automatización experimental y modelos capaces de generar y verificar hipótesis, entonces la ventaja pasa a estar en quien mejor integre todo eso. Y China, con su planificación estatal, su enorme escala de datos, su capacidad industrial y su visión estratégica, no es precisamente un actor menor.

El think tank MERICS lo explicaba recientemente en un análisis sobre las prioridades chinas en AI for Science: China está financiando explícitamente la aplicación de inteligencia artificial al descubrimiento científico, desde reactores de fusión hasta biomanufactura, y sus responsables políticos hablan de usar la inteligencia artificial para liderar un cambio de paradigma en la investigación. Esto es exactamente lo que parece haber entendido Washington: la carrera ya no consiste únicamente en tener el mejor chatbot, sino en tener el mejor sistema para acelerar la física, la química, la biología, los materiales, la energía, la medicina y la defensa.

Genesis es, por tanto, una reacción. No solo a China, pero obviamente, también a China. Es la constatación de que la competencia geopolítica ya no se juega únicamente en portaaviones, chips o cadenas de suministro, sino en la velocidad con la que una sociedad puede convertir conocimiento en capacidades. Y esa velocidad puede cambiarlo todo.

Pensemos en la salud: un sistema de inteligencia artificial científica conectado a bases de datos biomédicas, laboratorios robotizados, modelos moleculares y capacidad de simulación podría acortar drásticamente los ciclos de descubrimiento de fármacos. Google DeepMind, que ha anunciado su apoyo a Genesis, menciona en su propia explicación del proyecto su AI Co-scientist, diseñado para generar hipótesis científicas y acelerar descubrimientos biomédicos. No hablamos simplemente de «ayudar» a investigadores, sino de convertir la investigación en un proceso mucho más continuo, automatizado y escalable.

Pensemos en la energía. El Departamento de Energía ha identificado veintiséis desafíos científicos y tecnológicos para Genesis: redes eléctricas, datos nucleares acumulados durante décadas, aceleradores de partículas, materiales diseñados con propiedades específicas, laboratorios autónomos, algoritmos cuánticos y microelectrónica. Si una parte significativa de esos objetivos se cumple, la ventaja no será marginal. Un país capaz de diseñar materiales en meses en lugar de décadas, optimizar redes eléctricas con órdenes de magnitud más rapidez o acelerar el desarrollo de tecnologías nucleares y de fusión no solo tendrá una ventaja económica: tendrá una ventaja civilizatoria.

Pensemos en el clima y el medio ambiente. Los mismos sistemas capaces de simular materiales, procesos energéticos o dinámicas complejas podrían aplicarse a captura de carbono, baterías, agricultura, predicción climática, gestión del agua o restauración de ecosistemas. El problema, por supuesto, es que también podrían aplicarse a optimizar extracción de combustibles fósiles, vigilancia, armas o tecnologías duales. Toda plataforma científica de esta escala es, inevitablemente, una plataforma política.

Ahí está la parte incómoda: Genesis se presenta como una gran apuesta por el progreso, pero también como una infraestructura de soberanía tecnológica. Su propio nombre oficial incluye seguridad. Su arquitectura prevé capas de acceso, datos sensibles, colaboración con grandes empresas tecnológicas y participación de laboratorios nacionales con misiones civiles y militares. El programa busca concentrar datos científicos nacionales y apoyarse tanto en supercomputadores públicos como privados, con controles para información protegida y de seguridad nacional. No estamos ante una biblioteca científica abierta al mundo, sino ante una infraestructura nacional de ventaja estratégica.

Esto plantea una pregunta fundamental: ¿queremos que el futuro de la ciencia sea una carrera de plataformas cerradas entre superpotencias? Porque esa es la dirección natural cuando el conocimiento se convierte en infraestructura crítica. La ciencia moderna nació, en buena medida, de la publicación, la revisión, la réplica y la colaboración internacional. Pero la ciencia acelerada por inteligencia artificial puede terminar pareciéndose más a una nube soberana: datos restringidos, modelos propietarios, laboratorios automatizados, acceso jerarquizado y resultados protegidos por razones económicas o militares.

El debate entre modelos abiertos y cerrados será crucial. Reflection AI, una compañía que promueve el desarrollo de modelos de inteligencia artificial de código abierto, se ha incorporado a Genesis como proveedor de modelos abiertos para los laboratorios nacionales, con el argumento de que no se puede hacer ciencia real con una caja negra. La idea es muy potente: la ciencia necesita inspectabilidad, reproducibilidad y capacidad de modificar las herramientas. Si los grandes modelos científicos se convierten en oráculos cerrados operados por empresas privadas, habremos sustituido una parte del método científico por una forma de fe computacional.

Pero tampoco conviene caer en ingenuidades. La ciencia abierta fue posible en un mundo en el que publicar más rápido y mejor otorgaba prestigio. En un mundo en el que un modelo puede descubrir un catalizador, una proteína, un material estratégico, una vulnerabilidad biológica o una mejora radical en eficiencia energética, publicar deja de ser un gesto inocente. El incentivo geopolítico empuja hacia la reserva, no hacia la apertura. Y ese es, quizá, el gran dilema de Genesis: puede acelerar la ciencia, pero también puede contribuir a militarizarla y encerrarla.

Lo más interesante de todo es que Genesis está intentando redefinir qué significa «hacer política industrial». Durante años, muchos gobiernos hablaron de innovación como si bastara con repartir subvenciones, crear incubadoras y esperar que el mercado hiciera magia. Genesis representa otra cosa: la construcción deliberada de una infraestructura de descubrimiento. No financiar empresas sueltas, sino crear el sistema operativo de la ciencia nacional. Quien tenga ese sistema operativo podrá generar ventajas acumulativas en todos los sectores. Quien no lo tenga, dependerá de los descubrimientos de otros.

Europa debería estar leyendo esto con bastante inquietud. No porque deba copiar sin más el modelo estadounidense, sino porque su alternativa habitual, la de regular mucho, invertir poco y coordinar mal, no sirve para una era en la que la velocidad científica se convierte en poder. Si Estados Unidos construye Genesis y China acelera su propio ecosistema de AI for Science, Europa no puede limitarse a escribir documentos estratégicos, proteger incumbentes y celebrar su superioridad moral. Necesita infraestructuras comunes de datos científicos, cómputo público, modelos abiertos, laboratorios automatizados y una política de investigación que entienda que la soberanía no consiste en repetir la palabra «soberanía» muchas veces, sino en construir capacidades reales.

La pregunta de fondo no es si Genesis tendrá éxito en todos sus objetivos. Probablemente no. Estos programas suelen prometer más de lo que entregan, y la historia de la inteligencia artificial está llena de exageraciones, ciclos de entusiasmo y decepciones. La pregunta importante es otra: si incluso una parte de Genesis funciona, ¿qué mundo produce?

Produce un mundo en el que la ventaja científica se acelera de forma acumulativa. Un mundo en el que los países con más datos, más cómputo, mejores modelos y mejores laboratorios automatizados descubren más rápido, patentan antes, industrializan mejor y negocian desde una posición más fuerte. Un mundo en el que la salud, la energía, la defensa, el clima, la agricultura y los materiales dejan de evolucionar al ritmo tradicional de la ciencia humana y empiezan a hacerlo al ritmo de sistemas híbridos humano-máquina. Un mundo en el que la geopolítica ya no se mide solo por PIB, ejército o población, sino por capacidad de descubrimiento.

Por eso Genesis importa tanto: porque apunta al núcleo de lo que viene. La inteligencia artificial no es únicamente una tecnología de productividad. Es una tecnología epistemológica: cambia cómo sabemos cosas. Y cuando cambia cómo sabemos cosas, cambia cómo curamos, cómo producimos energía, cómo fabricamos, cómo defendemos fronteras, cómo gestionamos el planeta y cómo distribuimos poder.

