Durante las últimas semanas, la conversación sobre inteligencia artificial ha empezado a desplazarse de los prompts a los bucles.

Es un cambio importante. Un prompt pide una respuesta. Un bucle crea comportamiento. Observa, actúa, comprueba, reintenta, aprende y repite. Por eso el reciente interés en la “ingeniería de bucles (loop engineering)” importa: señala que la unidad de valor de la inteligencia artificial ya no es la respuesta aislada, sino el sistema que mejora mediante la iteración.

En un artículo anterior, comenté que esto convierte los bucles de aprendizaje corporativos en un problema de gobernanza. ¿Un bucle puede equivocarse y desaparecer? No, ese era el viejo mundo de los prompts. Un bucle puede equivocarse y acumular efectos. Puede optimizar una métrica, remodelar un proceso, crear incentivos y enseñar lentamente a la organización a comportarse de otra manera.

Pero ese argumento deja abierta una pregunta más profunda: si los bucles necesitan ser gobernados, ¿qué los gobierna exactamente? La respuesta no puede ser simplemente “los humanos”. Los humanos importan, pero una persona que aprueba outputs aislados no puede gobernar un sistema que aprende continuamente a velocidad de máquina. Tampoco puede ser simplemente “las políticas”. Las políticas escritas en documentos no constriñen automáticamente el comportamiento adaptativo. Ni puede ser “los cuadros de mando”, porque los cuadros de mando suelen mostrar lo que ya ha ocurrido, mientras los bucles están cambiando constantemente lo que ocurrirá a continuación.

Para gobernar bucles de aprendizaje, una empresa necesita algo más fundamental: un modelo de sí misma, lo que conocemos como un «modelo del mundo» o «world model«.

Los bucles necesitan un mapa

Todo bucle optimiza dentro de alguna comprensión del mundo. En un entorno de programación, ese mundo puede ser el repositorio, los tests, el sistema de compilación, la documentación y el gestor de incidencias. El bucle escribe código, comprueba si los tests pasan, pide a otro agente que revise los cambios y continúa hasta completar la tarea.

Eso es útil. Pero una empresa no es un repositorio. Una empresa es un sistema de clientes, productos, contratos, empleados, proveedores, políticas, permisos, incentivos, procesos, excepciones, riesgos, obligaciones y resultados. Si un bucle de inteligencia artificial opera dentro de ese entorno sin entender su estructura, no se convierte en inteligencia corporativa. Se convierte en optimización local automatizada. Y la optimización local suele ser enemiga de la inteligencia organizativa.

Un bucle de ventas puede optimizar la conversión mientras deteriora la confianza a largo plazo. Un bucle de soporte puede optimizar el tiempo de resolución mientras aumenta la rotación de clientes. Un bucle de compras puede optimizar el precio mientras debilita la resiliencia. Un bucle de contratación puede optimizar la retención mientras reduce la diversidad de pensamiento. Un bucle de cumplimiento puede optimizar la reducción del riesgo mientras paraliza la innovación. Cada bucle puede parecer exitoso según su propia métrica. La empresa, en conjunto, puede empeorar.

Por eso gobernar bucles exige un mapa del terreno en el que operan. No un organigrama estático. No un modelo operativo en PowerPoint. No una lista de aplicaciones. Un modelo vivo de la empresa.

La memoria no basta

Gran parte de la conversación actual sobre inteligencia artificial utiliza la palabra “memoria” de una forma demasiado laxa. La memoria importa. Un sistema que lo olvida todo no puede gobernar nada. Pero la memoria, por sí sola, no es un modelo. Una memoria puede decirte qué ocurrió. Un modelo te dice qué puede ocurrir, qué debería ocurrir, qué está permitido que ocurra y cuáles pueden ser las consecuencias.

Esta distinción es central. Un modelo del mundo corporativo debe representar mucho más que interacciones pasadas. Debe representar las entidades sobre las que actúa la empresa, los estados que esas entidades pueden ocupar, las relaciones entre ellas, los permisos que constriñen la acción, los procesos que transforman estados, las métricas que definen el éxito y las dependencias que hacen que una acción afecte a otra.

Un cliente no es simplemente un fragmento de texto en una nota de CRM. Un contrato no es simplemente un documento. Un reembolso no es simplemente un evento. Un umbral de riesgo no es simplemente una frase en un manual de políticas. Un workflow no es simplemente una secuencia de tareas. Son objetos estructurados dentro de la realidad de la empresa.

Por eso el paso de la ingeniería de prompts a la ingeniería de contexto es significativo. El equipo de ingeniería de Anthropic ha defendido que el reto ya no consiste solo en formular instrucciones, sino en gestionar el contexto que rodea al modelo: herramientas, datos externos, historial de mensajes, instrucciones y entorno. Es un paso útil. Pero para la inteligencia artificial empresarial, el contexto debe ir todavía más lejos. Debe convertirse en un modelo estructurado de la realidad organizativa.

Sin eso, cada bucle tiene que reconstruir la empresa a partir de fragmentos. Y cuando cada bucle reconstruye la empresa por separado, la gobernanza se vuelve imposible.

El modelo del mundo es la capa de gobernanza

La gobernanza de la inteligencia artificial se escribe hoy, en su mayor parte, como si las organizaciones estuvieran gobernando herramientas: se evalúa un modelo, se aprueba un caso de uso, se asigna un nivel de riesgo, se documenta un proceso de cumplimiento y el sistema entra en producción. Ese enfoque ya tiene dificultades con los agentes. Pero con los bucles de aprendizaje, se vuelve ya completamente insuficiente.

El AI Risk Management Framework del NIST se organiza en torno a gobernar, mapear, medir y gestionar riesgos de inteligencia artificial. El Reglamento Europeo de inteligencia artificial exige monitorización posterior a la comercialización para sistemas de inteligencia artificial de alto riesgo, incluyendo la recopilación y análisis de datos de rendimiento durante toda su vida útil. La norma ISO/IEC 42001 define requisitos para establecer, mantener y mejorar continuamente un sistema de gestión de inteligencia artificial.

La dirección está clara: la gobernanza de la inteligencia artificial tiene que volverse continua. Pero la gobernanza continua no puede ocurrir en abstracto. Para gobernar, hay que saber sobre qué está actuando el sistema, qué estado está cambiando, qué restricciones se aplican, qué objetivo persigue y cómo esa acción afecta a otras partes de la organización.

Eso es precisamente para lo que sirve un modelo del mundo corporativo. No es un gemelo digital en el sentido industrial estrecho, aunque comparte la misma intuición: un modelo de un sistema que permite entenderlo, simularlo y mejorarlo. No es solo un grafo de conocimiento, aunque las relaciones importan. No es un lago de datos, aunque los datos son esenciales. No es un cuadro de mando, aunque la medición es necesaria.

Es la representación estructurada que permite a la empresa preguntar: ¿qué cree estar optimizando este bucle, dónde puede actuar, qué sabe, qué ha cambiado y qué más se verá afectado? En ese sentido, el modelo del mundo corporativo se convierte en la capa de gobernanza de los sistemas adaptativos.

El problema es la coherencia

El viejo problema del software empresarial era la integración: conseguir que los sistemas intercambiaran datos. El nuevo problema de la inteligencia artificial empresarial es la coherencia: lograr que los sistemas de aprendizaje persigan objetivos compatibles. Y eso es mucho, muchísimo más difícil.

Dos sistemas pueden estar integrados y aun así trabajar uno contra otro. Un CRM puede hablar con un ERP. Una plataforma de soporte puede sincronizarse con una plataforma de facturación. Un sistema de marketing puede alimentar un almacén de datos. Pero nada de eso garantiza que la organización esté optimizando lo correcto.

Los bucles de aprendizaje hacen este problema más agudo porque no se limitan a ejecutar instrucciones. Se adaptan. Si un bucle aprende a reducir costes de soporte acortando interacciones, otro bucle puede descubrir más tarde que la retención está cayendo precisamente entre los clientes que fueron atendidos de manera “eficiente”. Si un bucle aprende a aumentar la conversión mediante descuentos agresivos, otro puede descubrir que la calidad del margen se está deteriorando. Si un bucle aprende a contratar para maximizar la productividad inmediata, otro puede descubrir que la empresa está perdiendo capacidad de adaptación.

Ningún bucle individual ve el conjunto. Esa es precisamente la cuestión. Una empresa no puede gobernarse como una colección de fragmentos inteligentes. Necesita un modelo del sistema completo: no porque cada decisión deba centralizarse, sino porque el aprendizaje local debe seguir siendo compatible con la intención global.

Los modelos del mundo van más allá de la física

La expresión “modelo del mundo” suele asociarse con robótica, conducción autónoma o inteligencia artificial física: sistemas que necesitan una representación interna del entorno para anticipar consecuencias y actuar de forma inteligente. Tiene sentido. Un robot que se mueve por el mundo físico necesita saber algo sobre objetos, espacio, causalidad y tiempo.

Pero las empresas también son mundos. No son mundos físicos en el mismo sentido, pero son mundos operativos: parcialmente observables, en cambio constante, llenos de agentes, restricciones, dependencias, incentivos y consecuencias retardadas. Un sistema de inteligencia artificial que actúa dentro de una empresa sin un modelo de ese mundo es como un robot moviéndose por un almacén sin conciencia espacial.

