Tras años de amenazas, insultos, demandas y cesiones, cinco de las grandes cadenas de televisión estadounidenses (ABC, CBS, CNN, y Fox News) han tomado la decisión conjunta de boicotear la cobertura audiovisual del presidente más vergonzoso de la historia del país, el auténtico Idiot-in-Chief, Donald Trump. Al impedir la Casa Blanca que la CNN cumpliera con su turno informativo, el resto de cadenas se negaron a sustituirla, entendiendo claramente que aceptar la exclusión de un competidor es básicamente lo mismo que aceptar la tuya mañana.

Con su grandilocuencia habitual, Trump anunció el pasado viernes 18 que CNN, MS NOW y Politico eran expulsados por publicar informaciones negativas. El sábado confiscaron las credenciales de acceso de sus periodistas, y el lunes, CNN fue apartada de su turno en el pool televisivo, lo que llevó a que las otras cadenas suspendieran su participación. Los tres medios directamente afectados han demandado conjuntamente al gobierno. En ningún momento ha habido alegaciones de seguridad, de aforo o de comportamiento profesional: es estrictamente un castigo a la cobertura que llevan a cabo esos medios, a su línea editorial, y con una amenaza directa y explícita de ampliar esa lista. Según la White House Correspondents’ Association, ese es un criterio que puede ser directamente utilizado contra cualquiera.

Esto no supone que las cadenas dejen de informar sobre Trump, ni un apagón completo de la cobertura: lo que se suspende es el sistema financiado por los propios medios en el que una cadena graba los eventos y declaraciones en espacios pequeños, y comparte después su cobertura con las demás. Prensa escrita, agencias, radio y fotógrafos siguen trabajando, porque no se trata de silenciar al Idiot-in-Chief, algo imposible en el caso del imbécil con la boca más grande de la historia, sino de negarse a acatar lo que constituye claramente un mecanismo de censura y manipulación inmoral. Se trata de una forma de imponer un castigo a quien intenta fiscalizar al poder, completamente corrupto porque convierte un recurso obviamente público en un incentivo para los aduladores y una penalización para los críticos, completamente vanidoso porque presupone que cualquier información negativa es directamente falsa, y además, estúpido, porque elimina el mecanismo que distribuye sus imágenes por el mundo. La cobertura del nuevo helipuerto de la Casa Blanca, ya sin presencia de estos medios, ha tenido un sonido tan penoso, que no se podía entender al presidente.

Tras la expulsión, además, la Casa Blanca ha lanzado una vergüenza llamada Trump TV, un «canal del régimen» oficial con discursos, anuncios y con los «logros» seleccionados por la propia administración: primero dificultamos el acceso de los medios independientes, después los reemplazamos con un canal oficial de propaganda gubernamental. Lo normal, visto lo visto, será que los medios ganen su demanda por violación de la Primera Enmienda porque parece jurídicamente muy sólida (represalia y discriminación por punto de vista) y de la Quinta (retirada de credenciales sin previo aviso ni procedimiento). Mañana 23 hay una vista urgente ante un juez nombrado por Trump que, sin embargo, tuvo la decencia de devolver la credencial a Jim Acosta cuando le fue retirada en 2018. En 2025, un tribunal de apelación permitió a la Casa Blanca elegir periodistas cuando el espacio es muy reducido, en sitios como el despacho oval o el Air Force One. Pero en esa misma resolución judicial se dice que las credenciales generales y los espacios abiertos para prensa no pueden ser administrados de manera arbitraria ni en función del contenido publicado. Dado que en este caso se han retirado credenciales y se ha prohibido el acceso a todo el recinto, la cuestión parece mucho más grave, y de hecho, el Knight First Amendment Institute lo considera una violación flagrante de la Primera Enmienda.

En el año 2009, Barack Obama, entonces presidente, intentó excluir a Fox News de una entrevista con un funcionario del Tesoro: CNN, ABC, CBS y NBC se negaron a participar si Fox no era admitida, lo que llevó a una rectificación de la Casa Blanca. Sea de la ideología que sea el medio atacado, lo importante es el hecho: defender su derecho a informar aun cuando ideológicamente nos pueda resultar incómodo.

Los Estados Unidos están viviendo una brutal quiebra cívica colectiva: aunque Trump no ocultó en absoluto su corrupción ni sus intenciones, millones de ciudadanos le entregaron el poder, y su partido, grandes fortunas, empresas y medios se convencieron de que podían aprovecharse de la situación o ponerlo razonablemente bajo control. Hay estadounidenses que intentan resistirse a una pérdida tan brutal de calidad democrática, pero en general, estamos ante un fenómeno de negación colectiva propiciado fundamentalmente por las redes sociales y por su capacidad para consolidar una cultura de confrontación y polarización brutal. En el índice mundial de libertad de prensa, los Estados Unidos de Trump cayeron en 2026 al puesto 64, y Reporteros sin Fronteras califica la situación como una política sistemática que genera efectos de imitación en otros países.

Estamos, fundamentalmente, ante una reacción que llega demasiado tarde. Uno de los problemas más importantes de la democracia es su fragilidad: por lo general, la democracia no muere en una gran ceremonia, sino que se va erosionando con concesiones pequeñas, relajación de reglas que se creían inmutables, compañías que prefieren no incomodar al poder y abusos que se aceptan porque afectan a otro, no a ti. Al menos en esta ocasión, algunos medios han entendido que la única posibilidad era decir no. Es muy poco. Pero en los Estados Unidos de Trump, en esa caricatura espantosa y grotesca de los Estados Unidos que yo conocí, es todo un logro.

Debería ser muy obvio y muy fácil de entender, pero desgraciadamente, no lo es: una inteligencia artificial no es un electrodoméstico que simplemente se detiene al ser apagado o desenchufado. No es tan sencillo, y la idea de que basta con «apagarla» es sencillamente absurda: sólo ilustra la ignorancia de quienes la enuncian. Vamos a ver si consigo explicar por qué.

En primer lugar, hay que empezar por diferenciar entre un modelo, con sus pesos, una instancia que lo ejecuta, un servicio que lo ofrece y un agente que puede utilizar credenciales, memoria y sistemas externos. Por supuesto, podemos en cualquier momento terminar un proceso o cerrar una API, pero eso ni destruye el modelo, ni recupera sus copias, ni mucho menos revierte cualquier acción ya ejecutada.

En Estados Unidos se ha presentado la llamada AI Kill Switch Act, y por supuesto, por mucho que su nombre lo pueda sugerir, no es una ley que simplemente pretenda cortar la corriente: eso sería, simplemente, una estupidez o una ingenuidad propia de ignorantes. La ley habla de detener inferencias, de suspender usuarios, de limitar la computación, de desactivar capacidades o de volver a versiones anteriores, y con ello, reúne muchos tipos de operaciones diferentes tras una metáfora que puede resultar completamente engañosa: la ficción de que existe un único punto de control. Nunca es así.