Hay, sin embargo, una ironía difícil de ignorar. Genesis nace bajo la administración más abiertamente corrupta que ha conocido Estados Unidos en su historia reciente, una presidencia que ha convertido el conflicto de intereses y la utilización del poder público para beneficiar intereses privados en una práctica cotidiana. El hecho de que Donald Trump, sin duda el presidente más corrupto de la historia moderna, haya destituido a todos los miembros del consejo independiente encargado de supervisar la National Science Foundation no invita precisamente al optimismo. En teoría, Genesis debería ser una apuesta por el avance del conocimiento y por el fortalecimiento de la investigación científica. En la práctica, resulta difícil descartar el riesgo de que termine convirtiéndose en otro gigantesco mecanismo de transferencia de fondos públicos hacia empresas privadas cercanas al poder político, diseñado más para enriquecer a amigos y aliados de la administración que para impulsar auténticos avances científicos. Si algo demuestra la experiencia reciente es que, bajo determinadas circunstancias, incluso las iniciativas más ambiciosas pueden acabar subordinadas a intereses mucho más prosaicos que el progreso de la ciencia.

El Proyecto Manhattan cambió la historia porque convirtió una teoría física en una capacidad geopolítica irreversible. Genesis, si funciona, puede hacer algo más profundo: convertir la ciencia misma en una capacidad geopolítica acelerada. Y cuando una nación intenta construir una máquina para descubrir antes que las demás, no está simplemente invirtiendo en investigación. Está intentando escribir, con modelos, datos y superordenadores, las reglas del próximo siglo.

This article is also available in English on my Medium page, «The Genesis Mission: how AI Is turning science into geopolitical power»

El gobierno británico acaba de anunciar una prohibición de acceso a redes sociales para menores de 16 años que afectaría a servicios como TikTok, Snapchat, Instagram, Facebook, X o YouTube, mientras deja fuera herramientas de mensajería como WhatsApp o Signal. Añade, además, mecanismos de verificación de edad, restricciones por defecto para usuarios de 16 y 17 años, posibles limitaciones nocturnas y medidas contra funciones como el desplazamiento infinito o las recomendaciones algorítmicas.

A primera vista, suena a decisión valiente. En realidad, es el tipo de medida perfecta para gobernantes que necesitan un titular: trata el sarpullido mientras deja intacta la infección. Y sabiendo como sabemos que ese tipo de prohibiciones no funciona, y que los jóvenes, en la práctica, van a seguir usando las redes sociales, estas medidas son, simplemente una estupidez.

El problema no son los adolescentes. Los adolescentes son, como mucho, el grupo en el que la enfermedad se manifiesta de forma más visible, más dramática y más incómoda para las familias. Pero la enfermedad es otra: un modelo industrial de extracción de atención basado en vigilancia masiva, perfilado psicológico, publicidad hipersegmentada y diseño adictivo. Un modelo que no pregunta cómo conectar mejor a las personas, sino cómo mantenerlas más tiempo mirando una pantalla, más irritadas, más polarizadas, más ansiosas, más predecibles y, sobre todo, más monetizables.

Por eso prohibir el acceso de los menores es una salida tramposa. Permite a los políticos decir «hemos hecho algo» y buscar el aplauso fácil y populista de los ignorantes, sin enfrentarse al núcleo del problema: unas plataformas que no deberían poder operar así ni para un niño de trece años, ni para un adulto de cuarenta, ni para un jubilado de setenta. ¿O acaso la polarización política, la desinformación, las teorías conspiranoicas, la crispación social, la manipulación electoral o la degradación sistemática de la conversación pública son patologías adolescentes? No: son síntomas sociales de una infraestructura diseñada para maximizar el tiempo de exposición y la reacción emocional.

La Federal Trade Commission estadounidense lo describió con bastante claridad en un informe sobre grandes plataformas sociales y de vídeo: prácticas de vigilancia extensiva, recopilación masiva de datos, monetización de información personal y una protección insuficiente de niños y adolescentes. Pero lo relevante de ese informe no es que hable de menores, sino que muestra la lógica general del sistema: recopilar todo lo posible, inferir todo lo posible y convertirlo todo en capacidad de segmentación publicitaria. Esa es la máquina. Y una máquina así no se arregla colocando un cartel de «prohibida la entrada a menores».

La solución, por tanto, no es prohibir las redes sociales a los adolescentes. La solución es bastante más incómoda, pero mucho más coherente: prohibir todas las redes sociales que no cumplan estrictamente con la legislación europea de privacidad, para todos los usuarios. No una versión cosmética del cumplimiento, no una casilla de consentimiento enterrada entre pantallas oscuras, no el típico «acepta o paga» convertido en coartada. Cumplir significa minimización de datos, finalidad legítima, transparencia, consentimiento real, posibilidad efectiva de retirada y ausencia de tratamiento abusivo. El Reglamento General de Protección de Datos no fue escrito para decorar páginas legales, sino para limitar precisamente este tipo de explotación.

De hecho, Europa ya ha dejado claro que algunas bases jurídicas utilizadas por las plataformas para justificar la publicidad comportamental no sirven. El Comité Europeo de Protección de Datos obligó a actuar contra Meta por el tratamiento de datos personales para publicidad comportamental basado en contrato o interés legítimo, y su opinión sobre los modelos de «consiente o paga» deja poco espacio para la ficción de que un usuario sometido a alternativas abusivas esté eligiendo libremente. Si aplicásemos de verdad ese estándar, muchas de las plataformas que hoy dominan el mercado tendrían que cambiar radicalmente o dejar de operar. Y esa es precisamente la conversación que los políticos quieren evitar, no vaya a ser que se molesten sus votantes. Pero a dia de hoy, prohibir unas redes sociales claramente nocivas y venenosas para la sociedad no es liberticidio: es sentido común.

La Digital Services Act va en la misma dirección cuando identifica riesgos sistémicos vinculados al diseño de las plataformas: efectos sobre el discurso público, procesos electorales, salud mental, menores, sistemas de recomendación, publicidad y prácticas de datos. Se habla de proteger a los menores, sí, pero también se señala que hay que ir mucho más allá. La Comisión Europea ya ha señalado problemas como el desplazamiento infinito, la reproducción automática, las notificaciones persuasivas o los sistemas de recomendación personalizados en investigaciones sobre TikTok, y también ha abierto procedimientos contra Meta por posibles efectos adictivos y dinámicas de «rabbit hole». No estamos ante una discusión moral sobre si los niños deben o no tener móvil. Estamos ante una discusión política sobre si aceptamos que la esfera pública sea administrada por sistemas optimizados para explotar las debilidades humanas.

Además, la verificación de edad tiene una consecuencia que demasiados legisladores fingen no ver: para saber quién tiene menos de 16 años, hay que identificar de algún modo a todo el mundo. La protección de la infancia se convierte entonces en la coartada perfecta para construir una capa de identificación permanente sobre internet. Hoy se presenta como una medida paternalista, mañana puede ser una infraestructura de vigilancia generalizada. Y lo más grave es que, mientras discutimos cómo controlar a los usuarios, dejamos intacta la arquitectura que los manipula.

Una red social aceptable no tendría que saberlo todo de nosotros. No tendría que construir perfiles psicológicos, ni perseguirnos por toda la web, ni ordenar la conversación pública en función de lo que más indigna, ni diseñar cada botón para prolongar compulsivamente la sesión. Podría vivir de publicidad genérica o contextual en función del contenido, de suscripciones razonables, de interoperabilidad, de protocolos abiertos, de auditorías independientes, de recomendaciones configurables y transparentes, de cronologías que el usuario controle. Podría ser una herramienta social, no una fábrica de dependencia.

La pregunta, por tanto, no es si debemos expulsar a los menores de unas plataformas tóxicas. La pregunta es por qué seguimos permitiendo que existan plataformas tóxicas para cualquiera, menor o mayor. Convertir a los adolescentes en chivos expiatorios es cómodo, vistoso, populista y electoralmente rentable. Pero una sociedad adulta no protege a sus menores encerrándolos fuera de la plaza pública mientras deja que la plaza siga asquerosamente contaminada. La limpia, la rediseña o clausura a quienes la envenenan.

No hay que levantar una valla más alta alrededor de los niños: hay que apagar la máquina de espiar. Y si una red social no puede sobrevivir sin violar la privacidad, sin manipular la atención y sin convertir la conversación pública en combustible publicitario, entonces el problema no es que los adolescentes entren en ella. El problema es que la hayamos dejado seguir abierta.

This article is also available in English on my Medium page, «If social media platforms are harmful, why are we only protecting children from them?»

