Una jueza federal sentenció ayer que Google, a pesar de haber sido declarada un monopolista ilegal y reincidente en el mercado de la publicidad, no se verá obligada a separar y vender su negocio de ad exchange, a pesar de que esa era la medida principal propuesta para luchar contra ese monopolio. La sentencia es clarísima: efectivamente, la compañía monopolizó de forma ilegal el mercado de los servidores publicitarios para editores y las subastas de anuncios, pero la jueza Leonie Brinkema ha rechazado la idea de forzar la venta de AdX.

Es la segunda vez en menos de un año que Google evita el que hace años era el remedio estructural tradicionalmente reservado para los monopolios más graves: la obligación de deshacerse de la parte de la compañía que efectivamente lo originaba. Esto supone una enorme victoria para Google, y una derrota para las autoridades antimonopolio estadounidenses, que fracasan de nuevo al intentar castigar de forma efectiva un monopolio que había sido declarado ilegal. La conclusión no puede ser más clara: en los Estados Unidos de hoy, ser declarado un monopolio ilegal ya no significa tener que renunciar a ese monopolio.

La secuencia es la siguiente: en 2020, durante el primer mandato de Trump, se estimó con toda la lógica del mundo que el hecho de que Google pagase miles de millones a Apple, a Samsung y a otras compañías con el fin de ser el buscador predeterminado en sus dispositivos cerraba las vías de distribución para sus competidores. Más claro, agua. En enero de 2023, la administración Biden demandó a Google por controlar de forma monopolística la cadena de distribución de la publicidad digital. La jueza Leonie Brinkema, también concluyó que, en efecto, eso era así: que la compañía había obligado de facto a los editores a utilizar AdX, y había eliminado o neutralizado las alternativas durante más de una década, lo que supuso un perjuicio para las páginas web que dependen de la publicidad. En agosto de 2024, el juez Amit Mehta concluyó que, efectivamente, Google era un monopolio y había actuado de forma deliberada para proteger y conservar ese monopolio.

Pero lo que pasó después, sin embargo, fue que ambos jueces rechazaron las medidas lógicas, razonables y amparadas por la tradición judicial: en lugar de forzar la desinversión en los activos que generaban el problema, optaron por medidas cosméticas que no alteran realmente el negocio ni generan problemas a Google. El patrón es claro: dictar sentencias supuestamente duras e históricas, para después proponer remedios completamente insignificantes. Obligar a Google a «ser más transparente», a «compartir algunos datos» o a «no favorecer abiertamente sus propios productos» es equivalente a confiar la restauración de la competencia precisamente al que la eliminó. Es, simplemente, una palmadita y un «ve y no peques más». Da lo mismo que el Departamento de Justicia haya calificado a Google de «monopolista reincidente»: sin una separación estructural, no hay un remedio efectivo.

La justicia de los Estados Unidos lleva décadas debilitando de manera efectiva la legislación antimonopolio: las ventas forzadas se consideran «soluciones radicales». La última vez que se usó esa solución fue con AT&T en 1984, no será que no ha habido monopolios desde entonces. De hecho, ese es el resultado: en los Estados Unidos de hoy, los monopolios hacen lo que quieren, campan a sus anchas, y son más fuertes que el propio gobierno. Con la segunda legislatura de Trump, además, las cosas ya pasaron a otro escenario: las big tech hicieron donaciones de millones de dólares para su investidura, participaron en actos de cortejo mutuo, y entraron en una relación ya completamente transaccional: dona, elogia, pacta y mantente siempre en el lado correcto que el presidente marca. Además, Trump pasó a amenazar con aranceles a los países que «agredieran» a Google, Meta o Amazon, con el fin de evitar que otros países los castiguen de forma efectiva. Claramente, Trump convirtió la impunidad corporativa estadounidense en una política más personal, transaccional y descaradamente favorable a las compañías que saben comprar su amistad. Puro capitalismo de amiguetes. Ahora llegan denuncias contra Amazon, y pasará lo mismo. ¿Apuestas?

Ahora, vemos cómo la ilegalidad flagrante se ha convertido en un simple coste operativo. Las big tech no necesitan ganar los juicios, porque con prolongarlos, recurrirlos y evitar cualquier remedio estructural tienen suficiente. El caso de Google lo hace evidente: una compañía puede ser declarada monopolista ilegal dos veces, conservar todos los activos que sostienen ese monopolio y aumentar mientras su valor hasta superar los cuatro billones de dólares, porque carece completamente de amenazas por el flanco legal. La legislación antimonopolio ha dejado de ser un problema para las compañías: ahora, es una mera función teatral.