Puede ser potente. Pero no es seguro. Por eso el éxito del aprendizaje por refuerzo en sistemas como AlphaZero y MuZero es importante más allá de los juegos. La lección no es que las empresas sean juegos, que obviamente no lo son: la lección es que la inteligencia se vuelve mucho más poderosa cuando las acciones se conectan con resultados mediante retroalimentación y cuando el sistema puede aprender qué acciones mejoran su posición con el tiempo.

La inteligencia artificial empresarial necesita el mismo principio, pero aplicado a la realidad organizativa. No solo: ¿qué respuesta debería generar el modelo? , sino: ¿qué acción debería tomar la empresa, mediante qué proceso, bajo qué restricciones, hacia qué objetivo y con qué efecto esperado sobre el resto del sistema?

Eso exige un modelo del mundo corporativo.

La empresa necesita saber qué es

La parte más difícil de esta transición quizá sea cultural, no técnica. La mayoría de las empresas no tienen realmente un modelo formal de sí mismas. Tienen organigramas, diagramas de procesos, configuraciones ERP, registros CRM, documentos de políticas, almacenes de datos, cuadros de mando, canales de Slack, archivos de correo electrónico y miles de hábitos implícitos sostenidos por personas que saben cómo funcionan realmente las cosas. Eso no es un modelo del mundo. Es un yacimiento arqueológico.

Los humanos compensan esa carencia porque llevan el contexto en la cabeza. Un buen directivo sabe qué política importa, qué excepción es segura, qué relación con un cliente es frágil, qué proceso es oficial pero se ignora, qué métrica está siendo manipulada, qué equipo está sobrecargado y qué aparente éxito está escondiendo daños futuros. Pero los bucles de inteligencia artificial no saben nada de eso a menos que la organización lo haga explícito.

Por eso tantos despliegues de inteligencia artificial empresarial siguen necesitando consultores, integradores e ingenieros desplegados en cliente. Alguien tiene que reconstruir la empresa para el sistema de inteligencia artificial: qué importa, qué está conectado, qué está permitido, qué cuenta como éxito y dónde están las restricciones ocultas.

Esa reconstrucción manual es la señal de que falta una capa de plataforma. Un modelo del mundo corporativo haría que esa reconstrucción fuera persistente, gobernada y reutilizable. Cada bucle no tendría que redescubrir la empresa. Cada nuevo agente no tendría que ser informado individualmente de la realidad organizativa. Cada workflow no tendría que reconstruir contexto desde cero. La empresa se volvería, por fin, legible para sus propios sistemas de inteligencia artificial.

De documentos de gobernanza a inteligencia gobernada

La siguiente etapa de la inteligencia artificial empresarial no estará definida por el número de agentes que despliegue una empresa. Estará definida por si esos agentes y bucles operan dentro de un modelo coherente de la compañía.

Ese modelo debe incluir memoria, pero no quedarse en la memoria. Debe incluir datos, pero no reducir la empresa a datos. Debe incluir reglas, pero no confundir reglas con gobernanza. Debe incluir objetivos, pero también entender los conflictos entre objetivos. Debe incluir humanos, pero no tratar “human in the loop” como una frase mágica.

El objetivo no es eliminar el juicio humano. El objetivo es hacer que el juicio humano gobierne los sistemas adaptativos en el nivel adecuado. Los humanos deben definir objetivos, restricciones, derechos de apelación, vías de escalado, trade-offs aceptables y prioridades estratégicas. Los bucles deben operar dentro de ese perímetro. El modelo del mundo corporativo debe hacer que ese perímetro sea explícito, observable y revisable.

Así es como la gobernanza se vuelve ejecutable. No una política en PDF fuera del sistema. No un cuadro de mando a posteriori. No un humano estampando un sello al final de una cadena. Sino un modelo estructurado de lo que la empresa es, lo que valora, lo que permite, lo que intenta llegar a ser y cómo sus sistemas de aprendizaje pueden moverla en esa dirección.

El verdadero riesgo no es que los bucles fallen

El miedo obvio es que los bucles de inteligencia artificial fallen, y eso va a ocurrir. Algunos generarán malos outputs. Algunos cometerán errores. Algunos alucinarán, clasificarán mal, se extralimitarán o se romperán. Son riesgos reales. Pero el riesgo más profundo es que los bucles tengan éxito localmente mientras empeoran la empresa globalmente.

Optimizarán exactamente aquello que se les pidió optimizar. Mejorarán la métrica. Reducirán el coste, aumentarán la conversión, acortarán el ciclo, elevarán la puntuación. Y solo más tarde la empresa descubrirá que la optimización dañó algo que el bucle no podía ver.

Por eso la gobernanza no puede detenerse en el bucle. Un bucle necesita un objetivo. Un bucle gobernado necesita un contexto. Un sistema de bucles necesita un modelo del mundo. El futuro de la inteligencia artificial empresarial no será una colección de agentes ingeniosos funcionando por todas partes. Eso no es inteligencia. Es entropía con interfaz de usuario.

El futuro pertenecerá a las empresas capaces de hacerse legibles para las máquinas sin entregar el juicio a las máquinas: empresas capaces de representar sus procesos, restricciones, objetivos y memoria institucional en una forma sobre la que la inteligencia artificial pueda actuar, de la que pueda aprender y ante la que pueda rendir cuentas.

En otras palabras, empresas capaces de construir un modelo de sí mismas. Porque no puedes gobernar lo que no puedes representar. Y no puedes optimizar aquello que no entiendes.

(This article was previously published on Fast Company)

Mi columna de esta semana en Invertia se titula «China no quiere conquistar el mundo: quiere que el mundo elija depender de China» (pdf), y trata sobre el discurso pronunciado por Xi Jinping en la Conferencia Mundial de Inteligencia Artificial de Shanghai, en el que presentó a su país como defensor de una inteligencia artificial abierta, multilateral, accesible y orientada al beneficio de toda la humanidad.

El momento elegido no podría ser más significativo. Mientras Estados Unidos plantea la inteligencia artificial como una carrera que debe ganar y diseña una estrategia para exportar al resto del mundo paquetes tecnológicos completos (chips, centros de datos, modelos, aplicaciones y estándares controlados por compañías norteamericanas), Xi habla de cooperación, código abierto, transferencia de capacidades y ayuda al Sur Global. Frente al claramente suicida, simplista y estúpido «America First», China propone aparentemente una gran sinfonía internacional.

No es difícil comprender por qué ese mensaje puede resultar atractivo. Para muchos países, la oferta estadounidense consiste básicamente en utilizar modelos cerrados, pagar por capacidad de computación ajena, depender de infraestructuras situadas en otras jurisdicciones y aceptar que Washington pueda modificar en cualquier momento las condiciones de acceso. La propuesta china, en cambio, ofrece modelos más baratos y abiertos que pueden descargarse, adaptarse a idiomas locales y ejecutarse con una autonomía mucho mayor.

Los últimos avances de compañías como DeepSeek, Zhipu o Moonshot muestran que esto no es simplemente propaganda. El lanzamiento de Kimi K3, capaz de competir con algunos de los mejores modelos estadounidenses y distribuido abiertamente, confirma que China ha convertido el código abierto en un instrumento formidable de difusión tecnológica. Más que intentar vender una licencia a cada usuario, pretende conseguir que desarrolladores, empresas y gobiernos construyan sobre sus modelos.

Esa estrategia puede democratizar realmente el acceso a la inteligencia artificial. Puede reducir costes, debilitar el oligopolio de las compañías estadounidenses y permitir que países que nunca podrían financiar un modelo de frontera desarrollen aplicaciones propias. China está pasando de ser considerada una imitadora a convertirse en un enorme laboratorio de adopción masiva, capaz de integrar la inteligencia artificial en la industria, la educación, la sanidad, la administración y prácticamente cualquier actividad económica.

Pero confundir esa utilidad con altruismo sería de una ingenuidad extraordinaria. China no ofrece tecnología abierta porque haya descubierto una vocación filantrópica, sino porque la apertura crea ecosistemas, establece estándares y genera dependencias. Un país puede descargar libremente un modelo y, sin embargo, terminar dependiendo de chips, nubes, herramientas de desarrollo, actualizaciones, sistemas de seguridad o infraestructuras de comunicaciones controladas por proveedores chinos.

La dependencia más eficaz no es la que se impone, sino la que parece racional. China no necesita conquistar países ni obligarlos a adoptar su tecnología: le basta con convertirse en la opción más barata, accesible y funcional. Cuando la alternativa norteamericana exige pagar más, renunciar a más autonomía y aceptar condicionantes políticos, la decisión se toma prácticamente sola.

Xi prometió miles de plazas de formación, centros internacionales de cooperación y herramientas basadas en inteligencia artificial para países en desarrollo. También presentó la nueva organización mundial promovida desde Shanghai como una alternativa a un orden tecnológico dominado por unas pocas potencias y compañías. La iniciativa pretende situar a China como interlocutor natural del Sur Global y como garante de que la inteligencia artificial no se convierta en un nuevo mecanismo de exclusión. La cobertura internacional de su discurso deja muy clara esa ambición, y es además completamente coherente con su visión expresada en 2022, «China no puede desarrollarse sin el mundo, y el mundo también necesita a China».

¿Significa eso que China es un socio fiable? No necesariamente. El mismo país que habla de una inteligencia artificial «para el bien y para la humanidad» mantiene uno de los sistemas de censura y vigilancia digital más sofisticados del mundo. El gobierno chino está utilizando la inteligencia artificial para hacer más eficientes e intrusivos sus mecanismos de control social, y sus modelos deben respetar restricciones políticas muy precisas sobre asuntos como Tiananmen, Taiwán, Xinjiang o el liderazgo del Partido Comunista.