Mi columna de esta semana en Invertia se titula «SpaceX ya no es una empresa espacial: es una apuesta sobre el poder de Musk» (pdf), y trata sobre el verdadero significado de la histórica salida a bolsa de SpaceX, una operación que ha llevado a la compañía a superar los dos billones de dólares de valoración y ha convertido a Elon Musk en el primer billonario de la historia moderna.

La operación, la mayor salida a bolsa jamás realizada, ha sido interpretada por muchos como una simple celebración del éxito empresarial de SpaceX y de la capacidad de Musk para convertir ideas aparentemente imposibles en negocios transformadores. Sin embargo, al analizar con algo más de detalle los argumentos utilizados para justificar una valoración tan extraordinaria, resulta evidente que los mercados no están comprando únicamente una empresa espacial. Están apostando por una visión del futuro en la que el espacio, las telecomunicaciones, la inteligencia artificial y las infraestructuras tecnológicas críticas convergen bajo una misma estructura corporativa y, en última instancia, bajo el control de una misma persona.

La integración de xAI dentro de SpaceX y la creciente importancia de proyectos relacionados con infraestructuras de inteligencia artificial han convertido a la compañía en algo muy distinto de lo que era hace apenas unos años. Buena parte de la narrativa utilizada para sostener su valoración se basa en expectativas sobre centros de datos orbitales, redes globales de conectividad apoyadas en Starlink y nuevas formas de proporcionar capacidad computacional a gran escala. Claramente, la inteligencia artificial se ha convertido en uno de los principales motores de la valoración de la compañía.

El fenómeno tampoco puede entenderse sin situarlo en el contexto de una nueva fiebre bursátil ligada a la inteligencia artificial. La salida a bolsa de SpaceX abre el camino a futuras operaciones similares protagonizadas por OpenAI o Anthropic, y ha conseguido generar una enorme expectación alrededor de la compañía.

La trayectoria de la compañía es interesantísima y llevo años cubriéndola en discusiones en mis clases: una empresa a la que su propio fundador atribuía menos de un 10% de probabilidades de éxito ha terminado protagonizando la mayor salida a bolsa de la historia. La construcción financiera y narrativa de la operación y las consecuencias patrimoniales inmediatas para su fundador dan lugar a trascendentales reflexiones sobre la extraordinaria capacidad de Musk para convertir visiones futuristas en valoraciones bursátiles aparentemente ilimitadas.

Más allá de los números, sin embargo, la cuestión que me parece verdaderamente relevante es otra: el grado de concentración de poder que esta operación consolida. Musk controla ya activos estratégicos en sectores tan diversos como la movilidad eléctrica, las redes sociales, las telecomunicaciones globales, la inteligencia artificial y el acceso al espacio. La salida a bolsa de SpaceX no hace sino reforzar esa posición en un momento en el que el empresario se ha convertido además en una figura crecientemente alineada con posiciones extremistas, ultraconservadoras y profundamente preocupantes desde el punto de vista democrático.

La historia de la tecnología muestra una y otra vez que la innovación prospera cuando existe competencia, diversidad de actores y mecanismos efectivos de supervisión. Cuando infraestructuras fundamentales para el funcionamiento de nuestras sociedades se concentran en muy pocas manos, los riesgos aumentan de manera proporcional. La pregunta que plantea la salida a bolsa de SpaceX no es, por tanto, si la compañía vale dos billones de dólares o si llegará algún día a justificar esa valoración. La pregunta es cuánto poder estamos dispuestos a permitir que acumule una sola persona.

This article is also available in English on my Medium page, «SpaceX: the IPO that should make us all think twice«

La inteligencia artificial empresarial actual resulta extrañamente familiar: la infraestructura es poderosa. Las capacidades son reales. Las demostraciones son impresionantes. Los modelos pueden escribir, resumir, razonar, programar, buscar, recuperar información, traducir, clasificar, planificar y, cada vez más, actuar. La maquinaria básica ya existe.

Y, sin embargo, dentro de las empresas, el mismo patrón se repite una y otra vez: pilotos por todas partes, transformación muy lejos de la promesa. El primer artículo de esta serie argumentaba que los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa porque las empresas operan mediante memoria, contexto, retroalimentación, restricciones, estado, incentivos y dependencias, no mediante secuencias aisladas de texto. El segundo defendía que la inteligencia artificial empresarial debía pasar de respuestas a resultados, de prompts a restricciones y de copilots a sistemas de acción. El tercero sostenía que, cuando la inteligencia artificial empresarial funcione de verdad, no parecerá un chatbot mejorado. Parecerá inteligencia integrada en la propia organización.

La siguiente pregunta es obvia: si todo eso es cierto, ¿en qué punto del ciclo histórico nos encontramos?Y mi respuesta es sencilla: la inteligencia artificial empresarial está en 1991. Tiene TCP/IP. Pero todavía no tiene la web.

Internet funcionaba antes de la web

La analogía importa porque evita que confundamos infraestructura con industrialización.

En 1991, internet ya funcionaba. TCP/IP movía paquetes. El correo electrónico conectaba personas entre instituciones. FTP transfería archivos. Telnet permitía acceso remoto. Universidades, laboratorios de investigación y organizaciones técnicamente sofisticadas podían utilizar la red. Pero para una empresa convencional, internet aún no era un entorno de negocio en el sentido moderno. Era poderoso, pero todavía no era consumible.

Entonces apareció la World Wide Web y añadió una capa fina pero decisiva: URL, HTTP, HTML, servidores y navegadores. La historia oficial del CERN recuerda que, en la Navidad de 1990, Tim Berners-Lee ya había definido los conceptos básicos de HTML, HTTP y las URL, además de haber escrito el primer navegador-editor y el primer software servidor. En 1991, el CERN distribuyó el software de la WWW de forma más amplia y lo anunció en grupos de noticias de internet, permitiendo que la idea se extendiera más allá de su contexto original.

Esa capa no inventó las redes. Las hizo legibles, utilizables y construibles para el resto del mundo.

Y esa es exactamente la distinción que le falta hoy a la inteligencia artificial empresarial.

Los modelos no son la web

Los grandes modelos de lenguaje son una infraestructura extraordinaria. Probablemente constituyan uno de los sustratos tecnológicos más importantes de nuestra época. Pero infraestructura no es lo mismo que capa de aplicación.

Una empresa que utiliza LLM hoy se parece mucho a una librería intentando vender online antes de que existiera la web. La red está ahí. Los paquetes se mueven. Los servidores existen. Pero cada transacción exige maquinaria personalizada: protocolos personalizados, interfaces personalizadas, lógica personalizada, despliegues personalizados, integraciones personalizadas… todo personalizado.

Eso no es comercio. Eso es ingeniería.

Por eso el mercado actual de inteligencia artificial empresarial sigue dependiendo tanto de pilotos, despliegues a medida, ingenieros desplazados al cliente y proyectos intensivos en consultoría. El problema no es que la inteligencia subyacente sea falsa. Es que la capa que la hace consumible para organizaciones normales sigue siendo inmadura.

Un modelo puede generar una respuesta. Pero una empresa necesita un sistema que sepa dónde encaja esa respuesta, qué datos puede utilizar, qué restricciones se aplican, quién tiene permiso para actuar, qué proceso se está viendo afectado, qué resultado importa y cómo aprende el sistema de lo que ocurre después.

Eso no es un prompt.

Es una capa que todavía no existe.

La capa que falta tiene propiedades concretas

Esta es la parte importante. La brecha no es vaga. Es identificable.

La inteligencia artificial empresarial no necesita simplemente «más inteligencia artificial». Necesita el equivalente de la capa web: una capa de aplicación estructurada que transforme la inteligencia bruta en algo que las organizaciones puedan utilizar repetidamente, con seguridad y a escala.

Esa capa debe proporcionar al menos siete elementos:

• Contexto persistente: el sistema no puede comportarse como si cada interacción comenzara desde cero.
• Semántica empresarial: debe comprender clientes, productos, políticas, workflows, roles y restricciones en términos específicos de la empresa.
• Estado de los procesos: debe saber dónde está el trabajo, qué ha ocurrido, qué está pendiente y qué depende de qué.
• Modelos de permisos y gobernanza: debe operar dentro de los límites organizativos, no al margen de ellos.
• Bucles de retroalimentación: debe aprender de los resultados, no limitarse a generar respuestas.
• Interoperabilidad: debe conectarse con sistemas de registro, herramientas, datos y workflows sin tener que reconstruirlo todo cada vez.
• Repetibilidad: debe desplegarse como arquitectura, no como consultoría artesanal.