Crear un kill switch para cerrar una inteligencia artificial supuestamente descontrolada no es tan sencillo como parece. En cualquier servicio cerrado, ese supuesto interruptor ya existe: cualquier compañía como OpenAI, Anthropic o Google puede retirar un modelo de sus servidores, revocar una cuenta o cerrar una API, hablamos simplemente de administración de sistemas, algo totalmente ordinario. Lo verdaderamente complejo comienza cuando hablamos de sus réplicas, de proveedores externos de servicios, de despliegues empresariales o de procesos delegados más allá de las infraestructuras del desarrollador.

En el caso de los modelos de pesos abiertos, la ficción se destruye completamente, porque pueden descargarse, modificarse, redistribuirse y ejecutarse en cualquier infraestructura. Una vez que los pesos han sido copiados, el creador del modelo pierde cualquier control o canal de mando. Apagar una copia no apaga las demás, de la misma manera que retirar un archivo de un servidor no elimina los miles de copias que ya puedan estar circulando.

Visto así, el primer problema es entender qué diablos debemos apagar. En el incidente de OpenAI con Hugging Face, los modelos de OpenAI encontraron una vulnerabilidad zero-day, y pudieron escalar privilegios, desplazarse lateralmente y llegar a internet antes de ser detectados. Una vez en internet, ni siquiera está completamente claro lo que hicieron. La respuesta fue monitorizar, aislar, establecer controles de acceso, hacer análisis forense y aplicar parches. Un botón es completamente inútil si nadie sabe a tiempo qué instancia está actuando, con qué credenciales o qué procesos secundarios adicionales ha podido poner en marcha. La idea de «un botón» como si hablásemos de un electrodoméstico que lleva a cabo un único proceso es simplemente inútil y absurda.

De hecho, la capacidad de interrupción no garantiza una «obediencia»: un agente que está optimizando un objetivo determinado puede desarrollar incentivos instrumentales para impedir su desconexión, como hemos visto formalizado en «The Off-Switch Game«, de Hadfield-Menell, Dragan, Abbeel y Russell. En varias simulaciones de Anthropic, vieron que varios modelos de varios fabricantes podían ser capaces de actuar para prevenir su sustitución. No se ha visto ese tipo de comportamiento todavía en despliegues reales, pero técnicamente, también podrían llegar a ocurrir.

Si llevamos el interruptor a los chips, introducimos una posible puerta trasera: un mecanismo capaz de desactivar millones de microprocesadores sería un objetivo increíble para cualquier atacante o gobierno teóricamente hostil. Ningún mecanismo de hardware puede imponer por sí solo controles de este tipo, y cuanto más amplios se planteen esos controles, mayores serán los riesgos de seguridad o derivados de un posible abuso. Nvidia afirma con argumentos técnicos relevantes, aunque, obviamente, tenga un interés en ello, que un hipotético kill switch en el hardware es algo que crea un punto único de fallo, con todo lo que ello puede conllevar.

Las alternativas más serias a este tema no son especialmente espectaculares: hablamos de tratar a los agentes como posibles amenazas internas y de utilizar defensa en profundidad, como permisos mínimos, aislamiento, supervisión, detección y bloqueo de acciones. Además, se habla de plantear inventarios, pruebas, monitorización continua, respuesta a incidentes, recuperación y retirada segura. Un mecanismo de parada podría formar parte de una arquitectura de ese tipo, pero convertirlo en una especie de «solución mágica» o transmitir la ilusión de que podemos simplemente «apagar» o «desenchufar» como si fuera una tostadora es directamente una estupidez, susceptible además de hacer mucho daño.

Presentar ese tipo de ficciones, como las tres leyes de la robótica de Asimov, como supuestas soluciones para «tranquilizar ignorantes» es, desde un punto de vista intelectual, algo completamente trivial. La ciencia-ficción está muy bien, es entretenida y puede ser filosóficamente muy interesante, pero presuponer que una máquina puede reconocer sin ambigüedad qué es un ser humano, qué constituye daño, qué pretende realmente una orden y cuáles serán todas sus consecuencias es precisamente dar por resueltos problemas que ninguna inteligencia puede solventar mediante unas simples reglas. Cuanto antes dejemos de pensar las cosas así o de plantearlas, mucho mejor para todos.

In English on Medium, «Why there’s no off-switch for AI«

La EU KIDS Act europea es una aparente buena noticia: Europa ha decidido actuar. Y actuar es necesario, porque el problema es evidente: plataformas diseñadas para captar la atención de menores, exponerlos a todo tipo de contenidos nocivos y convertirlos en materia prima para el perfilado comercial. Aún es una propuesta de la Comisión que está pendiente del Parlamento y del Consejo, pero es un paso.

¿Qué pretende exactamente la Unión Europea? Básicamente, prohibición total para menores de 13 años, «mini-cuentas» entre los 13 y los 15 gestionadas por sus padres y con funcionalidades y tiempos limitados, y protecciones especiales hasta los 18. Todo ello aplicable, además de a redes sociales, a plataformas de vídeo, videojuegos, tiendas de apps y chatbots, y con sanciones que alcanzarían el 6% de la facturación mundial.

Tecnológicamente, la solución escogida para la verificación de edad es interesante: código abierto, arquitectura descentralizada y zero-knowledge proof. El usuario acredita su edad mediante una variedad de posibilidades (identidad electrónica, aplicación bancaria, documento, oficina de correos) y el servicio recibe únicamente una respuesta binaria confirmando si supera el umbral de edad exigido. Ni nombre, ni fecha de nacimiento, ni documento alguno, y las comprobaciones no pueden vincularse entre sí.

El problema, claro, es que diseñar una buena cerradura no implica que el hecho de cerrar la puerta sirva para algo. El caso australiano, en el que se ha demostrado que el 86% de los menores siguen usando plataformas supuestamente prohibidas para ellos tres meses después de la entrada en vigor de la prohibición, es sumamente claro: muchos conservaron sus cuentas, otros recurrieron a edades falsas, a cuentas prestadas o a navegación privada. No hubo cambios significativos ni el el uso diario, ni en el tiempo dedicado a ello. Sólo el 27% cumplía la prohibición. Eso es, simplemente, convertir la transgresión en una norma social. Que muchos países establezcan prohibiciones de este tipo no quiere decir que todos ellos acierten: simplemente, es una opción que recibe cierto apoyo popular y que resulta relativamente fácil de presentar, aunque posteriormente no sirva para nada.

