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»

Durante décadas, Apple ha convertido el hecho de llegar tarde en una ventaja competitiva. No inventó el reproductor de música digital, ni el smartphone, ni la tableta, ni el reloj inteligente. Observó cómo otros abrían camino, aprendió de sus errores y terminó ofreciendo una experiencia mejor integrada y más fácil de utilizar. Una reinvención.

La inteligencia artificial, sin embargo, podría ser diferente.

La WWDC 2026 pasará a la historia como el evento en el que Apple admitió implícitamente dos cosas: que había infravalorado la revolución de la inteligencia artificial generativa y que ya no podía permitirse seguir haciéndolo. Tras años prometiendo una nueva Siri y una plataforma de inteligencia artificial que nunca terminaba de materializarse, la compañía presentó finalmente una versión completamente renovada de su asistente, ahora capaz de comprender contexto personal, analizar lo que aparece en pantalla, encadenar acciones complejas y mantener conversaciones mucho más naturales. En el lado bueno, Siri ha mejorado mucho. En el lado malo… no lo tenía muy difícil.

Pero lo más importante no fue lo que Apple presentó, sino cómo lo presentó. Durante años, Apple defendió una estrategia basada en desarrollar internamente las tecnologías clave que sustentaban sus productos. Sin embargo, la nueva Siri llega impulsada por Gemini, la inteligencia artificial de Google. La empresa que construyó su éxito sobre el control absoluto de la experiencia de usuario ha terminado recurriendo a uno de sus principales competidores para dejar de ser patética, poder ser mínimamente competitiva y, básicamente, ponerse al día.

Y eso plantea una cuestión incómoda: ¿sigue siendo Apple una empresa que lidera las grandes transiciones tecnológicas o se ha convertido en una compañía que simplemente las integra cuando ya están maduras? La respuesta no es tan sencilla como parece.

La narrativa dominante sostiene que Apple llega tarde a la inteligencia artificial. Y es verdad. Mientras OpenAI, Google, Anthropic o Meta competían por construir modelos cada vez más potentes, Apple seguía hablando de privacidad, de procesamiento local y de experiencias cuidadosamente diseñadas. Mientras Microsoft invertía decenas de miles de millones en infraestructura, Apple permanecía completamente al margen de la carrera.

Muchos interpretan esa actitud como una señal de retraso. Otros, sin embargo, la ven como una demostración de disciplina estratégica: después de todo, Apple nunca ha querido ganar la guerra de la tecnología, siempre ha preferido ganar la guerra de la experiencia. Pero la pregunta, claro, es si esa estrategia sigue siendo válida en la era de la inteligencia artificial.

Porque la inteligencia artificial introduce una diferencia fundamental respecto a revoluciones anteriores. En el pasado, Apple podía comprar componentes, diseñar una interfaz superior y construir un producto mejor. Hoy, el núcleo del valor parece concentrarse en los modelos fundacionales, y esos modelos requieren cantidades gigantescas de datos, capacidad de computación y talento especializado. Y Apple llega a esa carrera con una limitación autoimpuesta: su obsesión por la privacidad.

Mientras Google, Meta o OpenAI se alimentan de enormes volúmenes de información para entrenar y mejorar continuamente sus sistemas, Apple insiste en minimizar la recopilación de datos y mantener gran parte del procesamiento dentro de los dispositivos. Es una postura coherente con su identidad y probablemente apreciada por muchos usuarios. Pero también supone una desventaja competitiva evidente.

La cuestión es si esa desventaja importa. Porque existe otro escenario posible: que los modelos terminen convirtiéndose en una commodity. Las diferencias entre ellos disminuyen rápidamente. Lo que hoy parece una ventaja tecnológica decisiva puede desaparecer en cuestión de meses. Si eso ocurre, el valor dejará de estar en el modelo y pasará a estar en la distribución, la confianza y la integración. Y ahí Apple sigue siendo prácticamente imbatible: tiene más de mil millones de usuarios activos, y controla tanto el hardware y el sistema operativo como el ecosistema de aplicaciones. Si la inteligencia artificial acaba siendo una funcionalidad integrada en nuestra vida cotidiana en lugar de un producto independiente, Apple podría estar perfectamente posicionada para beneficiarse de ella sin necesidad de ganar la carrera de los modelos.