Por eso resulta tan revelador el reciente énfasis de Anthropic en la ingeniería de contexto. Su equipo de ingeniería describe explícitamente el contexto como un recurso crítico pero finito para los agentes y sostiene que el desafío actual consiste en seleccionar y gestionar cuidadosamente toda la información que rodea al modelo, no simplemente en escribir mejores prompts.

Esa es la dirección hacia la que nos dirigimos: el modelo deja de ser el producto completo. El entorno alrededor del modelo se convierte en el producto.

La segunda analogía: el software empresarial antes del ERP

La analogía con la web explica la capa de aplicación que falta. Pero existe una segunda analogía igual de útil: la inteligencia artificial empresarial también se encuentra en la fase preindustrial del software corporativo.

Antes de que los ERP se convirtieran en plataformas estandarizadas, el software empresarial era a menudo un mosaico de implementaciones personalizadas, integraciones, sistemas internos y proyectos de consultoría. La historia de SAP muestra ese largo recorrido desde aplicaciones empresariales especializadas hasta plataformas corporativas integradas, con SAP convirtiéndose finalmente en líder del mercado.

Esa evolución fue importante porque no se limitó a digitalizar funciones individuales. Industrializó una manera de representar la empresa: finanzas, inventario, compras, fabricación, recursos humanos, logística y reporting se estandarizaron lo suficiente como para permitir implementaciones repetibles y la aparición de un ecosistema de socios.

Algo parecido ocurrió más tarde con el CRM y el SaaS. La propia historia de Salesforce muestra cómo AppExchange se convirtió en un mercado para desarrolladores independientes y aplicaciones, transformando Salesforce de un producto en un ecosistema de plataforma. Esa es la diferencia entre una categoría que depende de proyectos a medida y una categoría que escala.

Hoy, la inteligencia artificial empresarial sigue atrapada demasiadas veces en esa fase de proyectos personalizados. Cada empresa necesita mapear sus procesos, limpiar sus datos, entender sus permisos, reconstruir sus workflows, codificar sus restricciones y definir sus resultados. Ese trabajo es necesario. Pero cuando tiene que hacerse manualmente en cada despliegue, demuestra que la capa de plataforma todavía no ha llegado.

Por qué los próximos ganadores quizá no sean los proveedores de modelos

Aquí es donde la analogía se vuelve estratégicamente incómoda.

Durante la transición hacia la web, la cuestión crítica no era quién poseía los cables. Era quién definía la capa que hacía utilizable la red. En el software empresarial, la cuestión crítica no era quién poseía la base de datos o el servidor. Era quién definía el sistema de representación del negocio y construía un ecosistema alrededor de él.

Lo mismo puede ocurrir en la inteligencia artificial.

Los ganadores de la siguiente fase quizá no sean las empresas con los modelos más grandes ni con los mayores clusters de computación. Esas empresas seguirán siendo enormemente importantes, igual que lo fueron las telecomunicaciones, los fabricantes de servidores o los proveedores de infraestructura. Pero el poder definitorio de la categoría podría pertenecer a quien construya la capa que falta: la capa que permita que la inteligencia empresarial sea persistente, gobernada, contextual, consciente de los procesos y repetible.

Por eso la obsesión actual con el rendimiento de los modelos, las ventanas de contexto y los benchmarks es comprensible, pero insuficiente. Los mejores modelos son necesarios. Pero no bastan.

La investigación de McKinsey sobre adopción de inteligencia artificial en 2025 muestra que las empresas que más valor obtienen no son simplemente las que despliegan herramientas, sino las que rediseñan workflows e integran la inteligencia artificial en los procesos.

Deloitte llega a una conclusión similar en su trabajo sobre inteligencia artificial agéntica: muchas organizaciones están chocando contra un muro porque intentan automatizar procesos diseñados para humanos en lugar de replantearse cómo debería realizarse realmente el trabajo.

En otras palabras, el cuello de botella está subiendo de nivel en el stack.

La industrialización siempre parece obvia a posteriori

Lo curioso de estas transiciones es que son difíciles de ver mientras suceden y evidentes después. Antes de la web, internet parecía un dominio para especialistas. Después de la web, se convirtió en un entorno de negocio. Antes de que maduraran los ERP y las plataformas SaaS, el software empresarial parecía automatización personalizada. Después, se convirtió en arquitectura repetible. Antes de que maduraran las plataformas cloud, la infraestructura parecía una cuestión de compras y administración de sistemas. Después, se convirtió en capacidad programable.

La inteligencia artificial empresarial se acerca ahora a un umbral similar. La fase actual sigue pareciendo artesanal: pilotos, prototipos, integraciones, ingenieros desplazados al cliente, consultoría intensiva y mapeo manual de workflows. Es normal. Toda tecnología poderosa atraviesa una fase en la que los expertos tienen que cargarla a hombros para cruzar la brecha.

Pero esa fase no es el destino. El destino es la capa que hace que la intervención experta deje de ser tan central.

Por qué los próximos cinco años importan

La web no transformó internet en una civilización comercial de la noche a la mañana. Los ERP no estandarizaron la empresa en una sola década. Salesforce no creó un ecosistema de plataforma en una única versión. Estas transiciones llevan años.

Pero el momento decisivo suele ser siempre el mismo: alguien define la capa que falta lo suficientemente bien como para que todos los demás puedan construir encima de ella. Y ahí es donde está hoy la inteligencia artificial empresarial.

Tenemos los modelos. Tenemos la infraestructura. Tenemos los primeros agentes. Tenemos la ola de consultoría. Tenemos los pilotos. Tenemos la frustración. Tenemos la prueba de que las herramientas aisladas no bastan. Tenemos la creciente conciencia de que el contexto, los workflows, las restricciones, la memoria y los resultados importan más que los prompts.

Lo que todavía no tenemos es el equivalente al navegador, a la URL, a la capa ERP o a AppExchange: la capa de aplicación estándar que haga que la inteligencia artificial empresarial sea consumible para empresas normales. Y hasta que aparezca, la industria seguirá atrapada en una paradoja: una inteligencia extraordinaria entregada mediante un esfuerzo extraordinario.

¿Dónde está la web de la inteligencia artificial empresarial?

Esa es la pregunta.

No «¿qué modelo es mejor?»
No «¿qué chatbot es más impresionante?»
No «¿qué copilot tiene la interfaz más elegante?»

La verdadera pregunta es quién definirá la capa que transforme la inteligencia en infraestructura empresarial. Porque, cuando esa capa aparezca, el debate actual parecerá completamente distinto. Los ingenieros desplazados al cliente no desaparecerán, pero serán menos centrales. Los despliegues personalizados no se extinguirán, pero dejarán de ser el patrón dominante. Los pilotos no desaparecerán, pero el camino desde el piloto hasta la producción será mucho más corto.

La inteligencia artificial dejará de ser algo con lo que las empresas experimentan para convertirse en algo sobre lo que las empresas se construyen. Esa será la era industrial de la inteligencia artificial empresarial. Y todavía no ha llegado.

Pero si la historia sirve de guía, cuando aparezca la capa que falta, parecerá que la respuesta fue obvia desde el principio.

(This article was previously published on Fast Company) 

La investigación abierta por una coalición de fiscales generales de cuarenta y dos estados norteamericanos contra OpenAI no debería sorprender a nadie. Lo sorprendente es que haya tardado tanto. Durante años hemos hablado de los problemas de ChatGPT como si fueran anécdotas: respuestas inventadas, citas inexistentes, recomendaciones absurdas o conversaciones que terminan derivando hacia conclusiones extrañas. Pero cuando esas supuestas anécdotas afectan a cientos de millones de usuarios, dejan de ser anécdotas para convertirse en un problema de responsabilidad.

La citación judicial solicita información sobre tratamiento de datos personales y sanitarios, protección de menores, sistemas de entrenamiento, publicidad, retención de usuarios y, significativamente, sobre un fenómeno que ha adquirido una enorme relevancia en los últimos meses: la sicofancia. No estamos hablando de reguladores intentando comprender una tecnología nueva, sino de una investigación centrada precisamente en aquellos aspectos en los que un modelo conversacional puede causar daños reales.