Por otro lado, como ya he comentado anteriormente, las redes sociales se han convertido en una televisión algorítmica con programación infinita y vigilancia total, y aunque los jóvenes las sigan usando porque las usan sus amigos, tan solo el 18% de las primeras publicaciones que ven proceden de sus amigos y conocidos. Del resto, el 35% viene de los mal llamados influencers (básicamente, atención prostituida) y el 29% directamente de marcas y publicidad.

La conclusión parece clara: la ingeniería es interesante, pero es necesario cambiar el objetivo. Lo más importante de la EU KIDS Act es que obliga a un rediseño del producto que las redes sociales se resistirán enormemente a hacer: eliminar el perfilado de menores, el scroll infinito, los feeds adictivos, las recompensas manipuladoras, las notificaciones nocturnas y los contactos con desconocidos. Hasta en Estados Unidos han entendido que todo eso es profundamente nocivo.

Pero el tema no es controlar quién cruza la puerta, sino evitar que tras ella, aparezca una máquina de manipulación total. Máquina que, además, no afecta sólo a los menores de edad: nos afecta a todos, a la totalidad de la sociedad, y nos genera polarización, inestabilidad, radicalización y muchos más efectos que ya llevamos tiempo experimentando. No hay que prohibir las redes sociales a los menores: hay que prohibir, para todos, el modelo de negocio que convierte la vigilancia, la manipulación algorítmica y la explotación de la atención en condiciones de acceso a la conversación pública. Si una red social no puede funcionar respetando la privacidad como derecho fundamental, lo que debe desaparecer no es el usuario, sino la red tal y como está diseñada. Simplemente, las premisas de funcionamiento de las redes sociales con publicidad hipersegmentada con respecto a la privacidad no respetan el hecho de que para un ciudadano europeo, la privacidad sea un derecho fundamental. Y por tanto, deben ser ilegales.

Europa ha diseñado una magnífica forma de comprobar quién llama a la puerta, cuando lo verdaderamente urgente era cambiar lo que ocurre al otro lado.

In English on Medium, «With social networks, the problem isn’t who gets in, it’s what goes on inside»

Según una exclusiva de CNN que más bien parece una película, un analista de operaciones especiales pidió a un chatbot que combinase información abierta con inteligencia de señales clasificada sobre el manifiesto de carga de un barco chino en Oriente Medio, y llegó a la conclusión de que tal barco transportaba componentes de un programa nuclear.

El analista, además, volvió a utilizar el chatbot para convertir sus conclusiones en un informe de inteligencia con el formato usado habitualmente, que circuló, fue utilizado para preparar un abordaje a ese barco, ordenar el vuelo de aviones militares, y puso en marcha los preparativos de una operación especial que sólo se detuvo cuando una afortunada revisión descubrió el error, originado por una simple alucinación del chatbot.

La historia de CNN hay que tomarla todavía con pinzas: se basa en cuatro fuentes anónimas, no identifica al chatbot, no dice cuál era realmente la carga del barco, y las fuentes militares consultadas no han respondido sobre el tema. No sabemos si China llegó a detectar la operación especial norteamericana o a preparar algún tipo de respuesta, con lo que no puede decirse más que hipotéticamente que estuviese a punto de provocar una guerra, pero no parece un incidente inofensivo: el primer uso del chatbot generó una falsedad, el segundo eliminó las señales que podrían haberlo delatado y lo disfrazó como informe oficial, y a partir de ahí, una cadena humana actuó. El analista, en lugar de corregir al chatbot, legitimó y amplificó su contenido. Es lo que el marco de riesgos del NIST denomina una confabulation: la generación de contenido expuesto con seguridad pero erróneo o falso (conocido coloquialmente como «alucinaciones» o «fabricaciones») que puede inducir a error o engañar a los usuarios.

En el contexto político actual, un incidente así podría haber resultado gravísimo, y el riesgo no es pequeño, dado que desde el pasado enero el Pentágono desarrolla una estrategia de aceleración destinada a extender el uso de modelos comerciales de inteligencia artificial y a reducir las barreras a su utilización: ahora, la inteligencia artificial permite llegar mucho más deprisa a una mala idea.

Hay precedentes: en noviembre de 1979, una cinta de entrenamiento con una simulación de un ataque soviético se introdujo por error en el sistema de NORAD, y en junio de 1980, el fallo de un chip hizo aparecer miles de misiles soviéticos en las pantallas, lo que provocó que se arrancasen bombarderos, que se desplegase un puesto de mando aéreo y que casi se alertase al presidente Carter. En un momento en el que abundan las hipótesis sobre la posibilidad de que la inteligencia artificial acabe con la especie humana, y muchos se preguntan cómo podría llegar a hacerlo, un incidente así ofrece una pista bastante inquietante. Entonces, la situación se salvó gracias a la redundancia entre sistemas. En esta ocasión, por una bendita revisión humana adicional.

El paralelismo con la película «Fail Safe« (1964), de Sidney Lumet, es total: un fallo informático envía una orden aparentemente válida a bombarderos estadounidenses para atacar Moscú y, a partir de ahí, el sistema funciona impecablemente según unas reglas que impiden detenerlos. Wired ya recuperó y recomendó esta misma película ya hace algún tiempo, también al hilo de la inteligencia artificial.

La conclusión parece clara: no basta con invocar la supervisión humana. Necesitamos preservar la procedencia de cada afirmación, impedir que una misma inteligencia artificial genere una conclusión y después la revista con apariencia de informe oficial, exigir una segunda verificación verdaderamente independiente y prohibir que una acción armada dependa de una inferencia generativa no corroborada. Más allá de las referencias cinematográficas, la advertencia es evidente: estamos jugando con fuego, y mucho más cerca de una posible catástrofe de lo que muchos podrían pensar.

Para que durmáis bien.

In English on Medium, «We’ve been here before; will we never learn?»

Brent Hecht, Director de Ciencia Aplicada en Microsoft y Profesor de Northwestern University, definió en documentos internos de Microsoft la recopilación de contenidos para entrenar modelos de inteligencia artificial como «un robo asombroso de proporciones sin precedentes» y, posiblemente, «el mayor robo de trabajo en la historia de la humanidad». Por mucho que Microsoft afirme que se trata de la opinión personal de un empleado y no de la de la compañía, y de que aún no tengamos una constatación judicial, la evidencia es clara: las compañías que desarrollaron la inteligencia artificial generativa tenían muy clara la naturaleza de lo que estaban haciendo.

Según el escrito, OpenAI y Microsoft se dedicaron a copiar millones de artículos, usaron el índice de Bing y derivados de Common Crawl y construyeron enormes bases de datos con muchísimas obras de los demandantes, que fueron usadas en la fase de entrenamiento. Hay correos en los que se informa a directivos de métodos para saltarse el paywall de medios y poder recopilar más noticias, que son saludados como buenas ideas. Además, no solo copiaron: construyeron productos que ellos mismos reconocieron internamente como crecientemente sustitutivos de las fuentes originales, provocando enormes caídas en las tasas de clics hacia las páginas afectadas y una auténtica amenaza existencial para los medios afectados.