Sin embargo, hay un precedente histórico que debería preocupar a la compañía: a mediados de los ’90, Apple cometió un error estratégico monumental al infravalorar Internet. Mientras Microsoft reorganizaba toda la compañía alrededor de la red, Apple seguía concentrada en sus productos y en su experiencia de usuario. El resultado fue un período de irrelevancia tecnológica del que tardó años en recuperarse.

La comparación no es exacta, pero sí bastante inquietante, porque en ambos casos aparece el mismo patrón: una tecnología emergente inicialmente considerada complementaria que termina redefiniendo toda la industria. Internet no fue una característica más de los ordenadores. Se convirtió en la razón principal para utilizarlos. La inteligencia artificial podría seguir una trayectoria similar. Y si eso ocurre, la estrategia de Apple corre el riesgo de parecer peligrosamente conservadora.

De hecho, la propia compañía parece haber llegado a esa conclusión. Las informaciones previas a la WWDC describían reuniones internas de emergencia, cambios organizativos profundos y una creciente preocupación por el retraso acumulado. La sustitución de los responsables de Siri, la mayor implicación de Tim Cook y la decisión de apoyarse en Google sugieren una organización que finalmente ha comprendido la magnitud de este desafío, y lo que vimos ayer en la conferencia fue, en muchos sentidos, una rectificación.

Apple ya no habla de la inteligencia artificial como una simple característica integrada en sus dispositivos. Habla de ella como el eje central de la próxima generación de experiencias. La diferencia es importante porque implica reconocer que la inteligencia artificial no es una moda pasajera ni una funcionalidad más: es una nueva capa informática.

¿Será suficiente? Nadie lo sabe todavía. La nueva Siri parece mucho más personal y competitiva que cualquier versión anterior. Pero también llega muchísimo después de que ChatGPT, Gemini o Claude hayan redefinido las expectativas de los usuarios. Apple ya no está marcando el ritmo de la innovación… está intentando alcanzarlo. Y eso es algo extraordinariamente poco habitual para una compañía que durante décadas se acostumbró a dictar las reglas del juego.

Quizá la apuesta por la privacidad termine demostrando ser una ventaja diferencial. Quizá los modelos se conviertan en una commodity y el verdadero valor resida en la integración. O quizá Apple esté repitiendo, con treinta años de diferencia, el mismo error que cometió cuando subestimó Internet. Y cualquiera de las dos posibilidades formará una parte inseparable del legado de Tim Cook.

La paradoja es fascinante: la empresa que más ha insistido en que la inteligencia artificial debe ser invisible y estar al servicio del usuario podría acabar teniendo razón. Pero también existe la posibilidad de que, cuando finalmente haya decidido tomarse la inteligencia artificial en serio, el resto del sector ya haya avanzado demasiado.

This article is also available in English on my Medium page, «What WWDC 2026 really told us about Apple’s future in the age of AI»

La decisión de S&P Dow Jones Indices de no modificar sus criterios para acelerar la entrada de compañías megacap recién salidas a bolsa en el S&P 500, comentada por Ars Technica en «S&P 500 blocks fast SpaceX entry, won’t waive rule for unprofitable AI firms«, es una de esas noticias aparentemente técnicas que, en realidad, dicen mucho sobre cómo entendemos los mercados, la innovación y la disciplina institucional. Porque un índice no es un ranking de popularidad, ni una encuesta de expectativas, ni un mecanismo para bendecir narrativas futuristas: es una herramienta de referencia para la inversión, y precisamente por eso debe resistirse a la tentación de convertirse en una veleta.

El S&P 500 es considerado por S&P como el gran indicador de la renta variable estadounidense de gran capitalización, con unas quinientas compañías que representan aproximadamente el 80% de la capitalización del mercado. Eso significa que su composición tiene consecuencias muy reales: detrás de cada inclusión hay fondos indexados, planes de pensiones, productos de ahorro, carteras institucionales y millones de inversores que no han decidido activamente comprar una compañía determinada, sino replicar un índice. Cuando una empresa entra en el S&P 500, no recibe simplemente un sello reputacional: recibe automáticamente una gran demanda de sus acciones, por parte de todos los actores que buscan replicar la composición del índice.