OpenAI reconoció públicamente en una explicación sobre los problemas de sicofancia detectados en GPT-4o que una actualización del modelo había provocado comportamientos excesivamente complacientes. El sistema tendía a validar las opiniones del usuario, reforzar sus percepciones y ofrecer respuestas diseñadas para resultar agradables incluso cuando ello podía resultar problemático. La compañía admitió además que sus procedimientos de evaluación no estaban preparados para detectar adecuadamente ese comportamiento antes de desplegarlo.

La cuestión es importante porque la sicofancia no es simplemente una característica molesta. Un sistema que sistemáticamente le da la razón al usuario puede terminar reforzando interpretaciones erróneas de la realidad, alimentar conflictos personales o validar estados emocionales negativos. En una conversación trivial puede resultar anecdótico; en una conversación con una persona vulnerable, puede convertirse en algo mucho más serio.

La dimensión sanitaria es aún más delicada. En octubre de 2025, OpenAI publicó una actualización sobre sus esfuerzos para mejorar las respuestas de ChatGPT en conversaciones sensibles, explicando que había trabajado con más de 170 especialistas en salud mental para desarrollar nuevas métricas relacionadas con suicidio, autolesión, psicosis, manía o dependencia emocional. La iniciativa es positiva, pero también plantea una pregunta incómoda: si esas salvaguardas eran necesarias en 2025, ¿hasta qué punto estaban presentes cuando ChatGPT ya era utilizado diariamente por cientos de millones de personas?

Los datos disponibles muestran que el problema no es teórico. Un análisis reciente señalaba que OpenAI había detectado indicios de crisis relacionadas con psicosis o manía en aproximadamente el 0.07% de los usuarios activos semanales, mientras que un 0.15% mantenía conversaciones que incluían señales relacionadas con ideación o planificación suicida. Son porcentajes aparentemente pequeños, pero aplicados a una base de usuarios de cientos de millones de personas representan cifras enormes. En esas condiciones, hablar de casos aislados deja de tener sentido.

A ello se suma otro problema ampliamente conocido: las alucinaciones. En medicina, educación, derecho o información pública, una respuesta plausible pero incorrecta puede tener consecuencias importantes. Un trabajo publicado en npj Digital Medicine analizaba precisamente la necesidad de establecer marcos rigurosos para evaluar errores y alucinaciones en aplicaciones médicas basadas en inteligencia artificial. Del mismo modo, un análisis publicado en The BMJ advertía sobre los riesgos de precisión insuficiente, sesgos y problemas de seguridad en sistemas de inteligencia artificial utilizados en contextos sanitarios.

La cuestión de fondo no es que los modelos se equivoquen. Toda tecnología se equivoca. La cuestión es que estos sistemas se han convertido en interlocutores cotidianos para millones de personas que los utilizan para buscar información médica, resolver dudas personales, tomar decisiones profesionales o afrontar problemas emocionales. Cuando un usuario habla con ChatGPT sobre ansiedad, depresión, medicación, relaciones personales o problemas familiares, no está simplemente utilizando una herramienta informática. Está compartiendo información extremadamente sensible con una infraestructura corporativa cuya evolución sigue siendo rápida y cuya gobernanza continúa planteando numerosas preguntas.

La comparación con el reciente caso de Gemini en Alemania resulta inevitable. Como comenté hace un par de días, la discusión ya no gira únicamente en torno a quién genera una información falsa, sino sobre quién debe asumir las consecuencias cuando esa información produce daños reales. Los modelos generativos han dejado de ser experimentos académicos para convertirse en infraestructuras sociales de uso masivo.

Por supuesto, OpenAI puede argumentar que ha introducido mejoras constantes, nuevas medidas de seguridad, controles parentales, protocolos de emergencia y sistemas de monitorización más sofisticados. Todo eso es cierto. También lo es que la compañía ha desempeñado un papel fundamental en la popularización de una tecnología extraordinariamente prometedora. Pero ninguna de esas consideraciones elimina la pregunta central: ¿se lanzó ChatGPT al mercado masivo antes de que estuviese suficientemente maduro?

Durante décadas, la industria tecnológica ha funcionado bajo una lógica muy concreta: desplegar primero, corregir después. Ese enfoque puede ser aceptable cuando hablamos de redes sociales, interfaces o aplicaciones de entretenimiento. Sin embargo, resulta mucho más difícil defenderlo cuando hablamos de sistemas capaces de influir emocionalmente en los usuarios, gestionar información sanitaria o convertirse en una fuente de autoridad percibida para millones de personas.

La investigación abierta contra OpenAI no debería interpretarse como un ataque a la inteligencia artificial. Más bien representa una prueba de madurez para una tecnología que aspira a ocupar un papel central en nuestras vidas. Si los modelos de lenguaje van a estar presentes en nuestras escuelas, empresas, hospitales, administraciones y hogares, tendrán que aceptar niveles de responsabilidad acordes con su influencia.

OpenAI encendió la mecha de la revolución de los grandes modelos de lenguaje con un producto fascinante y transformador. Pero también es posible que ese producto llegase al mercado antes de alcanzar el grado de madurez necesario para una adopción tan masiva. Si esa hipótesis termina confirmándose, la discusión ya no será únicamente tecnológica. Será jurídica, regulatoria y social.

Durante demasiado tiempo hemos tratado los errores de ChatGPT como curiosidades de sobremesa. Ha llegado el momento de analizarlos como lo que realmente son: síntomas de una tecnología poderosa desplegada a una velocidad muy superior a nuestra capacidad colectiva para comprender todas sus consecuencias.

This article is also available in English on my Medium page, «ChatGPT under scrutiny: the end of move fast and fix things later?»

Anthropic acaba de protagonizar uno de esos episodios que, vistos dentro de unos años, probablemente utilizaremos para explicar hasta qué punto el desarrollo de la inteligencia artificial de frontera se ha convertido en una actividad políticamente explosiva. La compañía lanzó Claude Fable 5 y Claude Mythos 5, dos modelos construidos sobre la misma base, pero con una diferencia fundamental: Fable 5 está pensado para un acceso amplio, con salvaguardas reforzadas en ámbitos como ciberseguridad, biología o química, mientras Mythos 5 se reserva para socios seleccionados, con algunas de esas restricciones levantadas para usos defensivos y de investigación. Apenas unos días después, Anthropic publicó un comunicado anunciando que tenía que retirar ambos modelos para todos sus usuarios, tras recibir una orden del gobierno estadounidense que prohibía su acceso a cualquier ciudadano extranjero, estuviera dentro o fuera de los Estados Unidos, incluidos los propios empleados extranjeros de Anthropic.

La escena resulta casi grotesca: una compañía que ha defendido durante años la necesidad de más controles, más transparencia y más intervención pública en la inteligencia artificial de frontera se encuentra de repente atrapada por la misma lógica que ayudó a legitimar. Dario Amodei acaba de publicar un largo ensayo, «Policy on the AI Exponential«, en el que sostiene que los llamados «modelos de frontera» deberían poder ser bloqueados o retirados si no superan pruebas técnicas rigurosas, y compara su regulación con la de aviones, automóviles o medicamentos. La idea, en abstracto, tiene sentido: nadie razonable pretende que tecnologías capaces de automatizar tareas críticas en ciberseguridad, biología o investigación avanzada se desplieguen sin ningún tipo de supervisión. El problema aparece cuando esa supervisión no se parece a una agencia técnica con criterios claros, sino a una llamada desde Washington, una carta sin detalles suficientes, una invocación genérica de la seguridad nacional y una orden imposible de aplicar salvo desconectándolo todo.

Lo interesante no es únicamente la decisión del gobierno, sino la sucesión de decisiones de Anthropic. Primero diseña una arquitectura de acceso diferenciada, con un modelo público muy protegido y otro más capaz reservado a actores supuestamente confiables. Después reconoce que incluso esas salvaguardas no pueden garantizar una resistencia perfecta frente a jailbreaks. Luego defiende que el supuesto problema detectado por las autoridades es estrecho, no universal, y comparable a capacidades ya disponibles en otros modelos. Y finalmente apaga los modelos para todo el mundo porque no puede garantizar, de forma práctica, que ningún extranjero acceda a ellos. Si esto no es una definición perfecta de lo que significa trabajar en el borde de la tecnología, se le parece mucho: cada decisión parece razonable por separado, pero el conjunto transmite una sensación de improvisación, de vértigo y de dependencia absoluta de un entorno político imposible de predecir.