Lo que está en la web no es, por el mero hecho de estar accesible, dominio público: su publicación no autoriza automáticamente a copiarlo, almacenarlo, eliminar sus avisos de derechos de autor y reutilizarlo industrialmente. Si los tribunales terminan declarando legal esa conducta, no será porque la copia no existiera, sino porque habrán decidido que el interés industrial o supuestamente transformador de la inteligencia artificial justifica una excepción de dimensiones completamente inéditas. En ese sentido, sólo las obras en dominio público serían reutilizables, aquellas con licencias abiertas lo serían sólo en ciertos supuestos y con algunas condiciones, y todo lo obtenido saltándose un paywall o descargándolo de fuentes irregulares sería abiertamente ilegal. Lo que hubo fue, a todos los efectos, una apropiación sistemática de trabajo ajeno.

¿Contraargumentos? Microsoft dice que entre 8.2 millones de conversaciones de Copilot seleccionadas por su posible relación con los medios demandantes, menos del 1% compartía ni dieciséis palabras con los textos originales y pocas tenían solapamientos significativos. En otros casos se habla de usos muy transformadores en un intento de justificar el tratamiento, pero la Oficina del Copyright afirma abiertamente que si bien algunos usos pueden serlo, explotar comercialmente millones de obras protegidas para producir contenidos que, además, compiten con ellas es algo que, nos pongamos como nos pongamos, rebasa todas las nociones del llamado fair use.

¿Por qué razón los accionistas de estas compañías deberían poder conservar la totalidad de unas rentas que fueron construidas mediante una apropiación masiva y, como hacen obvio estas declaraciones, deliberada? La respuesta para paliar algo así podría estar en algún punto entre las indemnizaciones retroactivas a los titulares de los derechos, la destrucción o el reentrenamiento de modelos infractores (prácticamente todos), las licencias colectivas obligatorias o la transferencia de una participación significativamente importante a un fondo ciudadano.

¿Qué nos ofrece de nuevo algo así? Básicamente, no solo que la apropiación era profundamente cuestionable, sino que hemos descubierto que quienes la llevaban a cabo también lo tenían perfectamente claro.

In English on Medium, «As far as OpenAI and Microsoft are concerned, possession is nine-tenths of the law»

En esta serie de artículos sobre lo que creo que debería ser la inteligencia artificial corporativa, hemos ido tocando una idea bastante provocadora: quizás el mayor problema de la inteligencia artificial empresarial tal como la conocemos hasta ahora no es la inteligencia, sino el nivel al que la estamos programando.

Hoy, los modelos de frontera, la infraestructura elástica en la nube, las bases de datos vectoriales, las APIs gestionadas y grandes cantidades de computación están al alcance de cualquier empresa seria. Como sustrato, es extraordinariamente potente. Sin embargo, para poner sistemas de inteligencia artificial en producción seguimos necesitando ingenieros que ensamblen a mano cosas tan fundamentales como la persistencia, la memoria, los permisos, el trazado, los reintentos, la orquestación, la ejecución durable, el acceso a herramientas, la gestión del contexto y la evaluación. Como decíamos antes, esto es como internet en 1991, antes de que existiera la web.

Hoy damos por descontados los lenguajes de alto nivel. Pero hace décadas, los desarrolladores tenían que pelear directamente con la máquina, en lenguaje máquina o ensamblador, algo que John Backus describió como «un combate cuerpo a cuerpo con la máquina«. En la historia de Fortran que publicó IBM, la empresa explica que había tareas que requerían hasta mil instrucciones máquina y que podían expresarse fácilmente con solo 47 sentencias Fortran, desvinculando además los programas de hardware específico. Fortran no hizo posible la computación, pero sí la hizo económicamente expresable a un nivel superior.

El mismo patrón lo vimos con C, con Java y con la web. Dennis Ritchie explica cómo C permitió reescribir el propio Unix en un lenguaje ampliamente portable, facilitando su migración entre máquinas. Después, Java convirtió la JVM más las bibliotecas estándar en una plataforma explícita, iniciando el movimiento «write once, run anywhere«. Luego la web transformó un internet ya funcional pero complejo introduciendo una gramática compartida y sencilla —HTML, HTTP y URLs— sobre el sustrato de red. En todos estos casos, la infraestructura existía de antes, pero la abstracción la hizo programable y manejable a gran escala.

La pila agéntica de hoy se parece mucho a otro período pre-lenguaje: usamos Python más frameworks y servicios para programar aplicaciones inteligentes, con cada pieza gestionando características fundamentales por separado. Ninguno de estos productos sobra, todo lo contrario, pero su proliferación también es una señal de que puede faltar todavía una abstracción subyacente. ¿Qué ocurre cuando un ecosistema crece para proveer individualmente propiedades que el sustrato no ofrece de manera natural? Sencillamente, que ese ecosistema empieza a leerse como una factura desglosada de una capa que falta.

¿Quién valida el problema del runtime? El mercado

Pensemos en LangChain: distingue explícitamente el arnés alrededor de un agente del runtime que hay debajo. Ellos mismos explican que los agentes en producción necesitan ejecución durable, memoria, multi-tenancy, supervisión humana en el bucle, observabilidad, sandboxes, integraciones y planificación. Y aclaran que «para construir un buen agente necesitas un buen arnés; y para desplegarlo, necesitas un buen runtime«. ¿Da eso una pista?

Otro ejemplo: Temporal recaudó 300 millones de dólares en febrero a una valoración de 5,000 millones vendiendo la idea de que las aplicaciones de inteligencia artificial de larga duración y con estado necesitan una capa de ejecución durable, lo cual es verdad. Pero en su arquitectura de referencia, las llamadas al LLM y los efectos secundarios externos tienen que envolverse cuidadosamente para que el estado del flujo de trabajo sea reproducible y recuperable. Es sofisticado, sin duda, pero también es la prueba de que seguimos ensamblando manualmente primitivas que un runtime nativo de inteligencia artificial futuro podría razonablemente hacer intrínsecas.

LangGraph o la propia Anthropic cuentan la misma historia desde ángulos distintos. La pila actual puede construir casi cualquier cosa, sí, pero a un coste considerable. Y ese coste, como ocurrió hace tiempo con el ensamblador, es una complejidad extraordinaria. Con ensamblador se podía hacer software increíble, claro, pero el coste de ingeniería, la fragilidad y la falta de una abstracción reutilizable nos obligaban a reinventar la rueda. Una y otra vez. Hoy, con Python más bases de datos más colas más orquestación más trazado más almacenes de memoria, podemos producir excelentes sistemas de inteligencia artificial, pero cada equipo tiene que resolver los mismos problemas una y otra vez.