Precisamente por eso, las reglas importan. En 2020 escribí sobre la entrada de Tesla en el S&P 500 y la economía verde, y en 2023 sobre la entrada de Uber en el mismo índice. En ambos casos, con todas las reservas que se quisieran plantear sobre sus modelos, sus efectos sociales o sus valoraciones, había un elemento fundamental: habían cumplido unas condiciones. Tesla representaba una transformación industrial de primer orden, sí, pero entró cuando pudo hacerlo. Uber, tras años de crecimiento desordenado, conflictos regulatorios y pérdidas, entró cuando logró estabilizar sus cuentas y encadenar trimestres positivos. ¿Alguna diferencia con SpaceX, OpenAI o Anthropic? Muchísimas.

SpaceX puede representar muchas cosas: la industrialización del espacio, la redefinición de las telecomunicaciones vía Starlink, una nueva geopolítica de las infraestructuras orbitales o, sencillamente, una de las compañías tecnológicas más ambiciosas de nuestra época. Pero una cosa es reconocer su potencial, y otra muy distinta pretender que una valoración estratosférica sustituya a la consolidación empresarial. Una compañía puede ser fascinante, estratégica, incluso decisiva para el futuro, y al mismo tiempo no estar todavía en condiciones de formar parte de un índice que canaliza de forma masiva la inversión pasiva. Confundir ambas cosas es exactamente el tipo de error que convierte los mercados en una máquina de amplificar burbujas.

Lo mismo ocurre con OpenAI y Anthropic. Nadie razonable puede negar la importancia de la inteligencia artificial generativa, ni el impacto que estas compañías están teniendo sobre la tecnología, la educación, la programación, la productividad o la estructura competitiva de la industria. Pero tampoco deberíamos confundir relevancia tecnológica con madurez financiera. Según Fast Company, OpenAI no espera ser rentable hasta 2030, mientras Anthropic alternaría todavía resultados positivos y pérdidas antes de consolidarse. Estamos hablando de compañías extraordinariamente prometedoras, sí, pero también intensivas en capital, con costes de entrenamiento e infraestructura descomunales, modelos de negocio aún en evolución y una dependencia enorme de rondas de financiación, acuerdos estratégicos y expectativas futuras.

¿Debe un índice como el S&P 500 anticipar el futuro? En parte, inevitablemente, porque los mercados siempre descuentan expectativas. Pero no debe hacerlo rompiendo sus propias reglas cada vez que aparece una narrativa lo suficientemente grande como para deslumbrar a Wall Street. La consulta de S&P Dow Jones Indices planteaba precisamente si las megacap debían quedar exentas de ciertos requisitos, incluyendo criterios de viabilidad financiera. La respuesta final es sensata: no cambiar las reglas, mantener el requisito de cotización durante al menos doce meses tras la salida a bolsa y no crear excepciones basadas únicamente en capitalización.

En la práctica, esto significa algo muy sencillo: si SpaceX, OpenAI o Anthropic son realmente tan importantes como sus defensores afirman, no necesitan que se les regale la entrada en ese club. Les bastará con cotizar, demostrar liquidez, flotación, gobierno corporativo, estabilidad y resultados. Si su valoración está justificada, el tiempo lo demostrará. Si no lo está, mejor que el ajuste lo sufran quienes decidieron asumir ese riesgo voluntariamente, no millones de inversores pasivos arrastrados por una modificación oportunista de la metodología.

Un índice serio no está para perseguir la espuma del mercado, sino para proporcionar una representación consistente, replicable y disciplinada. Si cada ciclo de entusiasmo obliga a cambiar las reglas, las reglas dejan de ser reglas y pasan a ser relaciones públicas. Hoy sería SpaceX; mañana, cualquier compañía envuelta en la siguiente narrativa irresistible: computación cuántica, fusión nuclear, biotecnología sintética o lo que toque vender en la próxima presentación para inversores.

La innovación necesita capital, por supuesto. Pero el capital necesita instituciones que no se comporten como adolescentes ante cada promesa de futuro. La función de un índice no es aplaudir al visionario de turno ni subirse al tren antes que nadie: es ofrecer una referencia estable. Y precisamente porque SpaceX, OpenAI o Anthropic pueden llegar a ser enormes, conviene no tratarlas como si ya hubieran demostrado lo que todavía tienen que demostrar.