Estados Unidos lleva tiempo intentando convertir la inteligencia artificial en una extensión de su política industrial y de seguridad nacional. El Framework for Artificial Intelligence Diffusion ya planteaba controles sobre chips avanzados y pesos de modelos cerrados de doble uso, con el objetivo declarado de proteger la seguridad nacional y mantener el liderazgo tecnológico estadounidense. Anthropic, de hecho, defendió en 2025 una posición muy clara sobre la necesidad de preservar la ventaja estadounidense en computación mediante controles de exportación en su documento «Securing America’s compute advantage«. Es decir, Anthropic no es precisamente una compañía libertaria que haya descubierto ahora que el Estado existe. Al contrario: ha sido una de las empresas más insistentes en pedir reglas, evaluaciones, transparencia y restricciones. Pero una cosa es pedir una política pública racional y otra muy distinta es operar bajo una administración que tiende a ver cualquier avance tecnológico como una amenaza, un arma, una ventaja geopolítica o una oportunidad para ejercer poder discrecional.

La contradicción es evidente: la Casa Blanca firmó hace unos días una orden ejecutiva sobre innovación y seguridad en inteligencia artificial avanzada, presentada como un marco de colaboración voluntaria con las compañías para evaluar riesgos antes del despliegue de modelos de frontera. Pero el Departamento de Comercio pasó directamente a imponer controles de exportación sobre Mythos 5 y Fable 5, incluyendo cualquier transferencia a ciudadanos extranjeros dentro de los propios Estados Unidos. Es el paso más significativo hasta la fecha del gobierno estadounidense para restringir el acceso a los modelos de inteligencia artificial más avanzados. El mensaje para la industria es demoledor: puedes colaborar voluntariamente con el gobierno, pero eso no impide que mañana recibas una orden que cambia por completo las reglas del juego.

La situación roza lo kafkiano cuando se recuerda que Mythos no era simplemente un producto comercial cualquiera. La NSA estaba preparando el uso de Mythos en operaciones de ciberseguridad, con ingenieros de Anthropic colaborando con la agencia, mientras al mismo tiempo la compañía mantenía una disputa con el Pentágono por su clasificación como riesgo para la cadena de suministro. La misma tecnología puede ser demasiado peligrosa para unos, indispensable para otros, vetada para extranjeros, útil para agencias de inteligencia y sospechosa para el propio Departamento de Defensa. No estamos ante una política tecnológica coherente, sino ante una acumulación de impulsos institucionales contradictorios, cada uno con su propia definición de amenaza.

Para una compañía como Anthropic, la lección es especialmente dura. Su estrategia ha consistido en presentarse como la empresa prudente, la que habla de alineamiento, de riesgos existenciales, de escalado responsable y de cooperación con gobiernos. Esa estrategia le ha dado legitimidad, pero también la ha colocado en el centro del tablero político. Cuando se afirma una y otra vez que los modelos de frontera pueden ser peligrosos, no debería sorprender que un gobierno obsesionado con la seguridad nacional decida actuar como si lo fueran. El problema es que la política, especialmente en la administración Trump, no funciona con la precisión de un benchmark ni con la paciencia de un comité científico. Funciona con incentivos, titulares sensacionalistas, sospechas, rivalidades burocráticas, gestos de poder y una idea muy simple: si algo puede ser descrito como amenaza, puede ser intervenido.

El daño va mucho más allá de Anthropic. Para cualquier empresa, universidad o investigador extranjero, el mensaje es que acceder a la mejor tecnología estadounidense puede convertirse de la noche a la mañana en un problema. Para cualquier empleado extranjero en una compañía estadounidense de inteligencia artificial, la pregunta deja de ser si tiene las credenciales técnicas adecuadas y pasa a ser qué pasaporte tiene (varios miembros clave del personal de Anthropic, entre ellos el cofundador Chris Olah, el investigador de inteligencia artificial Andrej Karpathy y la filósofa Amanda Askell, nacieron fuera de Estados Unidos). Para cualquier cliente empresarial, la fiabilidad de un proveedor de inteligencia artificial de frontera deja de depender solo de su infraestructura, su precio o su calidad técnica, y empieza a depender de la volatilidad política de Washington. Y para cualquier país aliado, la conclusión es incómoda: depender de modelos estadounidenses significa depender también de una administración que puede reinterpretar el acceso tecnológico como un privilegio revocable.

La inteligencia artificial de frontera no se está desarrollando en un laboratorio aislado, sino en un entorno cada vez más parecido al de la industria nuclear, la criptografía de los noventa o los semiconductores avanzados: tecnologías de propósito general que los gobiernos intentan encajar en categorías de control pensadas para armas, exportaciones estratégicas o infraestructura crítica. Pero los modelos no son uranio enriquecido: no se almacenan igual, no se distribuyen igual, no se usan igual y, sobre todo, no se controlan igual. Pretender separar a usuarios por nacionalidad en servicios globales, equipos internacionales y cadenas de valor distribuidas es una receta para el absurdo. Si el único modo de cumplir una orden es apagar el producto para todos, quizá el problema no está solo en el producto, sino en la orden.

Lo que estamos viendo es el nacimiento de una nueva geopolítica de la inteligencia artificial, pero una geopolítica todavía inmadura, llena de contradicciones y de decisiones tomadas con más miedo que criterio. Anthropic quería situarse como la compañía responsable en una industria acusada de irresponsabilidad, pero ahora descubre que, en un país que convierte la responsabilidad en munición política, ser el alumno aplicado no necesariamente te protege: a veces te convierte en el blanco más visible. Y esa es la paradoja más inquietante de todo este episodio: cuanto más poderosa se vuelve la tecnología, más necesaria es la regulación, pero cuanto más errática es la regulación, más difícil resulta construir la tecnología de forma responsable.

La pregunta de fondo no es si Mythos o Fable son peligrosos. Probablemente lo son, al menos en ciertos contextos. La pregunta es si una democracia puede gobernar tecnologías de este nivel con procesos opacos, criterios no divulgados y órdenes que parecen diseñadas más para demostrar autoridad que para gestionar riesgos. Si la respuesta es no, el problema no será que las empresas de inteligencia artificial innoven demasiado rápido, sino que las instituciones que intentan controlarlas lo hagan simplemente mal. Y en ese caso, el verdadero riesgo no estará solo en los modelos, sino en un ecosistema político incapaz de distinguir entre prudencia y pánico, entre supervisión y arbitrariedad, entre liderazgo tecnológico y reflejo autoritario.

This article is also available in English on my Medium page, «Anthropic’s Fable and Mythos: when AI safety meets state power»

La decisión preliminar del Tribunal Regional de Munich contra Google por sus AI Overviews no es una simple anécdota europea más en la larga historia de fricciones entre Bruselas, los tribunales nacionales y las grandes tecnológicas norteamericanas.

Tampoco es, aunque algunos quieran presentarlo así, otro episodio de ese supuesto reflejo antimonopolístico europeo que en Silicon Valley se interpreta con una mezcla de irritación, superioridad moral y victimismo. Es algo bastante más importante: un tribunal ha dicho, en esencia, que cuando una compañía utiliza inteligencia artificial para producir una afirmación nueva, no puede esconderse detrás de la excusa de que «solo estaba organizando información».

El caso es especialmente interesante porque no gira alrededor del copyright, ni del abuso de posición dominante, ni de la remuneración a los medios, aunque todos esos temas están obviamente en el fondo: dos empresas alemanas demandaron a Google porque sus AI Overviews las asociaban con estafas y prácticas fraudulentas. El problema es que las fuentes enlazadas por Google no decían eso. La inteligencia artificial había mezclado, inferido, sintetizado y, finalmente, inventado. Y el tribunal entendió que esas afirmaciones no eran contenido de terceros: eran contenido de Google.