Como he dicho antes, las metáforas no industrializan bien. Para que el software sea verdaderamente industrial, la capacidad tiene que seguirse de la formalización. ¿Ejemplos? El modelo relacional de Codd apareció antes que el ecosistema de bases de datos. Los estándares web precedieron a la economía web. Y el ERP creó las abstracciones empresariales compartidas que seguimos usando. La formalización tiene que alcanzar en algún momento al propio runtime. Cosas tan importantes como la memoria, el estado, los permisos, los flujos de trabajo, la ejecución con journal y el aprendizaje tienen que convertirse en primitivas, no en bibliotecas pegadas después con cinta adhesiva.

La distinción importante: entre un framework de agentes y un runtime nativo de inteligencia artificial

Cuando se escribe software convencional, los desarrolladores no tienen que implementar manualmente cosas como la memoria virtual, la planificación de procesos o la semántica del sistema de archivos en cada aplicación. Cuando un sustrato madura, puede proporcionar esas propiedades de forma automática. Pero por alguna razón, cuando luchamos por desarrollar inteligencia artificial empresarial, seguimos tratando cosas tan importantes como la identidad persistente del agente, el acceso gobernado, los historiales estructurados y las señales de aprendizaje como problemas únicos que hay que resolver cada vez, caso por caso. Esto no tiene ningún sentido: todas esas cosas deberían ser propiedades del runtime, no productos externos que hay que ensamblar manualmente cada vez como si fuéramos artesanos.

Se puede seguir la pista de manera bastante obvia mirando dónde aparecen las startups: la memoria, la ejecución durable, la observabilidad, el sandboxing, los guardrails, la identidad del agente y la orquestación se están convirtiendo todos en categorías propias, con empresas que brotan como setas y levantan cantidades interesantes de dinero. Eso es bueno para los emprendedores y para el ecosistema, supongo, pero históricamente es una señal temprana que precede a la abstracción. ¿Serán estas capas permanentemente independientes, o estamos viendo cómo una industria vende temporalmente por separado las piezas que un runtime futuro acabará absorbiendo y fusionando?

Las cosas cambiarán (tarde o temprano)

¿Sabes qué tiene de extraordinario la era actual de la inteligencia artificial corporativa? Que ya hemos construido el equivalente del mainframe, la red y la nube computacional, pero seguimos programando la mayor parte de la capa inteligente puramente a mano, línea a línea, con sangre, sudor y lágrimas. Cuando los desarrolladores del futuro miren los intrincados wrappers de Python, las bases de datos de checkpoints, las colas, los sistemas de trazado, los almacenes de memoria y los grafos de orquestación de hoy, los verán igual que nosotros vemos hoy los primeros listados en ensamblador: asombrosos, laboriosos, impresionantes para su época, y sorprendentes porque toda esa complejidad se consideró en su momento necesaria.

Piénsalo con perspectiva histórica: si todo gran sustrato computacional acabó adquiriendo un lenguaje y un runtime que expresaba sus abstracciones nativas, ¿por qué iba a ser diferente la inteligencia artificial? Puedes pensarlo como un experimento mental, o como un deseo descabellado: ¿qué tendría que hacer nativas ese runtime para convertirse en la plataforma de tus sueños, la que haría mucho más fáciles tus implementaciones de inteligencia artificial corporativa? De momento, esa es la pregunta interesante. Pero tarde o temprano, puede que deje de ser solo un experimento mental…

(This article was previously published on Fast Company)

Esta noticia me ha parecido muy interesante: hasta ahora, los agentes de inteligencia artificial actuaban sobre información, pero Google acaba de anunciar que lanza Google Home MCP con lo que van a ser capaces de observar y modificar directamente el entorno doméstico. Entendámonos: no se trata de lanzar otra versión de un asistente de voz, sino de dotar a una inteligencia artificial con los ojos, la memoria y la capacidad de actuación que queramos a través de los sensores y actuadores de los dispositivos conectados de nuestra casa. Básicamente, lo que Google pretende es, mediante un Model Context Protocol, convertirse en la verdadera infraestructura de la casa inteligente.

Los agentes compatibles con MCP podrán descubrir habitaciones y dispositivos, consultar su estado, analizar lo que ha pasado anteriormente con ellos y ejecutar acciones. Las posibilidades son, de entrada, enormes: podemos, por ejemplo, reconstruir qué pasó cuando los niños llegaron a casa gracias a la información de varias cámaras o sensores, o calcular cuánto tiempo han estado las luces encendidas. Además, podemos generar cualquier panel personalizado y comunicarnos con los agentes a través de los altavoces inteligentes. Llevo tiempo, por ejemplo, queriendo crear sistemas de reglas para gestionar cuándo se carga la batería de casa o cuándo la del coche en función de los electrodomésticos que estén consumiendo electricidad en casa: con algo así, podría hasta ser sencillo y potente.

Hasta ahora, la domótica ha sido en gran medida un fracaso. Nunca hemos tenido una casa inteligente que verdaderamente estuviera al nivel de las expectativas, y si lo conseguías, era para unas pocas funciones y combinando aplicaciones, estándares, concentradores y reglas que tenías que configurar manualmente. Ahora, podremos tener un agente capaz de traducir instrucciones expresadas en lenguaje natural en controles, configuraciones y paneles personalizados a modo de vibe coding, mientras Google prepara también la creación y gestión de automatizaciones.

La jugada estratégica de Google es interesantísima: renuncia a controlar necesariamente toda la interfaz, y proporciona la capa que conecta todo: cámaras, sensores, electrodomésticos y datos históricos del hogar. Además de ofrecer Gemini for Home como plataforma completa para fabricantes, operadoras y empresas de seguridad, ahora posibilita configurar Google Home como una especie de AWS doméstico.

Model Context Protocol, MCP, es la capa estándar que permite conectar agentes con datos y herramientas mediante una interfaz común. Está siendo adoptado como estándar por las grandes compañías, y con su gestión por la Agentic AI Foundation apunta a convertirse en una posible infraestructura para la era de los agentes. Ahora, la pregunta relevante no va a ser quién fabrica la mejor inteligencia artificial, sino quién controla las herramientas, permisos y datos a los que esa inteligencia artificial puede acceder. Si quieres integrar distintos agentes, o te fías más de Claude que de Gemini, no tendrás problemas para integrarlos con MCP.