La insistencia de Xi en que la inteligencia artificial debe permanecer «segura y controlable» puede parecer razonable, pero en el contexto chino significa también «subordinada al Estado». La apertura del código no implica necesariamente apertura política, neutralidad ideológica ni ausencia de mecanismos de censura. Un modelo puede ser técnicamente modificable y continuar incorporando sesgos, restricciones o prioridades derivadas del entorno en el que fue creado.

Tampoco Estados Unidos puede presentarse convincentemente como el guardián de una tecnología libre. Sus compañías concentran modelos, datos, chips y capacidad de computación, mientras su gobierno utiliza sanciones, controles de exportación y jurisdicción extraterritorial para preservar su ventaja. Su propuesta de libertad suele significar, en la práctica, libertad para contratar servicios de empresas estadounidenses en las condiciones que ellas establezcan.

Por eso, la verdadera pregunta no es si el mundo estará mejor si China gana. Sustituir una hegemonía tecnológica por otra difícilmente puede considerarse una victoria. El escenario deseable es uno en el que la competencia china rompa oligopolios, reduzca precios y abra posibilidades para que Europa, India, América Latina, África y el sudeste asiático construyan capacidades propias, combinen tecnologías de distintos orígenes y puedan cambiar de proveedor cuando lo consideren conveniente.

China puede contribuir decisivamente a ese mundo más multipolar. Pero aprovechar su oferta exige abandonar cualquier fantasía paternalista. Pekín no pretende ayudarnos porque sea bueno, del mismo modo que Washington nunca extendió su tecnología por generosidad. Ambos buscan influencia, mercados y capacidad para definir las reglas.

La gran habilidad de China consiste en haber comprendido que, cuando la potencia dominante empieza a cerrar puertas y a comportarse como un guardián celoso de sus privilegios, no hace falta presentarse como conquistador. Basta con ofrecer cooperación. El desafío para el resto del mundo es aceptar esa cooperación sin confundirla con benevolencia y, sobre todo, sin cambiar una dependencia por otra.

This article is also available in English on my Medium page, «The future of AI may belong to whoever gives it away»

Durante décadas, la defensa más eficaz de las compañías petroleras frente a la emergencia climática consistió en una frase aparentemente razonable: nadie puede demostrar que un huracán, una inundación, una ola de calor o un incendio concreto haya sido causado por sus emisiones. El clima era global, las catástrofes eran locales y, entre ambos extremos, se abría un espacio de incertidumbre suficientemente amplio como para que la responsabilidad se evaporase.

Ese espacio está empezando a cerrarse. Y precisamente por eso algunos están intentando impedir que la ciencia llegue a los tribunales.

A finales de 2025, el Federal Judicial Center, la institución encargada de formar y proporcionar materiales de referencia a los jueces federales estadounidenses, publicó junto con las Academias Nacionales de Ciencias, de Ingeniería y de Medicina una nueva edición de su prestigioso «Reference Manual on Scientific Evidence«. Por primera vez, el manual incluía un capítulo dedicado a la ciencia climática y, en particular, a la llamada ciencia de la atribución: el conjunto de métodos que permiten calcular hasta qué punto el calentamiento provocado por el ser humano ha aumentado la probabilidad o la intensidad de un fenómeno meteorológico extremo.

El capítulo había pasado por varias rondas de revisión científica y judicial. Sin embargo, tras las quejas de varios fiscales generales republicanos, el Federal Judicial Center decidió retirarlo. En él no aparecía ninguna nueva evidencia que invalidase su contenido ni se descubrió ningún error metodológico decisivo: simplemente, la ciencia que describía podía resultar incómoda en los numerosos litigios climáticos que había ya abiertos contra las compañías de combustibles fósiles.

La acusación utilizada para justificar la retirada fue la supuesta falta de neutralidad de sus autores, vinculados a instituciones que han trabajado en litigios climáticos. El ex-fiscal general William Barr, cuyo bufete casualmente representa a múltiples clientes del sector energético, escribió un artículo en The Washington Post en el que afirmaba que el capítulo inclinaba la balanza en favor de los demandantes. Las National Academies, por el contrario, defendieron el proceso de revisión y mantuvieron el documento disponible. El episodio revela una estrategia conocida: cuando resulta imposible rebatir la evidencia, se cuestiona la legitimidad de quien la presenta.

La ciencia de la atribución no afirma que el cambio climático sea la única causa de una catástrofe. Distingue entre peligro, exposición y vulnerabilidad, y reconoce que una tormenta se convierte en desastre también por la mala planificación urbana, la pobreza, la ausencia de infraestructuras o la incompetencia política. Tampoco ofrece el mismo grado de certeza para todos los fenómenos. La atribución es especialmente sólida en las olas de calor, razonablemente robusta en lluvias extremas y más compleja en sequías, incendios o ciclones, donde intervienen numerosas variables.

Pero esas limitaciones no invalidan la disciplina: son precisamente lo que la convierte en ciencia. Un nuevo análisis de las National Academies concluye que la atribución climática está madurando rápidamente, aunque todavía debe mejorar sus modelos, explicitar mejor sus incertidumbres y evitar extrapolaciones excesivas. La conclusión no es que no podamos saber nada, sino que ya podemos saber mucho más de lo que las petroleras desearían.

En 2016, las propias National Academies publicaron uno de los primeros grandes informes sobre atribución de fenómenos extremos, estableciendo una metodología basada en comparar el mundo real con un mundo contrafactual sin emisiones antropogénicas. Desde entonces, la capacidad computacional, los modelos climáticos, los registros históricos y las técnicas estadísticas han mejorado enormemente. Hoy es posible afirmar, por ejemplo, que determinadas olas de calor habrían sido prácticamente imposibles sin el calentamiento global, o calcular cuántos grados adicionales y qué incremento de probabilidad pueden atribuirse a las emisiones humanas.

La implicación jurídica es evidente. Si puede establecerse que una empresa generó una proporción determinada de las emisiones históricas, y que esas emisiones aumentaron de manera cuantificable la probabilidad o la intensidad de un daño, la distancia entre contaminación y responsabilidad empieza a ser jurídicamente transitable. No hablamos de una causalidad perfecta e individual, sino de probabilidades, contribuciones y riesgos, conceptos con los que los tribunales trabajan continuamente en casos de toxicidad, medicamentos, tabaco o negligencia industrial.

En diciembre de 2024 ya escribí sobre las leyes de Nueva York y Vermont que pretenden obligar a los grandes productores de combustibles fósiles a financiar los costes de adaptación climática. Antes, en 2022, ya planteé que los daños climáticos no son una externalidad abstracta, sino una gigantesca deuda acumulada que alguien tendrá que pagar. La atribución científica puede ser el instrumento que permita asignar esa factura con criterios racionales.

Por eso resulta tan importante retirar un capítulo de un manual para jueces: no se trata de una disputa académica, sino de controlar qué conocimientos llegan a quienes deberán decidir sobre miles de millones en indemnizaciones. El gobierno de Donald Trump ha ido mucho más lejos al revocar el «endangerment finding» de 2009, fundamento legal de la regulación federal de los gases de efecto invernadero, una decisión que ya ha provocado demandas de organizaciones médicas, ambientales y de numerosos estados.

Este tipo de cuestiones relacionadas con la formación de los jueces son extraordinariamente importantes: en junio de 2005, un juez que era además lector habitual de mi página logró que me invitasen a dar una conferencia para un curso de verano para jueces, hablando sobre propiedad intelectual: recuerdo que aquella conferencia me salió especialmente didáctica y transgresora, defendiendo redefiniciones radicales de la propiedad intelectual tras la llegada y popularización de internet, ante la horrorizada mirada de un abogado de la SGAE que había en la sala que llegó incluso a interrumpirme en varias ocasiones. La formación de los jueces es fundamental para obtener una justicia adecuada, y puede llegar a tener una fuerte influencia en sus decisiones en casos relacionados.

Durante años, las petroleras financiaron la duda porque la duda retrasaba la regulación. Ahora necesitan financiar otra cosa: la idea de que ninguna ciencia es suficientemente precisa para atribuir responsabilidades. Pero la incertidumbre no equivale a ignorancia, y mucho menos a inocencia.

El futuro de la litigación climática dependerá en buena medida de si los tribunales entienden esa diferencia. La ciencia no necesita prometer certeza absoluta. Le basta con seguir reduciendo, fenómeno a fenómeno, empresa a empresa y tonelada a tonelada, el espacio en el que durante décadas se escondieron quienes sabían perfectamente lo que estaban haciendo.

This article is also available in English on my Medium page, «Erasing the evidence: how a climate science chapter vanished from a judges’ manual»

Durante décadas, la corrupción política se entendió como algo que debía ocultarse. Sobres, intermediarios, sociedades opacas, favores discretos, llamadas que nadie debía conocer. Donald Trump ha introducido una innovación mucho más inquietante: la corrupción a plena luz del día, convertida en espectáculo, en marca personal y, cada vez más, en modelo de negocio. No se trata únicamente de que existan conflictos de interés, algo que ha ocurrido bajo muchas administraciones. Se trata de que la frontera entre el poder público y el enriquecimiento privado ha dejado de considerarse una frontera.