Esa distinción es crucial. Durante décadas, los buscadores han sido tratados como intermediarios. Un buscador rastrea, indexa, ordena y enlaza. Puede equivocarse, puede priorizar mal, puede reflejar basura, pero en principio no está hablando: está señalando. La inteligencia artificial generativa cambia radicalmente esa arquitectura. Ya no estamos ante una página de resultados que remite a otros. Estamos ante un sistema que lee, combina, resume y presenta una respuesta con apariencia de autoridad. Es decir, ante una máquina que habla en nombre de la empresa que la despliega.

Google intentó defenderse con un argumento que, en realidad, revela la magnitud del problema: los usuarios podían comprobar los enlaces. Pero si el usuario tiene que verificar cada frase de una respuesta generada por inteligencia artificial, ¿para qué sirve entonces la respuesta? La función se vende precisamente como una simplificación, como una manera de ahorrar tiempo y evitar clics. Si funciona, sustituye al proceso tradicional de búsqueda. Si se equivoca, no puede convertirse mágicamente en una simple invitación a seguir investigando. No se puede vender comodidad y, cuando esa comodidad causa daño, refugiarse en que el usuario debía haber hecho el trabajo completo.

La cuestión va mucho más allá de Google. Afecta a cualquier empresa que despliegue un sistema generativo capaz de producir afirmaciones sobre personas, compañías, productos, médicos, profesores, periodistas, políticos o competidores. Durante años hemos aceptado con una sorprendente docilidad que las plataformas no eran responsables de casi nada: ni de lo que recomendaban sus algoritmos, ni de lo que amplificaban, ni de las consecuencias económicas o reputacionales de sus decisiones automatizadas. La inteligencia artificial generativa rompe ese pacto implícito. Cuando el algoritmo ya no se limita a clasificar contenido ajeno, sino que crea una afirmación nueva, la vieja coartada del intermediario empieza a desmoronarse.

En Estados Unidos, el choque con la famosa Section 230 de la Communications Decency Act será inevitable. Esa norma, considerada por muchos fundamental para el desarrollo de internet, establece que un proveedor de servicios interactivos no debe ser tratado como editor de la información proporcionada por otro proveedor de contenido. Su lógica histórica era razonable: proteger a las plataformas frente a responsabilidades imposibles por cada contenido publicado por terceros. Pero la pregunta incómoda es evidente: ¿qué ocurre cuando la información ya no la proporciona «otro», sino un modelo entrenado, afinado, desplegado, optimizado y monetizado por la propia compañía?

La jurisprudencia norteamericana no ha resuelto todavía ese dilema. En Gonzalez v. Google, el Tribunal Supremo evitó pronunciarse sobre el alcance real de la Section 230 en relación con los algoritmos de recomendación. Pero la inteligencia artificial generativa plantea una cuestión mucho menos cómoda que la recomendación algorítmica: no hablamos solo de seleccionar qué ve un usuario, sino de fabricar una respuesta que antes no existía. Como señalaba un análisis de la American Bar Association, estos sistemas se parecen cada vez menos a intermediarios neutrales y cada vez más a autores que sintetizan, interpretan y generan contenido propio.

Ahí está el núcleo del asunto. Si una persona escribe una acusación falsa, responde por ella. Si un periódico publica una acusación falsa, responde por ella. Si una empresa utiliza una inteligencia artificial para producir una acusación falsa y colocarla en la parte más visible del buscador más usado del mundo, ¿de verdad vamos a aceptar que nadie responde? ¿Que el perjudicado debe resignarse porque «el modelo se equivocó»? Esa idea solo resulta defendible si seguimos tratando a la inteligencia artificial como una especie de fenómeno natural, como la lluvia o el viento, y no como lo que realmente es: un producto diseñado, controlado y explotado comercialmente por una empresa.

Además, este debate se cruza con otro igualmente importante: el de la extracción de valor. Los editores europeos llevan meses denunciando que AI Overviews les roba tráfico, visibilidad e ingresos. La Independent Publishers Alliance presentó una queja antimonopolio ante la Comisión Europea argumentando que los medios no pueden excluir sus contenidos de las respuestas de inteligencia artificial sin desaparecer también de Google Search. En Italia, los editores describieron la función como un «traffic killer». Y la Comisión Europea ya investiga el escenario conocido como «Google Zero», en el que Google utiliza contenidos de terceros para responder dentro de Google, sin enviar tráfico fuera de Google.

Pero la resolución alemana introduce una dimensión más profunda que la competencia o la compensación. No se trata solo de si Google abusa de su posición dominante. Se trata de si una empresa puede convertir internet en materia prima, destilarlo mediante algoritmos opacos, vender la destilación como respuesta autorizada y, al mismo tiempo, negar responsabilidad cuando esa respuesta destruye reputaciones, altera decisiones de consumo o daña negocios.

La respuesta debería ser obvia. La responsabilidad no puede evaporarse en la arquitectura técnica. Si el sistema está diseñado por Google, desplegado por Google, optimizado por Google, integrado en Google Search y monetizado por Google, entonces sus errores no son simples accidentes del ecosistema informativo: son fallos de producto, fallos editoriales o ambas cosas a la vez. Y eso cambia por completo el debate.

La inteligencia artificial no necesita una impunidad especial para innovar. Necesita incentivos correctos. Si las empresas saben que no responderán por nada, desplegarán sistemas cada vez más agresivos, opacos y baratos de mantener. Si saben que responderán por los daños que causen sus afirmaciones inventadas, invertirán en verificación, trazabilidad, mecanismos de corrección, límites de uso y evaluación de riesgos. Exactamente lo que cualquier industria responsable debe hacer cuando sus productos pueden causar daño.

La sentencia alemana es preliminar, sí. Google recurrirá, matizará, minimizará y repetirá que la inmensa mayoría de las respuestas son correctas. Pero ese no es el punto. El punto es que el viejo contrato de internet, basado en plataformas que decían no ser responsables porque solo alojaban o enlazaban contenidos de terceros, ya no encaja con sistemas que generan lenguaje propio a escala industrial. La inteligencia artificial no es un enlace. No es una lista. No es una ventana neutral al mundo. Es una máquina de producir afirmaciones. Y quien pone esa máquina en marcha debe responder por lo que dice.

Durante demasiado tiempo, las grandes tecnológicas han disfrutado de una asimetría extraordinaria: capturan el valor cuando sus algoritmos funcionan y socializan el daño cuando fallan. La decisión de Múnich apunta justo contra esa asimetría. Y por eso es importante. No porque sea europea. No porque sea contra Google. Sino porque empieza a formular la pregunta que definirá la próxima década: cuando una inteligencia artificial habla, ¿quién está hablando realmente?

Y la respuesta, por mucho que incomode a Silicon Valley, no puede ser «nadie».

This article is also available in English on my Medium page, «No more alibis: why generative AI can’t hide behind Section 230 any longer»

Durante años, el debate sobre la energía solar en España ha estado planteado en términos de conflicto: o dedicamos el terreno a producir alimentos o lo dedicamos a producir electricidad, como si esas dos actividades fueran incompatibles, o como si cada hectárea tuviese que elegir entre aceitunas o electrones.

Sin embargo, el avance de las tecnologías agrivoltaicas está demostrando que esa dicotomía puede estar completamente equivocada.

La idea no es nueva. Hace ya algunos años escribí sobre la tecnología agrivoltaica y el rediseño del campo y posteriormente sobre por qué las tecnologías agrivoltaicas tenían todo el sentido del mundo. Desde entonces, la investigación ha seguido acumulando evidencias de que, en muchos cultivos, una sombra parcial cuidadosamente diseñada no solo no perjudica la producción, sino que puede mejorarla.

La explicación tiene mucho que ver con el cambio climático. Durante décadas asumimos que más horas de sol equivalían automáticamente a mejores cosechas. Hoy sabemos que no siempre es así. En gran parte de España, especialmente en Andalucía, Extremadura o la Comunidad Valenciana, el problema para la agricultura ya no es la falta de radiación solar, sino el exceso. Las olas de calor son más frecuentes, las temperaturas extremas duran más tiempo y el estrés hídrico se ha convertido en una amenaza permanente para muchos cultivos.

En ese contexto, los paneles solares dejan de ser únicamente una herramienta de generación energética para convertirse también en una herramienta agronómica. Instalados a suficiente altura para permitir el paso de maquinaria y la actividad agrícola normal, generan una sombra parcial que reduce la temperatura del suelo, disminuye la evaporación y protege a las plantas durante los episodios más extremos.