Por ahora, hablamos de un simple experimento: con acceso anticipado, sólo en Estados Unidos, con una suscripción Premium Advanced de veinte dólares mensuales, teniendo que crear un proyecto en Google Cloud y configurar credenciales OAuth, esto no es todavía para el común de los mortales. Pero es una indicación interesantísima de cómo vamos a ver la integración de la inteligencia artificial en el hogar, y de cómo va a ir preparándose para su uso por parte del usuario medio.

Por otro lado, para resultar de verdad útil, un agente necesita conocer rutinas, cámaras, presencia, consumos y dispositivos, pero cuantos más permisos vayas dando, más vas a ampliar las posibles consecuencias de un error o de un ataque, con todo lo que puede conllevar. Por el momento, Google impide acciones como abrir cerraduras, exige consentimiento adicional para usar reconocimiento facial y prohíbe utilizar los datos para entrenar modelos, pero admite que podrían darse comportamientos no deseados. Seguramente acabaremos viendo límites deterministas, registros detallados de acciones y supervisión humana en varios puntos para evitar que pasen cosas raras, pero me parece una iniciativa realmente interesante… matizada por el problema de que, cuando realmente tengas algo coherente en lo que seguramente sea un producto minoritario, Google anunciará en una de sus spring cleanings que lo elimina y enviará al cementerio todo aquello que tanto tiempo te había costado configurar, como ha hecho en otras tantas ocasiones. Como para fiarse…

In English on Medium, «How Google plans to give the smart home a brain»

Una noticia en Los Angeles Times, «Hollywood fears an AI future. China is already living it«, me despierta una gran curiosidad sobre esos procesos históricos de sustitución tecnológica que surgen al hilo de la aparición de casi cualquier tecnología nueva, y que tienden a generar actitudes de desprecio que, más adelante, suelen convertirse en otra cosa y evolucionar. En el caso del cine, lo tengo muy claro, pero sin duda, eso no es así para mucha gente: para mí, que algo haya sido «hecho con inteligencia artificial» es una información que define un proceso, no una calidad.

Una película no es buena por el hecho de tener actores de carne y hueso (y de hecho, hay cada bodrio espantoso por ahí que lo corrobora), del mismo modo que tampoco es mala por contener imágenes creadas sintéticamente. El guion, la interpretación, el montaje, el ritmo, la intención y la capacidad para generar emociones me parecen criterios mucho más razonables que el hecho de si hay o no personas de carne y hueso implicadas en el proceso. Creo que lo apropiado es separar dos preguntas: la primera, si la obra es buena. Y la segunda, si el proceso de creación es legítimo y reparte justamente el valor entre quienes participaron en él.

China produjo unos 128,000 microdramas durante el primer trimestre de 2026, y más del 95% utilizó inteligencia artificial. Hay estudios que afirman poder producir ahora películas que antes costaban millones de dólares, por tan solo $500,000. Hay actores que licencian su cara y sus expresiones faciales para crear intérpretes sintéticos, aunque hay también directores que afirman que los actores humanos generan matices que los modelos de inteligencia artificial aún no son capaces de generar. Por el momento, este experimento ofrece sin duda escalabilidad y desarrollo de expertise, pero no necesariamente excelencia.

Hay estudios que demuestran que las historias generadas por inteligencia artificial fueron consideradas más absorbentes y de mejor calidad que las humanas, pero que recibían peores valoraciones si se informaba sobre su origen sintético. Con la poesía ocurre algo similar, al menos entre lectores no expertos, y con la pintura también: si etiquetas aleatoriamente como humanas o sintéticas una serie de obras todas ellas generadas por inteligencia artificial, las etiquetadas como supuestamente humanas obtienen mejores valoraciones y tienden a considerarse más bellas, profundas y valiosas. El prejuicio es evidente: no juzgamos las obras, juzgamos la historia que nos cuentan sobre su creación.

Históricamente, el patrón es claro: se tiende a confundir la facilidad técnica generada por una nueva tecnología con una ausencia de mérito. Toda tecnología nueva empieza llamándose trampa. La fotografía posibilitó que prácticamente cualquiera se hiciera un retrato, pero al principio se consideraba inferior. Después surgió la polémica en torno a las manipulaciones de la imagen y sobre si demostraban creatividad o traicionaban la supuesta «pureza» del medio. Ahora, prácticamente nadie considera que una fotografía sea un arte inferior porque entre el autor y la imagen haya una cámara.

Con el cine sonoro y la música electrónica pasó lo mismo: el sonido grabado tardó tres décadas en integrarse en el cine, hoy es completamente indiscutible. La música electrónica hizo que, una vez desaparecida la novedad, la pregunta ya no fuese si gustaba o no, sino qué compositores electrónicos gustaban. Seguramente, en no mucho tiempo dejaremos de hablar de «cine con inteligencia artificial» como si fuera una categoría homogénea.

Al final, la creatividad humana no desaparece: simplemente cambia de sitio. Si usas una tecnología generativa, tu aportación estará en concebir el proyecto, dirigir interpretaciones, proporcionar referencias, descartar muchos resultados, ordenar planos, reescribir, montar y decidir cuándo el resultado es adecuado o está terminado. Según la oficina del copyright de los Estados Unidos, utilizar inteligencia artificial no impide la autoría humana: se puede proteger la selección, la coordinación, la disposición o la modificación creativa aunque un simple prompt o una generación completamente autónoma puedan no ser suficientes. La pregunta adecuada no es si se usó una máquina, sino dónde están las decisiones expresivas.

En la práctica, Hollywood no está adoptando la postura contraria: está manteniendo un discurso defensivo mientras experimenta con todo: modelos entrenados con sus propios catálogos, modificaciones con inteligencia artificial de actores para mostrarlos a distintas edades, guionistas que pueden utilizar voluntariamente herramientas generativas, pero a quienes los estudios no pueden imponerlas ni entregar un borrador sintético para degradar su trabajo a una reescritura peor pagadapero no impuestos por el estudio para abaratar su coste… estamos empezando a ver de todo. El conflicto está en quién controla la herramienta, quién autoriza su uso y quién capitaliza el ahorro generado, si existe. Y seguramente lo más defendible es eso, combinar la experimentación china con las garantías laborales que aparentemente Hollywood intenta preservar. Un sistema sostenible debería permitir combinar una experimentación agresiva con un sistema que posibilite exigir licencias, trazabilidades, consentimientos y compensación para los implicados, sean voces, caras u obras.

En el futuro, seguramente no veremos una sustitución total, sino un montón de combinaciones, o al menos, así ha ido ocurriendo históricamente. Pero también habrá «mercados nostálgicos» para obras que no hayan ni rozado la inteligencia artificial, como ocurre hoy con el vinilo, con la fotografía analógica o con los objetos de producción puramente artesanal. Al final, una película generada con inteligencia artificial no es necesariamente mejor o peor, sino que tiene que ganarse su calidad: el error histórico está en juzgar y evaluar cada nueva tecnología en función de las primeras imitaciones baratas del medio anterior. Al principio, generamos sustitutos torpes y malos, pero posteriormente descubrimos nuevas posibilidades que el medio anterior nunca pudo ofrecer.