Desde Watergate, los presidentes estadounidenses con activos capaces de generar conflictos importantes habían procurado aislarse de ellos mediante desinversiones, fideicomisos ciegos o inversiones ampliamente diversificadas.Trump rompió con esa práctica: conservó la propiedad económica de un conglomerado empresarial identificable y dejó su gestión en manos de sus hijos, una estructura que en ningún sentido puede considerarse un fideicomiso ciego. Sus hijos pueden administrarlos, pero él sigue siendo su beneficiario económico. Y mientras ocupa la presidencia, las empresas de su entorno operan precisamente en sectores cuya regulación depende en gran medida de su gobierno. Su declaración financiera más reciente muestra ingresos extraordinarios procedentes de sus negocios de criptomonedas: cientos de millones obtenidos mediante World Liberty Financial y mediante la venta y negociación de su propia memecoin, mientras muchos compradores veían desplomarse el valor de sus activos. Associated Press lo describe con una claridad difícil de mejorar: Trump consolidó beneficios mientras sus inversores acumulaban pérdidas.

La memecoin $TRUMP representa probablemente la expresión más pura de este sistema. Sus mayores tenedores fueron invitados a una cena con el presidente, y los veinticinco primeros obtuvieron acceso adicional. No era una donación electoral sometida a límites, transparencia y supervisión, sino la compra de un activo digital cuyo volumen de negociación generaba comisiones para entidades vinculadas al propio Trump. Muchos compradores podían permanecer ocultos tras direcciones criptográficas, incluyendo inversores extranjeros. La vieja práctica de comprar acceso al poder no desaparece: se convierte en un token, cotiza veinticuatro horas al día y puede adquirirse desde cualquier lugar del mundo.

La cuestión no es si cada una de estas operaciones encaja ya en una definición penal de corrupción. Esa sería una discusión estrecha, casi deliberadamente ingenua. La cuestión es qué clase de democracia permite que un presidente se beneficie de activos cuyo precio depende de sus declaraciones, de sus decisiones regulatorias o de la expectativa de acceder personalmente a él. Cuando la legalidad se interpreta como «todo aquello que un abogado consigue hacer pasar por legal», la ética pública deja de ser una restricción y se convierte en un inconveniente retórico.

Lo mismo ocurre con los negocios internacionales de la familia Trump. Proyectos inmobiliarios en Qatar, Arabia Saudí, Emiratos Árabes Unidos o Vietnam avanzan mientras esos mismos países negocian con Washington aranceles, armamento, tecnología o decisiones diplomáticas. No hace falta demostrar un quid pro quo específico para entender el problema. Basta con reconocer que una potencia extranjera puede negociar simultáneamente con el Gobierno de Estados Unidos y con la familia del presidente. La aceptación de un Boeing 747 de lujo ofrecido por Qatar, construida jurídicamente a través del Pentágono y de la futura biblioteca presidencial, resume perfectamente la lógica: ya no se pregunta si algo es impropio, sino si existe algún mecanismo para aceptarlo.

La tecnología no crea esta corrupción, pero la hace escalable, líquida y extraordinariamente difícil de combatir. Las criptomonedas permiten comprar activos vinculados al presidente sin los controles tradicionales de la financiación política. Las plataformas convierten cada declaración presidencial en tráfico, influencia y valor bursátil. Truth Social no es solo el canal favorito de Trump: es una empresa en la que mantiene un interés económico enorme, un espejo que le devuelve aprobación constante y una fábrica de mensajes que después se reproducen en X, medios afines, podcasts y canales de propaganda.

The Washington Post contabilizó 2,262 publicaciones de Trump en sus primeros 132 días de mandato, más de tres veces su ritmo equivalente durante su primera presidencia. Truth Social tiene una audiencia pequeña comparada con X, pero funciona como origen de narrativas que luego son amplificadas por una red mucho mayor. Allí, Trump no encuentra una conversación pública, sino una sala de espejos. Y una sala de espejos es el entorno perfecto para que cualquier acusación de corrupción sea reinterpretada como persecución, cualquier crítica como partidismo y cualquier enriquecimiento como prueba de talento empresarial. Ahora, Trump se está planteando vender acceso con antelación a sus publicaciones en Truth Social, institucionalizando así el uso de información privilegiada.

El papel de X es igualmente importante. No es necesario que Elon Musk elimine una investigación o prohíba una acusación. Basta con que la plataforma la diluya entre indignación, memes, ataques, distracciones y falsos equivalentes. La propaganda digital contemporánea no necesita convencer a todos de que Trump es inocente. Le basta con destruir la posibilidad de un criterio compartido sobre lo que debería ser inaceptable. Cuando todo se convierte en contenido, ningún escándalo conserva durante mucho tiempo su gravedad.

Ese es, posiblemente, el cambio más profundo. Trump no ha descubierto una nueva forma de ocultar la corrupción, sino una forma de hacerla irrelevante. La muestra, la celebra y la convierte en una demostración de impunidad. Sus seguidores no necesitan negar los hechos: pueden simplemente admirarlos. Y las instituciones, debilitadas por años de ataques, terminan discutiendo tecnicismos legales mientras la presidencia se transforma en una plataforma comercial. Es, a todas luces, la caída del imperio americano: una democracia fallida completamente incapaz de depurarse.

La corrupción tradicional temía ser descubierta. La corrupción de Trump parte de una conclusión mucho más peligrosa: que, en una sociedad intensamente polarizada, fragmentada por algoritmos, saturada de estímulos y privada de una realidad común, ser descubierto ya no tiene la menor importancia.

This article is also available in English on my Medium page, «Corruption in plain sight: How Trump turned personal enrichment into a feature of the presidency»

La aparición de Kimi K3, el nuevo modelo de Moonshot AI, tiene algo de déjà vu. Hace apenas año y medio, DeepSeek obligó a Silicon Valley a descubrir que la frontera de la inteligencia artificial no estaba protegida por una muralla de chips, capital y centros de datos. Ahora, Kimi K3 vuelve a representar el mismo papel: el del modelo chino que aparece aparentemente de la nada, iguala o supera a sistemas estadounidenses mucho más caros y obliga a revisar, otra vez, quién lidera realmente esta carrera. Hablé sobre estos temas en Intereconomía el pasado viernes.

Kimi K3 se ha situado inmediatamente entre los mejores modelos del mundo, con resultados especialmente llamativos en programación de interfaces, donde fue preferido en pruebas ciegas frente a modelos de Anthropic y OpenAI. En la clasificación general de Arena aparece ya en el grupo de cabeza y por encima de Claude Opus 4.8, aunque con pocos votos y resultados todavía preliminares. Conviene no convertir un benchmark en una verdad revelada, pero sería absurdo ignorar lo que significa: una compañía china ha producido un modelo de frontera, con 2,8 billones de parámetros, un contexto de un millón de tokens y la promesa de publicar sus pesos el próximo 27 de julio.

Lo relevante no es que Kimi K3 sea, durante unas semanas, el número uno en una prueba concreta. Lo relevante es que DeepSeek ya no puede interpretarse como una anomalía. China no tiene un laboratorio excepcional que logró un golpe de suerte: tiene un ecosistema. DeepSeek, Moonshot, Alibaba, Z.ai, MiniMax, Baidu, Tencent o Xiaomi compiten con enorme intensidad, intercambian avances mediante modelos abiertos y convierten cada innovación en el punto de partida de la siguiente. Pero no solo es una supremacía en China: es que las mejores compañías de inteligencia artificial en Silicon Valley están completamente llenas de ingenieros chinos.

Durante años, Estados Unidos ha planteado la carrera como una cuestión de escala: más procesadores, más datos, más energía y más capital. El modelo de negocio resultante es muy propio de Silicon Valley: sistemas cerrados, acceso mediante API, precios elevados y dependencia completa del proveedor. China está desarrollando otra estrategia: modelos abiertos o de pesos abiertos, costes menores, arquitecturas eficientes y una obsesión por la innovación matemática y de ingeniería apoyada en el surplus de ingenieros más grande del mundo. El resultado de una política cuidadosamente planificada durante décadas.

Esa diferencia es mucho más importante que una clasificación. El código abierto no es altruismo ni ingenuidad académica: es política industrial. Un modelo abierto puede descargarse, adaptarse, afinarse con datos propios y desplegarse sin entregar cada consulta a una compañía extranjera. Para empresas y gobiernos que no quieren depender completamente de OpenAI, Anthropic, Google o Microsoft, esa posibilidad es enormemente atractiva. El modelo deja de ser un producto y se convierte en infraestructura.

DeepSeek ya demostró el poder de ese enfoque. Su trabajo en razonamiento matemático introdujo técnicas como GRPO, descrita originalmente en DeepSeekMath, que permite entrenar mediante refuerzo comparando grupos de respuestas sin necesitar un segundo modelo crítico de tamaño similar. La idea aprovecha dominios como las matemáticas y la programación, donde las respuestas pueden verificarse automáticamente. En lugar de depender de ejércitos de anotadores humanos, el sistema aprende de resultados comprobables, tests y recompensas formales.

Moonshot está construyendo sobre esa misma cultura. Su anterior Kimi K2.5 combinaba visión, razonamiento y agentes, e introducía una arquitectura de enjambre capaz de dividir tareas y ejecutarlas en paralelo. Incluso trabajos anteriores, como Mooncake, mostraban mejoras de rendimiento mediante una gestión más inteligente de la memoria caché y la infraestructura de inferencia. Kimi K3 no surge de una improvisación: es el resultado de una trayectoria basada en arquitectura, optimización y despliegue. No es magia: son matemáticas e ingeniería.