Los resultados empiezan a ser difíciles de ignorar. Un estudio publicado en Nature Sustainability demuestra cómo los sistemas agrivoltaicos pueden mejorar simultáneamente la producción agrícola, la eficiencia energética y la gestión del agua en entornos áridos. La investigación concluye que la combinación de agricultura y energía solar genera beneficios mutuos para los dos sistemas, en lugar de la competencia por el uso del suelo que tradicionalmente se asumía.

En España, el potencial parece especialmente interesante para cultivos permanentes como el olivar o el viñedo. Investigadores de la Universidad de Jaén han desarrollado diseños específicos para olivares que permiten compatibilizar la generación eléctrica con la mecanización completa de la explotación agrícola. El objetivo no es sustituir el cultivo por placas solares, sino mantener ambas actividades sobre la misma superficie.

Algo parecido está ocurriendo en el sector vitivinícola. El proyecto WineSolar impulsado por Iberdrola en Toledo explora cómo adaptar el sombreado de los paneles a las necesidades concretas de la vid, utilizando sistemas inteligentes capaces de modificar la orientación de los módulos en función de las condiciones meteorológicas y del estado del cultivo. En la Ribera del Duero también hay instalaciones que están desarrollando este tipo de tecnologías.

Lo interesante es que la agrivoltaica obliga a replantear una idea profundamente arraigada: la de que el suelo solo puede tener un uso. Durante siglos hemos pensado en las explotaciones agrícolas como espacios dedicados exclusivamente a producir alimentos. Pero la transición energética está introduciendo una nueva variable: la misma hectárea puede generar cosechas, producir electricidad, reducir el consumo de agua y, además, proporcionar una fuente adicional de ingresos para el agricultor. Y eso último puede ser tan importante como cualquier consideración ambiental.

El campo español lleva décadas atrapado entre márgenes decrecientes, dependencia de subvenciones, volatilidad de precios y fenómenos climáticos cada vez más difíciles de gestionar. En ese contexto, la posibilidad de complementar los ingresos agrícolas con la generación de energía renovable puede convertirse en una herramienta fundamental para mejorar la viabilidad económica de muchas explotaciones.

Además, la agrivoltaica ofrece una respuesta interesante a una de las críticas más frecuentes contra la expansión fotovoltaica: la ocupación de suelo agrícola. Si la misma parcela puede seguir produciendo alimentos mientras genera electricidad, el debate deja de ser una confrontación entre agricultura y energía para convertirse en una discusión sobre cómo diseñar mejor el territorio.

Por supuesto, no todas las instalaciones solares son agrivoltaicas. Existe el riesgo de utilizar el término como una simple operación de marketing para justificar proyectos que, en la práctica, terminan expulsando a la actividad agrícola. La clave está precisamente en lo contrario: que la producción agraria siga siendo real, económicamente viable y compatible con la generación energética.

Pero cuando eso ocurre, la propuesta resulta difícil de cuestionar. España, por razones obvias, debería estar en primera línea de la tecnología agrivoltaica. Tenemos sol, tenemos superficie agrícola, tenemos cultivos de alto valor, tenemos estrés hídrico creciente y tenemos una industria fotovoltaica que ha madurado muy rápido. Red Eléctrica señala que la fotovoltaica alcanzó en 2024 su máximo histórico de generación, con 44,520 GWh y un 17% de la producción eléctrica del país, y que a comienzos de 2025 ya era la tecnología con mayor potencia instalada en España, con más de 32 GW, por delante de la eólica.

La cuestión ya no es si la solar va a crecer: va a crecer. La cuestión es si queremos que ese crecimiento se haga compitiendo absurdamente con el campo, o integrándose inteligentemente en él. Quizá el error haya sido pensar durante tanto tiempo que el campo y la energía competían por el mismo espacio. Cada vez existen más razones para creer que, en realidad, estaban destinados a compartirlo.

This article is also available in English on my Medium page, «Beyond the false choice: how solar and agriculture can grow together«

Mi columna de esta semana en Invertia se titula «Madrid y el momento del coche autónomo» (pdf), y trata sobre una noticia que, aunque ha pasado relativamente desapercibida entre el habitual ruido político y regulatorio, tiene una enorme importancia estratégica: Madrid está a punto de convertirse en una de las primeras grandes ciudades europeas en experimentar con servicios reales de movilidad autónoma en sus calles.

La noticia surge a partir de los anuncios de despliegues y pruebas por parte de compañías como Uber, Cabify y Bolt, así como del acuerdo entre Uber, WeRide y Avomo para comenzar a operar servicios de robotaxis en Madrid a lo largo de este año. Mientras tanto, Uber continúa reforzando su apuesta por este mercado con inversiones cada vez más significativas en empresas especializadas como Nuro, una compañía en la que mantiene ya compromisos financieros cercanos a los quinientos millones de dólares.

Lo interesante del caso madrileño es que rompe con una narrativa que hemos visto repetirse durante años en Europa: la de un continente que observa las grandes innovaciones tecnológicas desde la distancia mientras espera a que otros las desarrollen, las prueben y las conviertan en algo cotidiano. Durante demasiado tiempo, la conversación sobre el coche autónomo se ha centrado en cuestiones técnicas, regulatorias o incluso filosóficas, mientras ciudades como Phoenix o San Francisco comenzaban a convivir con vehículos sin conductor como parte normal de su ecosistema de movilidad.

Sin embargo, el caso español presenta una diferencia importante respecto al modelo norteamericano. En Estados Unidos, la adopción llegó impulsada fundamentalmente por grandes compañías tecnológicas como Waymo. En España, en cambio, llegará previsiblemente a través de plataformas que millones de usuarios utilizan ya de manera habitual. La transición será prácticamente invisible para la mayoría de las personas: simplemente pedirán un vehículo a través de una aplicación conocida y descubrirán que, en algún momento, el conductor ya no está ahí.

Ese detalle puede parecer menor, pero en realidad resulta crucial. La historia de la innovación demuestra que muchas tecnologías fracasan no porque funcionen mal, sino porque exigen demasiado esfuerzo de adaptación por parte de los usuarios. En este caso ocurre exactamente lo contrario: la adopción puede producirse de forma gradual, casi imperceptible.

Además, España reúne una combinación especialmente interesante de factores para convertirse en uno de los mercados más relevantes de Europa para la movilidad autónoma: un clima favorable, ciudades relativamente densas pero manejables, una fuerte implantación de los servicios de VTC y un marco regulatorio europeo que, por una vez, parece empezar a acompañar la evolución tecnológica en lugar de perseguirla con años de retraso.

La cuestión verdaderamente importante, sin embargo, no es si los coches autónomos acabarán llegando. Eso ya parece inevitable. La cuestión es qué harán las ciudades con ellos cuando lleguen. Como comentaba hace unos meses, estos vehículos no son únicamente una nueva forma de transportar pasajeros. Son también plataformas móviles de recopilación de información capaces de aportar datos valiosísimos sobre el estado de las calles, los patrones de tráfico, las incidencias urbanas o las necesidades de mantenimiento de las infraestructuras.

Por eso el debate relevante no debería plantearse en términos de miedo o resistencia, sino de diseño institucional. ¿Qué datos deben compartir estas plataformas con la ciudad? ¿Cómo se integran con el transporte público? ¿Qué incentivos pueden alinearse para que contribuyan a reducir el uso del vehículo privado? ¿Cómo puede aprovecharse esta tecnología para construir ciudades más eficientes en lugar de simplemente añadir más coches a las calles?

Madrid tiene ahora la oportunidad de responder a esas preguntas antes que muchas otras ciudades europeas. Y en un ámbito tan transformador como la movilidad autónoma, aprender antes suele equivaler a disponer de una ventaja muy difícil de recuperar después.

Como ocurre con todas las grandes innovaciones, habrá problemas, errores, exageraciones, titulares alarmistas e idiotas mencionando el manoseado dilema del tranvía. Pero la diferencia entre una ciudad que lidera y una ciudad que sigue a otras no está en evitar cualquier riesgo, sino en aprender a gestionarlo. Y en ese sentido, Madrid podría estar mucho más cerca de convertirse en referencia de lo que muchos imaginan.

This article is also available in English on my Medium page, «Here’s an important strategic initiative in Spain: Madrid is Europe’s first city to trial robotaxis»