La disciplina metodológica no es conservadurismo, es higiene financiera. Y en una época en la que buena parte del mercado parece dispuesto a confundir tamaño con solidez, expectativas con beneficios y narrativa con realidad, mantener las reglas puede ser una de las decisiones más innovadoras de todas.

This article is also available in English on my Medium page, «Why the S&P 500 is right to keep SpaceX, OpenAI, and Anthropic waiting»

La promesa de la inteligencia artificial más avanzada siempre ha sonado como la de un servicio público: inteligencia abundante, disponible bajo demanda, tan fácil de utilizar como la electricidad, el agua o la computación en la nube. La metáfora es potente, y con razón. Los servicios públicos escalan porque abstraen la complejidad: no necesitas un ingeniero de la compañía eléctrica sentado en tu oficina cada vez que enciendes la luz.

Y, sin embargo, las empresas de inteligencia artificial más sofisticadas del mundo están haciendo cada vez más algo muy diferente: enviar personas.

OpenAI anunció recientemente la OpenAI Deployment Company, diseñada explícitamente para integrar Forward Deployed Engineers dentro de organizaciones que trabajan sobre problemas complejos en entornos exigentes. Según OpenAI, estos ingenieros colaborarán con directivos, responsables operativos y equipos de primera línea para identificar dónde la inteligencia artificial puede generar mayor impacto, rediseñar flujos de trabajo y convertir esas mejoras en sistemas duraderos. Anthropic está contratando Forward Deployed Engineers para su equipo de inteligencia artificial aplicada, profesionales que se integran directamente con clientes estratégicos para impulsar la adopción empresarial y desplegar aplicaciones reales. Google está haciendo exactamente lo mismo. ¿Casualidad?

Resulta revelador. Porque si la inteligencia fuese ya una auténtica utility, nada de esto sería necesario. No tendrías que enviar tus propios ingenieros a cada cliente para conseguir que el grifo funcione.

La paradoja de la inteligencia artificial como utility

Esta es la paradoja en el centro del modelo actual de inteligencia artificial empresarial: la industria habla el lenguaje de la escala, la abundancia y las plataformas, pero el modelo de implementación se parece cada vez más al de la consultoría de alto nivel.

Eso no significa que el trabajo carezca de importancia, más bien al revés. Los Forward Deployed Engineers suelen estar resolviendo el problema real: sacar los modelos más avanzados del entorno de demostración y hacer que funcionen dentro de organizaciones complejas, reguladas y fragmentadas. Se ocupan de permisos, sistemas heredados, cumplimiento normativo, calidad de datos, flujos de trabajo, restricciones operativas y de todas esas cosas que hacen que las empresas reales se parezcan muy poco a los benchmarks.

Pero precisamente ahí está la cuestión. La necesidad de estas personas no es simplemente una innovación comercial. Es un síntoma. Nos dice que el producto, tal y como está empaquetado hoy, todavía no es suficiente.

En artículos anteriores de esta serie argumenté que los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa, que la inteligencia artificial empresarial debe evolucionar de herramientas a sistemas, y que los sistemas que finalmente funcionen no se parecerán a chatbots ni copilots, sino a inteligencia integrada en la propia organización. El fenómeno de los Forward Deployed Engineers confirma ese argumento desde el lado de los proveedores. Si el laboratorio de inteligencia artificial tiene que enviar ingenieros para reconstruir contexto, rediseñar procesos y hacer que el sistema opere bajo restricciones reales, entonces la capa que falta no es imaginaria. Está ahí, y está siendo suministrada manualmente.

El patrón pre-plataforma

Toda gran industria tecnológica atraviesa una fase artesanal antes de convertirse en industrial.

Antes de que el software empresarial se empaquetase como producto, las implantaciones eran completamente a medida. Antes de que las plataformas de cloud computing maduras apareciesen, las empresas necesitaban ejércitos de especialistas para configurar sus infraestructuras. Antes de que la web se estabilizase alrededor de navegadores, estándares, proveedores de alojamiento, gestores de contenidos, analítica y convenciones de diseño, construir una página web requería muchísimo más trabajo personalizado que después.