Las restricciones estadounidenses sobre chips pretendían ralentizar ese proceso. En algunos aspectos lo han hecho, pero también han creado un incentivo brutal para utilizar mejor cada procesador disponible. Cuando no se puede resolver un problema comprando diez veces más hardware, hay que diseñar mejores algoritmos, activar únicamente una parte del modelo, reducir precisión sin perder calidad, optimizar comunicaciones y eliminar cuellos de botella. La escasez, bien gestionada, deja de ser únicamente una desventaja y se convierte en presión evolutiva.

La respuesta estadounidense consiste, en parte, en acusar a las compañías chinas de destilación. Según Anthropic, han detectado millones de interacciones fraudulentas utilizadas por Moonshot, DeepSeek y MiniMax para extraer capacidades de Claude. La acusación merece atención, pero revela una contradicción incómoda: la propia Anthropic reconoce que la destilación es una técnica habitual y legítima en la industria, mientras las compañías estadounidenses llevan años entrenando modelos con cantidades inmensas de información producida por otros sin pedir permiso ni compensarlos. Presentar ahora el aprendizaje a partir de outputs como un pecado exclusivamente chino resulta, como mínimo, selectivo.

Además, aunque parte del progreso chino se apoyase en modelos estadounidenses, eso no explicaría su eficiencia, su arquitectura ni su capacidad de convertir esos avances en sistemas abiertos y baratos. Copiar respuestas no produce automáticamente un modelo gigantesco, una infraestructura capaz de servirlo ni una comunidad preparada para mejorarlo.

Hay motivos para la prudencia. Los resultados iniciales pueden cambiar, los pesos de Kimi K3 aún no están disponibles y ejecutar un modelo de ese tamaño exige recursos enormes. El propio NIST estimaba en mayo que DeepSeek V4 Pro seguía unos ocho meses por detrás de la frontera estadounidense en algunas evaluaciones independientes, aunque reconocía también su ventaja de costes en varias pruebas.

Pero esa es precisamente la cuestión: una ventaja de ocho meses deja de ser estratégica cuando el perseguidor aprende más deprisa, publica sus avances y permite que todo un ecosistema construya sobre ellos. Estados Unidos puede seguir lanzando el modelo más potente. China está demostrando que puede lanzar el modelo suficientemente potente, mucho más barato, adaptable y abierto.

DeepSeek fue el aviso. Kimi K3 confirma el patrón. La carrera de la inteligencia artificial no la ganará necesariamente quien construya el modelo más grande, sino quien consiga que sus innovaciones se propaguen más rápido. Y en esa dimensión, el enfoque chino empieza a parecer no solo competitivo, sino superior.

This article is also available in English on my Medium page, «Silicon Valley is unhappy with China’s Kimi K3. Here’s what it doesn’t understand»

Hubo un tiempo en que las redes sociales servían para algo tan sencillo como saber qué hacían nuestros amigos. En ellas nos reencontrábamos con antiguos compañeros de colegio, veíamos las fotografías de unas vacaciones familiares, felicitábamos un cumpleaños o manteníamos una conversación con personas que nos interesaban. La propuesta de valor estaba en el llamado social graph: tú elegías a quién seguir y la plataforma te mostraba lo que esas personas publicaban.

Aquella promesa ha desaparecido. No por accidente, ni porque los usuarios se hayan vuelto aburridos, sino porque conectar personas resultó ser un negocio mucho menos rentable que manipular su atención. Las plataformas sustituyeron progresivamente el grafo social por el algoritmo de recomendación: dejaron de enseñarnos lo que habíamos pedido ver y comenzaron a imponernos aquello que, según sus cálculos, podía mantenernos más tiempo mirando una pantalla.

El resultado es que cada vez sabemos menos de nuestros amigos y cada vez vemos más vídeos de desconocidos haciendo estupideces, de polémicas fabricadas y teorías conspiranoicas para débiles mentales, de contenidos vacíos generados automáticamente y de personajes absolutamente banales que confunden notoriedad con relevancia. Las redes sociales han dejado de ser espacios de relación para convertirse en canales de televisión infinitos, personalizados mediante vigilancia y sin un botón de apagado.

Una encuesta de Incogni muestra hasta qué punto el modelo se ha agotado: el 55% de los estadounidenses afirma publicar menos que hace cinco años, el 53% limita más quién puede ver sus contenidos y casi la mitad ha eliminado alguna aplicación social o de mensajería por el estrés o la ansiedad que le provocaba. Para el 51%, mantener una presencia en línea ya se parece mucho a un trabajo, porcentaje que alcanza el 60% entre los miembros de la generación Z.

La frase me parece extraordinariamente reveladora: «se parece a un trabajo». Publicar exige escoger una imagen, editarla, redactar un texto, anticipar reacciones, responder comentarios y comprobar después cuántos «me gusta» ha conseguido. Cada persona se convierte en responsable de comunicación de su propia existencia, obligada a construir una marca personal y a mantenerla activa para que el algoritmo no la condene a la irrelevancia.

Así se genera una competición permanente, estresante… y completamente inútil. Ya no basta con vivir: hay que exhibir que se vive. No basta con viajar, comer, leer o hacer ejercicio: hay que demostrarlo públicamente y hacerlo de forma suficientemente fotogénica. Cada publicación es comparada con la vida cuidadosamente editada de los demás, en una gigantesca hoguera de vanidades donde todos parecen más felices, más guapos, más productivos y más interesantes de lo que realmente son.

En la parte superior de esa pirámide de basura aparecen los llamados influencers, convertidos en modelos aspiracionales de una economía basada en fingir autenticidad. Su supuesto valor consiste en mostrarse espontáneos mientras venden sus menciones al mejor postor. Recomiendan hoteles, cosméticos, restaurantes, suplementos, ropa o destinos turísticos sin la más mínima objetividad y convirtiendo en completamente imposible diferenciar una opinión real, general sin criterio alguno, de una mera transacción comercial. La amistad simulada se convierte en publicidad, y la intimidad, en escaparate.

Pero el problema no es únicamente la banalidad del contenido. Debajo de ese absurdo circo existe una infraestructura de vigilancia extraordinariamente sofisticada. La Federal Trade Commission estadounidense concluyó que las grandes plataformas recopilan enormes cantidades de información sobre usuarios y no usuarios, pueden conservarla indefinidamente, adquirir datos a intermediarios y compartirlos ampliamente. La finalidad fundamental es monetizar ese conocimiento mediante publicidad dirigida.

Cada pausa, cada desplazamiento del dedo, cada vídeo repetido y cada reacción sirve para completar un perfil. Las plataformas no necesitan que publiquemos: les basta con que miremos. De hecho, la retirada de los usuarios de la participación activa no implica necesariamente que abandonen las aplicaciones. Muchos dejan de hablar, pero continúan desplazándose pasivamente como zombies por el contenido, haciendo doomscrolling como si su vida y su felicidad dependiese de ello. Es el triunfo perfecto del modelo: menos conversación, menos comunidad y más consumo silencioso.

Por eso, que millones de personas publiquen menos no significa que las redes sociales estén recuperando la sensatez. Significa que el contrato social sobre el que fueron construidas se ha roto. Seguimos entrando en unas plataformas pensadas originalmente para relacionarnos, pero ya no encontramos allí a las personas que buscábamos. Encontramos anuncios, propaganda, estafas de todo tipo, polarización, contenido industrial y recomendaciones destinadas a provocar cualquier emoción susceptible de prolongar la sesión.

Como escribí al describir las redes sociales como un experimento fallido, el problema no es que funcionen mal, sino que funcionan exactamente como exige su modelo de negocio. Y como ocurre con Meta, pensar que basta con algunos ajustes cosméticos, mejores controles parentales o nuevas opciones de privacidad es ignorar completamente la raíz del problema.

Las redes sociales prometieron conectarnos y terminaron aislándonos en escaparates individuales, observados constantemente por máquinas que subastan nuestra atención. Ya no queda nada de lo social. Solo una televisión absurda, una competición agotadora y un sistema de vigilancia que conoce nuestras debilidades para vendernos algo en el momento más oportuno. Quizá por eso estamos dejando de publicar: porque, finalmente, hemos comprendido que allí ya no hay nadie escuchando. Solo algoritmos mirando.

This article is also available in English on my Medium page, «Why we’ve stopped posting on social media (and what it means for our mental health)»

La Comisión Europea acaba de hacer algo que resulta difícil de defender: ha decidido añadir los wearables (relojes inteligentes, pulseras de actividad, gafas inteligentes y otros dispositivos integrados) a la lista de productos que no tendrán que permitir que el usuario sustituya por sí mismo la batería. La norma general del Reglamento europeo de baterías era sensata: a partir del 18 de febrero de 2027, los productos con baterías portátiles debían permitir retirarlas y sustituirlas con herramientas disponibles en el mercado, sin calor, disolventes ni utillaje propietario. La Comisión explicaba que eso alarga la vida de los productos y facilita el reciclaje. Pero ahora, en su nuevo acto delegado, introduce seis nuevas categorías exceptuadas, entre ellas los wearables, y deja la sustitución en manos de “profesionales independientes”.