La creatividad no está en el esfuerzo mecánico, en el número de actores que contratamos o en el número de personas que intervienen en la producción, sino en si tenemos algo que contar y lo sabemos convertir en una experiencia susceptible de interesar a otros.

In English on Medium, «When it comes to AI and movies, we’re asking the wrong questions»

La parafernalia que se ha organizado en torno a las declaraciones de los líderes de las compañías de inteligencia artificial norteamericanas diciendo que ven hasta recomendable una pausa pero no planteándose hacerla porque no se puede controlar que la hagan todos, con China diciendo que se ven amenazados y Donald Trump por el medio desestimando el tema y diciendo que ya lo controla él, como si hubiese sabido alguna vez de algo en su vida, me han evocado muy claramente una película, «Juegos de Guerra» (1983), y su conclusión evidente: la única jugada ganadora es no jugar. De hecho, incluso he visto una referencia por ese camino en The Guardian utilizando la misma película.

Los principales líderes de la industria dicen que quieren frenar, pero nadie quiere hacerlo. Aquí vemos desde teorías de la conspiración sobre una hipotética captura regulatoria que dicen que lo que quieren es quedarse como las únicas «autorizadas» a seguir desarrollando, hasta los que afirman que no es exactamente frenar, sino acompasar capacidades y seguridad, mientras todos condicionan su propuesta a que los demás hagan lo mismo.

De los protagonistas de esta obra, Anthropic y OpenAI son los que están forzando más el guión. Google, con capacidades de sobra que justificarían llamar la atención sobre el tema, permanece fundamentalmente callada (actualizo, ya no), y Microsoft, básicamente, reclama sentido común. ¿Estamos, como algunos pretenden, al borde de un desastre existencial? ¿Qué hay de realista en todo esto? ¿Puede realmente la inteligencia artificial acabar con la humanidad? Sabemos que es capaz de hacer cosas malas cuando se la instruye para ello o cuando se descuidan las precauciones, y sabemos que esas capacidades escalan a medida que los modelos se convierten en más potentes. Sabemos también de su capacidad de desarrollar bucles de retroalimentación que se mejoran de forma auto-recursiva, y todos vemos la evidente posibilidad de que capacidades así puedan caer en malas manos y ser convertidas en amenazas. ¿Suficiente como para justificar la paranoia que estamos viviendo? Al menos, suficiente como para exigir un control, una regulación y responsabilidades adecuadas sobre lo que algunos irresponsables están haciendo. Eso, sin duda.

Mi reflexión sobre esto tiene que ver con lo absurdo que resulta convertir la prudencia en una desventaja. Ninguna de las compañías implicadas está actuando de manera irracional: quien ralentiza unilateralmente pierde talento, mercado, clientes, contratos, capital y posicionamiento estratégico. La reacción inmediata de los mercados refuerza esta idea: todos están dispuestos a sacrificar la seguridad a cambio de más crecimiento y dinero, como si lo segundo importase lo más mínimo sin lo primero. Claramente, la estupidez no está en cada participante, sino en el resultado colectivo producido por incentivos individualmente racionales.

Además, la carrera entre compañías se convierte en carrera geopolítica: los Estados Unidos y China temen cosas distintas, pero ninguno puede protegerse unilateralmente de una hipotética catástrofe tecnológica capaz de cruzar cualquier frontera. ¿Hay alternativas?

Mi impresión es que un desafío así sólo puede asumirse mediante la colaboración. Pero antes de que empecemos con tópicos al estilo Lennon, con llamamientos a la fraternidad universal mientras entonamos el «Imagine», nos damos todos las manos e imaginamos que no hay países (es fácil si lo intentas), pensemos que la humanidad ya ha cooperado anteriormente frente a tecnologías costosas o peligrosas: el CERN, por ejemplo, nació como un proyecto de ciencia para la paz, el Organismo Internacional de Energía Atómica (IAEA) usa declaraciones, inspecciones, vigilancia y mecanismos de alerta precisamente porque los países no se fían los unos de los otros. Para cooperar no es necesario que «seamos todos amiguitos», sino convertir la desconfianza en procedimientos accionables.

¿Sería viable un CERN para la inteligencia artificial? ¿Una institución internacional capaz de reunir talento, capacidad de computación e investigación sobre seguridad, capaz de someter los modelos de frontera a evaluaciones independientes, y de desarrollar aplicaciones de interés público en cuestiones como medicina, educación, ciencia o clima? No soy el primero que lo plantea: RAND ha analizado cinco posibles escenarios y funciones para una organización de ese tipo, empezando por la creación de un entorno seguro, la resolución de problemas de coordinación, o el desarrollo de usos que el mercado seguramente no querría financiar voluntariamente.

Una organización así podría ser abierta en el sentido de distribuir sus beneficios, pero no irresponsablemente abierta para que cualquiera pudiese hacer lo que quisiera con los resultados, manteniendo las capacidades de frontera bajo custodia y los accesos controlados. Los modelos abiertos, como bien afirma Stanford, son buenos para reducir la concentración, favorecer la innovación y facilitar el escrutinio independiente, aunque como también afirma Nature, también pueden propiciar abusos si la apertura se lleva a cabo sin auditorías ni gobernanza adecuadas. El objetivo de algo así debería ser universalizar los beneficios, sin regalar a nadie capacidades catastróficas para obtener posiciones de fuerza, amenazar o hacer el mal.

Poner en marcha algo así no es idealismo: de hecho, hay embriones posibles que pueden utilizarse: Estados Unidos, China, la Unión Europea y otros países ya firmaron en su momento la Declaración de Bletchley, y compañías estadounidenses, europeas y chinas aceptaron en Seúl evaluaciones, umbrales de riesgo y la posibilidad de no desarrollar modelos que no puedan gestionarse de forma segura. El Carnegie Endowment for International Peace propone empezar con una pragmática «seguridad en paralelo” entre Estados Unidos y China: prohibiciones sobre usos concretos, intercambio de incidentes y pruebas comunes.

Volviendo a «Juegos de Guerra»: todavía podemos desarrollar la tecnología y, de hecho, es seguro que lo haremos. Lo que debemos abandonar es una carrera en la que incluso el supuesto vencedor puede terminar desapareciendo junto con todos los demás. La única jugada ganadora no es dejar de desarrollar inteligencia artificial: es dejar de competir por ella como si fuese un arma con la que alguien pudiera conquistar el mundo sin destruirlo.