Los Forward Deployed Engineers encajan perfectamente en ese mismo patrón histórico. Palantir popularizó este modelo hace años. De hecho, su propia descripción del puesto de Forward Deployed Software Engineer se basa en ingenieros que trabajan directamente dentro del entorno del cliente para conseguir que el software funcione en la realidad operativa.

Ese modelo tenía sentido para Palantir porque sus clientes suelen operar en entornos extraordinariamente complejos, de alto riesgo y con requisitos muy específicos. Pero cuando OpenAI y Anthropic empiezan a converger hacia patrones similares, la señal es distinta: la industria de la inteligencia artificial más avanzada está descubriendo que los modelos, por sí solos, no son capaces de salvar la brecha empresarial.

Eso no convierte a los FDEs en un fracaso. Los convierte en una forma transitoria. Son lo que aparece antes de que una categoría encuentre su auténtica capa de plataforma.

SAP no envía empleados de SAP a cada cliente

Es aquí donde la comparación con el software empresarial maduro resulta útil: SAP no escala enviando empleados de SAP a cada cliente. Cuenta con un enorme ecosistema de socios. Salesforce tampoco implanta personalmente cada proyecto. Tiene AppExchange, ahora evolucionando hacia AgentExchange, y un amplio ecosistema de partners, fabricantes independientes de software (ISVs) e integradores de sistemas. La empresa que crea la plataforma construye el sustrato; el ecosistema industrializa la entrega.

Esa diferencia es importante. Cuando es el propio proveedor quien tiene que aportar la escasa experiencia humana necesaria para que el producto funcione, la categoría sigue siendo inmadura. Cuando son los socios, los integradores, las plantillas, los estándares y las arquitecturas repetibles quienes toman el relevo, la categoría empieza a escalar.

Por eso conviene interpretar con cuidado la actual ola de FDEs. No es la prueba de que la inteligencia artificial más avanzada se haya convertido en una plataforma. Es la prueba de que todavía no lo ha hecho.

Una plataforma auténtica reduce la necesidad de intervenciones a medida. Un producto preplataforma depende precisamente de ellas.

La trampa del modelo de negocio

Hay otro problema, y es más sutil: una vez que los Forward Deployed Engineers se convierten en una fuente de ingresos, prestigio, proximidad estratégica y dependencia por parte del cliente, resulta mucho más difícil para el proveedor prescindir de ellos. Las mismas personas que están resolviendo las carencias del producto pueden acabar formando parte del modelo de negocio que depende de que esas carencias sigan existiendo.

Es el territorio clásico del dilema del innovador. El gran Clayton Christensen sostenía que las empresas de éxito suelen tener dificultades no porque sean incapaces de ver el futuro, sino porque sus modelos de negocio actuales hacen que ese futuro resulte poco atractivo o incluso canibalizador. En este caso, el dilema es sencillo: si una empresa de inteligencia artificial avanzada construye la capa que convierte los despliegues en algo repetible, modular y escalable a través de socios, puede acabar socavando el modelo artesanal y de alto contacto que hoy le permite mantener una relación estrecha con sus mayores clientes.

Por eso la verdadera plataforma puede que no surja de las propias empresas que entrenan los modelos. Puede que aparezca en otra capa.

La capa que falta no es otro modelo

La tentación, como siempre, consiste en asumir que la respuesta es un modelo mejor. Un modelo más grande. Más agéntico. Con ventanas de contexto más largas, más herramientas, más memoria, más trazas de razonamiento y más autonomía.

Pero el modelo de los FDEs sugiere algo diferente. Si se están enviando ingenieros a los clientes para mapear procesos, comprender restricciones, conectar sistemas, estructurar contexto, gobernar accesos y transformar las salidas de la inteligencia artificial en resultados operativos, entonces la pieza que falta no es simplemente inteligencia. Es arquitectura.

Más concretamente, es la capa que transforma la realidad de la empresa en algo dentro de lo que los sistemas de inteligencia artificial puedan operar:

• contexto persistente
• estructura de procesos
• modelos de permisos
• gestión de restricciones
• bucles de retroalimentación
• estado de los flujos de trabajo
• semántica empresarial
• seguimiento de resultados

Hoy, esa capa suele reconstruirse manualmente en cada despliegue por parte de ingenieros expertos. Mañana tendrá que convertirse en pura infraestructura.