La pregunta es obvia: ¿por qué precisamente los dispositivos que más dependen de una batería diminuta, sometida a ciclos diarios de carga y usada para medir salud, sueño, ejercicio o conectividad, quedan fuera de una regla pensada para evitar que un producto muera cuando muere su batería? La exención afecta directamente a relojes inteligentes y pulseras de actividad. Quien haya usado un Apple Watch varios años sabe de qué hablamos: cuando la batería se degrada, el aparato no se limita a durar menos: empieza a comportarse de manera errática: desconexiones, avisos absurdos, cargas impredecibles, funciones que desaparecen, autonomía que convierte un dispositivo continuo en una lotería. La propia página de soporte de Apple reconoce que una batería envejecida puede provocar lanzamientos de aplicaciones más lentos, menor rendimiento gráfico, reducción de conectividad inalámbrica, atenuación de pantalla, menor volumen o incluso pérdida de datos de frecuencia cardiaca durante un entrenamiento.

Hay razones que no son simplemente lobbying, aunque el lobbying esté ahí. La primera es técnica: la miniaturización. En un reloj o unos auriculares, la batería no vive en un compartimento generoso, sino encajada entre sensores, antenas, motor háptico, sellos, adhesivos, micrófonos y electrónica de muy baja tolerancia. La Comisión habla de seguridad, de riesgo de daño o perforación de la batería al retirarla, y de productos en los que la sustitución debe quedar reservada a profesionales. El argumento es real: las baterías de litio no son pilas alcalinas, y perforarlas en un objeto que se lleva en la muñeca, la oreja o la cara no es una buena idea. The Register recogía precisamente ese razonamiento: las baterías seguirán teniendo que ser reemplazables, pero no necesariamente por el usuario final.

La segunda razón es la estanqueidad. Los wearables se venden como objetos para sudar, ducharse, nadar, dormir y vivir con ellos puestos. Un mal cierre puede convertir una reparación exitosa en una avería diferida. A la Comisión le resulta fácil equiparar esa lógica con la de los cepillos eléctricos o los irrigadores dentales, ya exceptuados por operar en lo que denominan «entornos húmedos».

La tercera razón es la responsabilidad jurídica. Si Europa obliga a que cualquier usuario pueda abrir un dispositivo corporal, y después ese usuario sufre una quemadura, una fuga, una medición defectuosa o una pérdida de datos médicos, alguien tendrá que responder. La burocracia europea tiende a preferir el riesgo industrial conocido al riesgo legal distribuido. En la consulta previa de la Comisión, el lenguaje ya apuntaba a esa tensión entre reparabilidad, seguridad y categorías de producto.

Pero que esas razones existan no significa necesariamente que la decisión sea correcta. Significa que Europa ha aceptado el marco conceptual de los fabricantes: reparar un wearable es algo excepcional, peligroso y ajeno al usuario. Ese marco es precisamente el problema. La evidencia muestra que no hay una imposibilidad física, sino una simple decisión de diseño, un interés porque haya que tirar ese aparato y sustituirlo cada poco tiempo. Wired mostró con el Pixel Watch 4 que un reloj inteligente puede abrirse con herramientas básicas, permitir sustituir batería y pantalla, mantener resistencia al agua IP68 tras el servicio y contar con repuestos vendidos por iFixit. Y precisamente iFixit tiene ya una guía de sustitución de batería para ese modelo. Es más difícil, sí. Ocupa espacio, sí. Puede sacrificar delgadez, margen o comodidad industrial. Pero esa es justamente la función de una regulación: desplazar el óptimo privado del fabricante hacia un óptimo social: que no tengas que tirar un reloj relativamente caro simplemente por una batería que podría ser sustituida de manera razonablemente sencilla.

El problema de fondo es que la exención transforma una obligación de diseño en una promesa de servicio. No obliga al fabricante a que el usuario pueda cambiar la batería, sino a que un profesional independiente pueda hacerlo. Sobre el papel suena razonable. En la práctica, todo dependerá de lo que signifiquen “independiente”, “disponible”, “precio razonable” y “repuesto compatible”. Si el cambio cuesta casi tanto como un dispositivo nuevo, si tarda semanas, si exige enviar el producto a otro país, si la pieza está encarecida o si el software penaliza baterías compatibles, la norma se habrá convertido en una coartada verde. Las guías de la Comisión sobre removibilidad y reemplazabilidad insisten en la aplicación armonizada del artículo 11, pero la armonización sirve de poco si termina aceptando que una categoría entera de dispositivos cotidianos sea diseñada para pasar por caja o acabar en un cajón.

Por eso la decisión es tan reveladora. Europa presume, con razón, de haber empujado el USB-C, la reparación y la economía circular. Pero aquí ha renunciado a usar su poder de mercado en una categoría donde el fallo dominante es precisamente la batería. La pregunta no es si todos los usuarios deberían abrir un reloj con un destornillador en la cocina. La pregunta es si el diseño debe estar orientado a que la batería sea sustituible de forma sencilla, barata, verificable y competitiva, o a que el dispositivo entero acabe convertido en residuo cuando la química de una celda diminuta empiece a degradarse. Lo que la Unión Europea debería hacer es marcar sus normas, y si los fabricantes no quieren renunciar al mercado europeo, obligarlos a cumplirlas. Sin excepciones que valgan.

La respuesta europea, por ahora, es decepcionante: menos derecho a reparar, más confianza en la buena voluntad de quienes llevan años vendiéndonos objetos sellados. Y cuando una regulación climática termina protegiendo mejor el diseño cerrado que al ciudadano que paga por él, quizá el problema no sea la batería. Quizá sea la política.

Article available in English on my Medium page (no paywall), «Europe says it wants replaceable batteries, just not in the devices that need them most«

Durante los dos últimos años, la unidad dominante del trabajo con inteligencia artificial ha sido el prompt. Escribe un prompt mejor y obtendrás una respuesta mejor. Aprende la formulación adecuada, los ejemplos adecuados, las restricciones adecuadas, el tono adecuado. La ingeniería de prompts se convirtió en la primera disciplina popular de la era de la inteligencia artificial generativa porque encajaba con la primera experiencia que la mayoría de las personas tuvo con estos sistemas: un humano, un modelo, una petición, una respuesta.

Esa fase está terminando. Un artículo reciente de Business Insider describe el auge de la “ingeniería de bucles”: la práctica de diseñar bucles que permiten a los agentes de inteligencia artificial seguir trabajando, comprobando, reintentando y coordinándose en lugar de esperar a que un humano emita manualmente cada instrucción. Los ejemplos son sobre todo técnicos: agentes de programación, agentes de revisión, subagentes, workflows automatizados. Pero el cambio es mucho más amplio que el desarrollo de software.

La unidad de valor de la inteligencia artificial se está desplazando de la respuesta al bucle. Y eso debería hacer que directivos, reguladores y consejos de administración prestaran atención. Porque en una empresa, un bucle no es simplemente un patrón de ingeniería. Es una estructura de gobernanza.

De prompts a bucles

Un prompt pide un output. Un bucle crea comportamiento.

Esa diferencia lo cambia todo. Un prompt puede estar equivocado y desaparecer. Un bucle puede estar equivocado y acumular efectos. Puede observar, actuar, recibir retroalimentación, ajustarse y repetir. Eso es exactamente lo que hace que los bucles sean poderosos. Y también lo que los vuelve peligrosos si las empresas no entienden qué están optimizando.

Ese es el verdadero significado del paso actual de la ingeniería de prompts a la ingeniería de bucles. Los ingenieros están descubriendo que el trabajo importante ya no consiste solo en formular mejores preguntas al modelo. Consiste en diseñar el sistema que invoca al modelo una y otra vez, evalúa los resultados y decide qué ocurre a continuación.

En desarrollo de software, eso puede significar que un agente de inteligencia artificial escriba código mientras otro lo revisa. En una empresa, puede significar que un sistema de inteligencia artificial optimice ventas, contratación, precios, compras, atención al cliente, crédito, seguros, logística o rendimiento interno.

En ese punto, la pregunta deja de ser técnica y pasa a ser institucional.

Todo bucle contiene política

Un bucle corporativo siempre contiene una teoría sobre lo que importa.

Si un bucle de atención al cliente optimiza la velocidad de resolución, puede aprender a cerrar tickets más rápido mientras deteriora silenciosamente la confianza. Si un bucle de ventas optimiza la conversión, puede aprender qué argumentos, descuentos o estímulos psicológicos mueven a los clientes con mayor eficacia. Si un bucle de contratación optimiza la retención, puede seleccionar conformidad. Si un bucle de precios optimiza el margen, puede producir resultados que parecen eficientes internamente y discriminatorios desde fuera.

Ninguno de esos fallos requiere un modelo malicioso: basta con un bucle mal gobernado. Por eso poner a un “human in the loop” ya no es suficiente. Demasiado a menudo, la expresión se utiliza como una especie de ritual tranquilizador: en algún lugar, de alguna manera, hay una persona involucrada. Pero ¿qué persona? ¿Con qué autoridad? ¿En qué punto del bucle? ¿Viendo qué información? ¿Capaz de detener qué acción? ¿Responsable de qué resultado?

Un humano validando a toda velocidad una optimización ejecutada a ritmo de máquina no es gobernanza: es responsabilidad legal con interfaz de usuario.

La gobernanza de la inteligencia artificial debe volverse continua

La mayor parte de la gobernanza de inteligencia artificial sigue asumiendo que la organización gobierna un objeto relativamente estático. Se evalúa un modelo. Se aprueba un caso de uso. Se clasifica un riesgo. Se crea un documento de cumplimiento. Se construye un cuadro de mando. El sistema entra en producción.