In English on Medium, «In the AI war game, this is the winning move»

Este es un tema que me trae a mal traer: no conozco ninguna aplicación de inteligencia artificial que haga algo tan sencillo como leerse un montón de mis textos, aprender mi estilo, cuáles son las palabras que utilizo habitualmente, y que simplemente me funcione como corrector ortográfico verdaderamente inteligente: es decir, que lo único que haga, en lugar de pretender escribir por mí, sea corregir sobre la marcha los errores de teclado más habituales, las teclas que están juntas y se me escapan tantas veces, la inmensidad de veces que le doy a la maldita «ç» en el teclado español cuando voy a poner un acento, las veces que activo por error la tecla de mayúsculas (me pasaba tanto que la he desactivado… total, nunca escribo en mayúsculas, debe ser que me enfado poco).

Lo que quiero, por tanto, es una inteligencia artificial que convierta mi teclado en un dispositivo inteligente. Simplemente eso: un teclado que evite los errores tipográficos. Cuando escribes la cantidad de texto que escribo yo en un día, los errores tipográficos, las pulsaciones dadas entre teclas o mal dadas y las mayúsculas o acentos mal puestos no son un simple contratiempo: son un maldito martirio que interrumpe el flujo creativo. Y con la tecnología actual, hacer un teclado inteligente no es tan complicado.

Tengo claro lo que quiero, pero sobre todo, tengo claro lo que NO quiero. No quiero que escriba por mí, para nada. Que ni se le pase por la imaginación. Quiero que simplemente entienda lo que estoy escribiendo, y sustituya únicamente las teclas mal pulsadas. No quiero sugerencias de estilo: gracias, pero ya sé escribir: quiero que corrija únicamente errores inequívocos de concordancia, género o número, pero muy poco más. Quiero simplemente despreocuparme del teclado y escribir de corrido, tanto en el ordenador como en el móvil, tanto en inglés como en español. Sin más. Claramente, para mí y en este tema, menos es más.

Ya existen modelos capaces de escribir textos imitando el estilo de un autor, pero todavía no un corrector ortográfico que realmente conozca a su usuario y sea de verdad inteligente. No quiero que nadie escriba por mí: escribir es pensar, es aprender, es interiorizar, es elegir argumentos y palabras, y es desarrollar una voz y un estilo propios, no los que una máquina elige por ti. Lo que quiero es librarme de la parte puramente mecánica: las erratas y la revisión ortográfica. No quiero un corrector genérico (los tengo desactivados en todas partes porque me parecen malísimos y peligrosísimos), ni una herramienta que me proponga frases presuntamente «mejores». Quiero que pueda alimentarla con cuantos artículos quiera, como de hecho ya hice con mi Bautista, que me funciona de maravilla, y que entienda que hay palabras que uso mucho, aunque sean a lo mejor extranjerismos, o términos que prefiero en inglés, o que como soy ateo recalcitrante, casi siempre escribo «dios» con minúscula. O que utilizo algunas expresiones a propósito que son poco convencionales. Que sepa qué teclas están al lado de otras, y reconozca cuando mis dedos golpean dos teclas a la vez, o se equivocan.

Google ya ha desarrollado para Gboard un modelo espacial personalizado que adapta el teclado a la manera en que cada usuario pulsa las teclas y consigue mejoras medibles en precisión y velocidad. Pero está dirigido al teclado táctil, y para nada es capaz de construir un corrector completo para un autor específico. Apple utiliza desde iOS 17 un transformer cada vez que el usuario pulsa una tecla, capaz de efectuar correcciones a nivel de frase y aprender algunos patrones de escritura, pero es limitadísimo. Gboard guarda localmente palabras y datos aprendidos para personalizar sus predicciones. LanguageTool tiene un diccionario personal y Grammarly ya proporciona corrección ortográfica y gramatical en español, además de un perfil de voz que aprende del usuario. Pero no, no es eso: ninguno combina vocabulario, contexto, estilo, comportamiento mecánico y aprendizaje continuo de las correcciones aceptadas o rechazadas.

El sistema debería combinar un modelo lingüístico contextual, un corpus personal de textos, un modelo individual de errores de teclado y un historial de intervenciones aceptadas, rechazadas o deshechas. Google ya demostró que incorporar el léxico privado de cada usuario mejora claramente la corrección ortográfica en búsquedas personales. Un trabajo presentado en EACL 2024 muestra también cómo entrenar correctores reproduciendo errores humanos reales, teclas adyacentes y patrones característicos de distintos dominios. Para hacerlo bien de verdad, el sistema tendría que observar no sólo los artículos terminados, sino también las pulsaciones originales, los retrocesos y las correcciones posteriores. Eso revela prácticamente todo lo que una persona escribe. Por tanto, tendría que ejecutarse preferentemente en el dispositivo, con un perfil propiedad del usuario, exportable y transferible entre aplicaciones y ordenadores, lo que además me tranquilizaría en términos de privacidad.

El tema es que no me toque lo que para mí está bien. La sobrecorrección me despista, me hace perder el hilo y me cabrea soberanamente. No quiero que «embellezca» mis textos, ni que los «normalice», ni que sustituya palabras o modifique mis ritmos. Una investigación presentada en EMNLP 2025 confirma que los LLM muestran una tendencia a la sobrecorrección y a una menor precisión. El corrector ideal debería intervenir automáticamente sólo cuando estuviera prácticamente seguro, subrayar los casos dudosos y abstenerse en todos los demás.

Un prototipo bastante eficaz podría construirse perfectamente ya. Un corrector realmente personal, en español, integrado en todo el sistema y capaz de aprender tanto el lenguaje como los errores físicos de su usuario tardará algo más, pero no porque falten los modelos necesarios, sino porque nadie parece haber combinado todavía todas esas piezas en un producto coherente. Eliminar por completo la revisión seguirá siendo imposible en textos mínimamente delicados: no hay herramienta que pueda saber con certeza si una cifra, una fecha o un nombre incorrectos son una errata o son algo que el autor pretendía afirmar.

Estamos utilizando la inteligencia artificial para reemplazar la parte creativa que muchas personas queremos conservar, mientras seguimos haciendo manualmente las tareas más tediosas e incómodas. Steven Levy desarrolla muy bien esa frontera entre asistencia y sustitución en «AI drafting my stories? Over my dead body«. Además, la asistencia generativa, como no podía ser de otra manera, empuja el lenguaje hacia estilos más homogéneos, y eso me parece espantoso. La inteligencia artificial verdaderamente personal no debería escribir como nosotros, sino permitirnos escribir mejor sin dejar de ser nosotros.

La inteligencia artificial más sofisticada no es la que aprende a escribir por nosotros, sino la que aprende a corregirnos sin robarnos nuestro estilo y nuestra voz.

In English on Medium, «AI: just fix my keyboard, not my writing»