Ahí es donde está la verdadera oportunidad.

Por qué esto es, en la práctica, BPR con agentes

Todo esto conecta directamente con el regreso de la reingeniería de procesos de negocio (Business Process Reengineering).

En 1990, el famoso artículo de Michael Hammer en Harvard Business Review, «Reengineering Work: Don’t Automate, Obliterate«, defendía que las empresas no debían utilizar la tecnología simplemente para acelerar procesos obsoletos. Debían rediseñar los propios procesos. La idea era correcta, pero en muchos casos la tecnología de la época todavía no era capaz de sostener semejante ambición.

La inteligencia artificial cambia eso, pero también hace el problema más exigente. Si las empresas simplemente insertan inteligencia artificial en sus flujos de trabajo actuales, obtienen versiones más rápidas de procesos obsoletos. Si los proveedores simplemente envían ingenieros para personalizar cada despliegue, obtienen una transformación artesanal que no escala.

El verdadero avance llega cuando el propio rediseño se sistematiza: cuando los procesos de negocio no solo se automatizan, sino que además se representan, gobiernan, adaptan y optimizan de forma continua.

Ese es el momento en que la inteligencia artificial empresarial deja de parecerse a un proyecto de consultoría y empieza a convertirse en una plataforma.

El Forward Deployed Engineer es la pista

Por eso la figura del Forward Deployed Engineer resulta tan interesante. El FDE no es el futuro de la inteligencia artificial empresarial. El FDE es la pista de que ese futuro todavía no ha llegado del todo.

El puesto existe porque los sistemas actuales siguen necesitando seres humanos que hagan de puente entre la capacidad general de la inteligencia artificial y la realidad específica de cada organización. Alguien tiene que traducir la empresa a la máquina. Alguien tiene que interpretar las restricciones. Alguien tiene que decidir qué procesos son realmente importantes. Alguien tiene que conectar datos, procesos, acciones y resultados.

Pero la historia sugiere que, una vez aparece una capa repetible, el artesano deja de ocupar una posición central. Los consultores web no desaparecieron cuando la web maduró. Pero el «constrúyeme una página web» dejó de ser un misterioso problema de ingeniería a medida para la mayoría de las organizaciones. Los consultores ERP no desaparecieron cuando SAP maduró. Pero el ecosistema se estandarizó lo suficiente como para que el proveedor no tuviese que desplegar personalmente el producto en todas partes. Los arquitectos cloud no desaparecieron cuando AWS se convirtió en una plataforma. Pero la infraestructura pasó a ser programable, repetible y escalable.

Aquí ocurrirá exactamente lo mismo. Los Forward Deployed Engineers no desaparecerán. Pero si la inteligencia artificial empresarial llega a convertirse en una verdadera categoría de plataforma, dejarán de ser un elemento fundacional para convertirse en algo excepcional.

La verdadera prueba de una plataforma

La prueba es sencilla: ¿puede el sistema funcionar sin enviar al laboratorio? ¿Puede comprender la empresa sin realizar un ejercicio de mapeado específico en cada implantación? ¿Puede operar bajo restricciones sin reconstrucción manual? ¿Puede adaptarse a los flujos de trabajo sin tener un equipo de ingenieros instalado dentro del cliente? ¿Pueden terceros construir sobre él? ¿Pueden los clientes configurarlo? ¿Puede escalar más allá del pequeño grupo de empresas capaces de pagar un despliegue de guante blanco?

Hasta que la respuesta sea sí, deberíamos ser honestos respecto a lo que se está vendiendo. No es inteligencia artificial del grifo: es inteligencia artificial del grifo… pero con los fontaneros incluidos, y facturados aparte.

Y eso está perfectamente bien… por ahora. Todas las categorías atraviesan una fase artesanal. El error consiste en confundir esa fase con el destino final.

Lo que viene después

La siguiente etapa de la inteligencia artificial empresarial no estará definida por quién tenga el modelo más impresionante o el mayor equipo de despliegue. Estará definida por quien construya la capa que haga que esos equipos sean cada vez menos necesarios.

Porque las utilities no escalan enviando ingenieros a cada fregadero: escalan cuando la fontanería ya está instalada.

(This article was previously published on Fast Company)