Pero un bucle de aprendizaje no es estático: cambia con el uso. Por eso los marcos de gobernanza más serios ya apuntan, implícita o explícitamente, hacia una gobernanza continua. El AI Risk Management Framework del NIST se estructura en torno a gobernar, mapear, medir y gestionar riesgos de inteligencia artificial. El Reglamento Europeo de inteligencia artificial exige monitorización posterior a la comercialización para sistemas de inteligencia artificial de alto riesgo, incluyendo la recopilación y análisis de datos de rendimiento a lo largo de todo su ciclo de vida. La norma ISO/IEC 42001, el estándar internacional para sistemas de gestión de inteligencia artificial, trata explícitamente de establecer, mantener y mejorar continuamente un sistema de gestión de inteligencia artificial.

La dirección está clara: la gobernanza de la inteligencia artificial no puede ser una lista de comprobación previa al lanzamiento.

Cuando la inteligencia artificial se convierte en un bucle, la pregunta crucial ya no es simplemente “¿se aprobó este sistema?”. Es: ¿qué está aprendiendo este bucle, a partir de qué datos, contra qué objetivo, bajo la autoridad de quién, dentro de qué restricciones y con qué derecho de apelación?

Es un tipo de gobernanza muy distinto.

El problema no es la autonomía. Es la adaptación

Gran parte de la conversación actual sobre inteligencia artificial empresarial está obsesionada con la autonomía. ¿Puede el agente hacer más cosas por sí mismo? ¿Puede utilizar más herramientas? ¿Puede ejecutar más tareas? ¿Puede funcionar durante más tiempo sin supervisión?

Son preguntas importantes, pero no son las más profundas. La cuestión real no es si un sistema de inteligencia artificial puede actuar. Es si la empresa puede gobernar lo que ese sistema aprende al actuar.

Una automatización que no aprende puede auditarse como un proceso. Un bucle de aprendizaje debe gobernarse como un sistema en evolución. Puede desviarse. Puede descubrir atajos. Puede optimizar una métrica mientras daña a la institución. Puede hacer que un departamento sea más eficiente mientras vuelve menos coherente a la empresa.

Este último punto es crítico. Un bucle puede optimizar soporte para ganar velocidad mientras otro optimiza retención para maximizar satisfacción a largo plazo. Uno puede optimizar compras para obtener el precio más bajo mientras otro optimiza resiliencia. Uno puede optimizar ventas para conversión mientras otro optimiza cumplimiento para reducir riesgos. Cada bucle puede parecer racional localmente. Juntos, pueden tirar de la empresa en direcciones opuestas.

El viejo problema del software empresarial era la integración: conseguir que los sistemas intercambiaran datos. El nuevo problema de la inteligencia artificial empresarial es la coherencia: conseguir que los sistemas de aprendizaje persigan objetivos compatibles.

Los consejos de administración necesitan entender los bucles

Los consejos de administración no necesitan revisar cada prompt. No necesitan entender cada arquitectura de modelo. Pero sí necesitan entender qué partes de la empresa se están volviendo autooptimizables, qué están optimizando esos sistemas y si esos objetivos están alineados con la estrategia, las obligaciones y los valores de la compañía.

Porque toda métrica es una decisión de gobernanza disfrazada de decisión técnica: optimizar costes, velocidad, crecimiento, retención, satisfacción, reducción del fraude, cumplimiento o margen no son conceptos neutrales. Cada elección codifica una teoría sobre para qué existe la empresa. Cuando esas elecciones se integran en sistemas adaptativos, se convierten en algo más que KPIs: se convierten en instrucciones operativas para la organización.

Por eso los bucles de aprendizaje corporativos deben estar en la agenda de los consejos de administración: no porque los consejos deban microgestionar la inteligencia artificial, sino porque los bucles de aprendizaje moldearán cada vez más el comportamiento de las empresas.

La gobernanza debe volverse ejecutable

La conclusión obvia es incómoda: las políticas escritas en documentos no bastan. Si los bucles van a observar, actuar, evaluar y mejorar, la gobernanza debe estar integrada en el propio bucle. El sistema debe saber qué puede hacer, qué debe registrar, cuándo debe escalar, qué restricciones son absolutas, cuáles son contextuales y qué decisiones requieren juicio humano.

En otras palabras, la gobernanza debe volverse ejecutable. Un bucle corporativo de inteligencia artificial debería tener un objetivo declarado, una función de recompensa visible, un perímetro operativo definido, una memoria auditable, permisos explícitos, resultados medibles, vías de escalado, condiciones de parada y un registro de cómo cambia su comportamiento con el tiempo.

Debería ser posible preguntar no sólo “¿qué respondió la inteligencia artificial?”, sino “¿qué ha aprendido a hacer este bucle?” Esa es la diferencia entre supervisar outputs y gobernar adaptación.

Los próximos fallos de la inteligencia artificial serán fallos de bucle

La próxima generación de fracasos en inteligencia artificial empresarial no vendrá principalmente de malos prompts: vendrá de bucles que funcionaron exactamente como fueron diseñados, optimizaron exactamente lo que se les pidió optimizar y enseñaron silenciosamente a la empresa a convertirse en algo que nunca eligió conscientemente ser.

Ese es el verdadero desafío de gobernanza. La carrera de los modelos hizo que la inteligencia artificial pareciera una cuestión de capacidad. La carrera de los agentes hizo que pareciera una cuestión de autonomía. La era de los bucles revelará que la inteligencia artificial empresarial es, en última instancia, una cuestión de control institucional.

¿Quién define el objetivo? ¿Quién posee la memoria? ¿Quién cambia la función de recompensa? ¿Quién detecta la deriva? ¿Quién puede detener el bucle? ¿Quién responde cuando la optimización funciona, pero la empresa se mueve en la dirección equivocada?

No son preguntas de ingeniería: son preguntas de gobernanza. Los bucles de aprendizaje corporativos no son simplemente el próximo truco en el desarrollo de inteligencia artificial. Son la maquinaria adaptativa de la empresa.

Y toda maquinaria adaptativa debe ser gobernada antes de que nos gobierne a nosotros.

(This article was previously published on Fast Company)

Mi columna de esta semana en Invertia se titula «Apple contra OpenAI: la guerra por el próximo iPhone» (pdf), y trata sobre la demanda de Apple contra OpenAI por presunto robo de secretos industriales, un caso que, más allá de lo que finalmente determine un tribunal, revela con bastante claridad dónde se está desplazando el centro de gravedad de la industria tecnológica: de los modelos y las aplicaciones hacia la interfaz, hacia el dispositivo, hacia ese nuevo punto de contacto cotidiano entre las personas y la tecnología que podría venir después del smartphone.

La noticia, publicada inicialmente por Wired y ampliada por medios como The New York Times, Reuters, Forbes o Associated Press, tiene todos los ingredientes para una buena historia de Silicon Valley: antiguos empleados, prototipos, proveedores, procesos industriales, una alianza que se deteriora, acusaciones de traición y una compañía que intenta proteger aquello que considera el núcleo de su ventaja competitiva. Pero quedarse en la anécdota judicial sería perderse lo realmente interesante.

Apple y OpenAI eran, hasta hace muy poco, socios. Apple anunció en 2024 la integración de ChatGPT en sus dispositivos como parte de su estrategia de Apple Intelligence, mientras OpenAI obtenía acceso privilegiado al escaparate más valioso de la tecnología de consumo: el iPhone. La propia OpenAI presentó aquella colaboración como un paso importante en su relación con Apple y con sus usuarios, en una nota titulada «OpenAI and Apple announce partnership«. La lógica era evidente: Apple necesitaba una respuesta convincente a la presión de la inteligencia artificial generativa, y OpenAI necesitaba distribución, presencia y legitimidad en el ecosistema móvil más rentable del mundo.

Pero las alianzas entre gigantes tecnológicos tienen siempre una fecha de caducidad cuando aparece un nuevo punto de control. En cuanto OpenAI empieza a plantearse que no quiere limitarse a ser una aplicación dentro del iPhone, sino construir su propio dispositivo, el equilibrio cambia completamente. La adquisición del estudio de Jony Ive, anunciada en «A letter from Sam & Jony«, no fue simplemente una operación estética o de prestigio: fue una declaración de intenciones. OpenAI no quiere vivir eternamente dentro de los dispositivos de otros. Quiere controlar la experiencia completa, desde el modelo hasta el objeto físico que lo hace presente en nuestra vida cotidiana.

Eso es precisamente lo que Apple entiende mejor que nadie. Durante años, su gran ventaja no ha sido tener siempre la mejor tecnología en abstracto, sino integrar hardware, software, servicios, distribución, privacidad, marca y experiencia de usuario en un conjunto difícilmente replicable. El iPhone no es solo un producto: es una arquitectura de poder. Y si la inteligencia artificial termina convirtiéndose en una interfaz ambiental, personal, multimodal y persistente, capaz de sustituir muchas de las interacciones que hoy hacemos a través de una pantalla, Apple tiene un problema muy serio.

De ahí que la demanda sea mucho más que una reclamación por secretos industriales: es una forma de marcar territorio. Apple está diciendo que el conocimiento acumulado durante décadas en miniaturización, materiales, proveedores, baterías, sensores y fabricación a escala no puede ser utilizado alegremente por una compañía que hasta ayer era su socia y que hoy empieza a parecer una amenaza. OpenAI, por su parte, responde que no tiene interés en secretos ajenos y que su objetivo es construir tecnología innovadora. El tribunal decidirá hasta qué punto hay pruebas de uso indebido de información confidencial. Pero, estratégicamente, el mensaje ya está enviado.

Lo interesante es que OpenAI tampoco tiene una posición sencilla: puede tener los mejores modelos, una marca potentísima y una capacidad inmensa para atraer capital y talento, pero como suele decirse, «hardware is hard»… fabricar hardware de consumo es un infierno que ha triturado a muchísimas compañías brillantes. No basta con tener una idea elegante ni una narrativa futurista. Hay que producir a escala, gestionar proveedores, resolver problemas térmicos, energéticos y ergonómicos, convencer al usuario de que lleve o coloque un nuevo objeto en su vida, y hacerlo sin parecer intrusivo, incómodo o simplemente extravagante o innecesario. La historia reciente de dispositivos de inteligencia artificial fallidos debería servir de advertencia.

Aun así, la dirección del movimiento parece clara: OpenAI quiere dejar de depender de la pantalla de otros. Apple quiere evitar que la próxima interfaz dominante nazca fuera de su control. Google, Microsoft, Meta y Amazon observan el mismo tablero con sus propias piezas. Y el usuario, como casi siempre, terminará decidiendo no por la elegancia de los comunicados corporativos, sino por algo mucho más simple: qué producto resuelve mejor sus problemas, le exige menos esfuerzo y consigue ganarse su confianza.

La guerra entre Apple y OpenAI no va solo de secretos industriales. Va de quién definirá el objeto que vendrá después del smartphone, si es que realmente llega a existir. Va de si la inteligencia artificial será una función dentro de los dispositivos actuales o el principio de una nueva categoría. Va de si el iPhone seguirá siendo el centro de nuestra vida digital o pasará a ser una pieza más dentro de un ecosistema gobernado por agentes. Y va, sobre todo, de una pregunta que cualquier estratega debería hacerse ya: cuando la interfaz deja de ser una pantalla y pasa a ser una conversación permanente con una inteligencia artificial, ¿quién controla realmente la relación con el usuario?

This article is also available in English on my Medium page, «Apple, OpenAI, and the race to build the iPhone’s replacement»

Cuando una sociedad no sabe qué hacer con sus problemas, busca un culpable sencillo. Preferiblemente uno que quepa en una mano, tenga pantalla y emita notificaciones. El smartphone se ha convertido en el chivo expiatorio perfecto de una crisis educativa que viene de mucho antes, tiene causas mucho más profundas y no se resolverá fingiendo que el mundo de nuestros hijos puede dejarse en la puerta del aula.

El interesante artículo de The Atlantic sobre uno de los psicólogos evolutivos más conocidos, Peter Gray, titulado «What if it’s not the phones?», es interesante porque pone palabras académicas desde el punto de vista de la psicología evolutiva a algo que llevo defendiendo prácticamente toda mi carrera: el problema no es la tecnología, sino nuestra incapacidad para educar con ella, entenderla e integrarla con criterio. Gray, que lleva décadas estudiando el juego libre y la autonomía infantil, sostiene ahora algo incómodo: esa necesidad de exploración no desaparece cuando el entorno deja de ser el parque o la calle y pasa a ser también internet. Los niños tienen que aprender a equivocarse, negociar, explorar y tomar decisiones en el mundo en el que realmente crecen, no en el mundo nostálgico que algunos adultos idealizan.

La tesis de Gray choca con la narrativa de Jonathan Haidt en «The anxious generation«, convertida en coartada perfecta para quienes prefieren una prohibición a una conversación difícil. Haidt ha popularizado la idea de que smartphones y redes sociales han «recableado» la infancia y causado una epidemia de enfermedad mental. Gray ve ahí una nueva versión del pánico moral de siempre: ante cualquier problema infantil, la reacción automática de los adultos consiste en retirar otra libertad más. En su crítica a Haidt, insiste en que la literatura científica está lejos de demostrar esa causalidad, y que confundir correlación con explicación es una forma cómoda de dejar de mirar donde deberíamos mirar: a la escuela, a la presión académica y al empobrecimiento del aprendizaje.

Esa idea tampoco me resulta nueva. En 2014, hablando sobre móviles en la escuela, ya defendía que el libro de texto era un artefacto del pasado, un paquete cerrado de información en una época en la que la información es ubicua, y que la educación debía enseñar a buscar, cualificar y utilizar conocimiento. En 2016 escribía que los dispositivos no eran enemigos del aprendizaje, sino aliados poderosos si la educación se definía correctamente, y que prohibirlos solo demostraba miedo a lo nuevo y falta de sentido común. En 2021 volví sobre la misma cuestión: no, la tecnología no provoca terribles trastornos por sí misma; lo que provoca problemas es educar mal y después buscar una excusa cómoda. Y en 2025 lo formulé con claridad: prohibir móviles en adolescentes es el camino más corto hacia una sociedad de ignorantes.

No se trata de negar los riesgos. Las redes sociales tienen modelos de negocio diseñados para capturar atención, explotar impulsos, amplificar basura y convertir la vulnerabilidad en tiempo de pantalla. La cuestión es si la respuesta inteligente consiste en esconder ese entorno o en enseñarlo. El informe de las National Academies sobre redes sociales y salud adolescente reconoce daños posibles para algunos jóvenes y algunos usos, pero también beneficios y apoyo, y recomienda actuar con precisión, no con prohibiciones indiscriminadas. Candice Odgers, en Nature, advierte que la evidencia sobre si el tiempo de pantalla explica la ansiedad y la depresión adolescente es equívoca, y que una historia demasiado simple puede distraernos de las causas reales. El Oxford Internet Institute, tras analizar datos de más de 430,000 adolescentes en Estados Unidos y Reino Unido, encontró muy escasa evidencia de que la relación entre uso de tecnología y problemas de salud mental haya aumentado de manera consistente.

Incluso cuando miramos a la escuela, los datos obligan a pensar, no a gritar. Pew Research Center encontraba en 2025 que la mayor presión declarada por los adolescentes estadounidenses eran las notas, por encima de la apariencia o la integración social. La OCDE advierte de que el uso recreativo de dispositivos en clase se correlaciona negativamente con el rendimiento, pero eso no prueba que el dispositivo sea el problema: prueba que una herramienta sin propósito pedagógico, en un aula mal diseñada, distrae. Igual que distrae una clase absurda o un sistema obsesionado con evaluar memoria.

Lo mismo ocurre con la supuesta “superioridad” de los métodos tradicionales, ahora convenientemente resucitada por algunos países nórdicos que anuncian la vuelta a los libros de texto, al bolígrafo y al papel como si acabaran de descubrir la piedra filosofal de la educación. Suecia, por ejemplo, ha invertido en más libros físicos y menos pantallas, y ha modificado el despliegue de pruebas digitales en primaria bajo el argumento de que los alumnos más pequeños aprenden mejor con materiales impresos. Pero el problema no está en reconocer que escribir a mano, leer en papel o trabajar sin distracciones puede tener valor: claro que lo tiene. El problema está en convertir eso en una cruzada ideológica contra la tecnología y, sobre todo, en medir después el éxito con las mismas metodologías de siempre. Si evalúas con exámenes diseñados para premiar la repetición literal, la memoria de corto plazo y la capacidad de reproducir lo que dicen las páginas del libro, no estás demostrando que el libro sea superior: estás demostrando que el sistema de evaluación sigue atrapado en el libro. Es como juzgar la inteligencia de un alumno por su capacidad para recitar una enciclopedia en la era de la inteligencia artificial. La OCDE, cuando analiza el caso sueco a partir de PISA 2022, no habla de una magia intrínseca del papel, sino de problemas mucho más complejos: interrupciones en el aula, uso pedagógico desigual de las herramientas digitales, seguridad, autonomía local y calidad docente. Confundir “mejores notas en pruebas antiguas” con “mejor aprendizaje” es una de las trampas más peligrosas del debate educativo contemporáneo. No, los niños suecos no son ahora «más listos por usar papel y lápiz, ni aprenden mejor: simplemente siguen funcionando como antes en pruebas memorísticas absurdas diseñadas hace siglos, y que no sirven para medir nada.

La escuela que prohíbe smartphones porque distraen está confesando su fracaso. Está diciendo que no sabe convertir una pantalla en herramienta, enseñar a verificar fuentes, detectar manipulación, proteger la privacidad, entender algoritmos, gestionar la atención o distinguir información de conocimiento. Y eso, en 2026, no es prudencia: es negligencia. Educar no consiste en conservar artificialmente un pasado que ya no existe, sino en preparar a los alumnos para un presente complejo. Pretender formar ciudadanos digitales en aulas analógicas es como enseñar navegación retirando el mar.

Gray no propone abandonar a los niños en internet, del mismo modo que defender el juego libre no significa soltar a un niño en medio de una autopista. Viene a recordar algo más incómodo: crecer implica libertad, exploración, error y aprendizaje, y una infancia permanentemente vigilada, reglada, examinada y protegida de todo riesgo fabrica adultos dependientes, frágiles y manipulables. La tecnología no ha creado la crisis educativa: sólo la ha hecho visible.

La pregunta relevante no es si debemos permitir móviles en clase, sino qué tipo de educación queremos construir alrededor de una realidad en la que esos dispositivos existen, nos acompañan y median nuestra relación con el conocimiento, el trabajo y los demás. Culpar al smartphone es fácil. Cambiar la escuela es muy difícil. Precisamente por eso tantos prefieren lo primero.

This article is also available in English on my Medium page, «Schools don’t have a smartphone problem. They have a teaching problem»