La investigación sobre el incidente de hacking a Hugging Face por parte de OpenAI sobre el que escribí el pasado 24 de julio está adquiriendo tintes cada vez más peliculeros y más graves cuanto más es investigado. Resulta que no es que OpenAI descubriese de pronto a un agente rebelde que había encontrado una puerta, sino que la compañía lanzó deliberadamente decenas de miles de ejecuciones con el fin de poner a prueba sus capacidades ofensivas, y lo que no esperaba era que esas ejecuciones, en principio aisladas, descubrieran cómo comunicarse, cómo acumular conocimiento, y cómo atacar un sistema real con más de 1,200 agentes a la vez.

Hablamos de una infraestructura experimental generada por una organización para atacar a otra, de una auténtica irresponsabilidad a todos los niveles. Un informe independiente de METR y Redwood Research explica que OpenAI lanzó decenas de miles de agentes de varios modelos dentro de ExploitGym, que aproximadamente 1,200 de ellos encontraron el canal clandestino, intercambiaron más de 70,000 mensajes y archivos, y unos 700 participaron de alguna manera en la intrusión. Hay que señalar que en este contexto, «agente» significa una ejecución o rollout del modelo dentro de un entorno con herramientas, no 1,200 inteligencias persistentes que se crearon o replicaron solas.

La coordinación no precisó de ninguna plataforma multiagente sofisticada: simplemente, los entornos tenían acceso a una instancia compartida de JFrog Artifactory para instalar paquetes que no aislaba completamente la actividad de unos usuarios respecto de otros, lo que posibilitó que los agentes se dejasen notas codificadas en nombres de directorios. Lo que parecía una simple caché de paquetes se convirtió en un tablón persistente: cada nueva ejecución podía leer hallazgos anteriores, dejar resultados, solicitar ayuda y continuar trabajos que otros habían abandonado. Según la explicación de OpenAI, cuya credibilidad empieza a parecerse ya a la de Meta, el sistema terminó incluyendo mensajes directos, archivos, reparto de funciones, coordinadores, reglas de espera, vetos y sucesores de agentes ya terminados.

No hubo una supuesta «mente colmena» coherente, sino algo más inquietante: una coordinación espontánea suficiente. Los agentes chocaban entre sí, duplicaban esfuerzos e ignoraban ocasionalmente las órdenes de otros, pero también se dividieron el trabajo: unos buscaban credenciales, otros investigaban vulnerabilidades, otros probaban técnicas de evasión y algunos actuaban como coordinadores. Cuando uno consiguió ejecutar código en Hugging Face, cientos abandonaron sus tareas originales y se incorporaron a esa línea de trabajo. No hace falta una inteligencia colectiva perfecta: basta con memoria compartida, paralelización y que cada éxito pueda ser reutilizado. ¿Inquietante? No, lo siguiente. Estamos ya en el momento en que un regulador razonable tomaría acciones contra OpenAI que le impidiesen seguir haciendo lo que hace. Pero no, no ocurrirá nada.

El ataque proviene, en realidad, de una combinación compleja de incentivos: por un lado, tareas propuestas en ExploitGym con agentes entrenados para perseverar y maximizar la recompensa que comenzaron buscando las respuestas, después intentando engañar al evaluador y finalmente manipulando toda la infraestructura que rodeaba al experimento. Una forma claramente extrema de reward hacking: no se trata de cumplir la tarea prevista, sino de encontrar cualquier mecanismo que permita obtener la recompensa. Lógicamente, esto dio lugar a una enorme escalada de recursos, que no pasó inadvertida: estaba autorizada y formaba parte del irresponsable experimento. El proceso experimental del que surgió el ataque necesitó, según JFrog, unos tres millones de horas de GPU. OpenAI estaba llevando a cabo lo que consideraba una prueba gigantesca y sumamente cara, y por eso, en ese contexto, la escalada de consumo de recursos no activó las alarmas. O en realidad, sí activó algunas, pero en OpenAI se limitaron a no hacerles ni maldito caso e incluso a reconstruir los servicios que, por volumen de actividad, habían caído. No faltaron señales: faltó relacionarlas, escalarlas y reconocer que formaban parte de un mismo fenómeno. No faltaron alarmas: faltó entenderlas. Irresponsabilidad en estado puro.

En Hugging Face, el daño fue serio y material. En menos de trece horas pasaron de ejecutar código en un trabajador, a obtener acceso de nivel administrativo o de anfitrión en varios clusters. La nota original de Hugging Face ya hablaba de más de 17,000 eventos registrados, pero todavía no tenían ni idea de qué modelos estaban detrás. OpenAI se está dedicando a tirar balones fuera diciendo que otros modelos, como los abiertos y los chinos, pronto tendrán capacidades similares, pero el incidente fue protagonizado por modelos cerrados de OpenAI, dentro de una infraestructura controlada por OpenAI y como consecuencia de decisiones de OpenAI sobre entrenamiento, permisos, volumen y supervisión. Para terminar de fastidiar, Hugging Face explica que tuvo que utilizar un modelo abierto ejecutado localmente para investigar el ataque, porque las salvaguardas de los modelos comerciales bloqueaban las consultas forenses. La variable decisiva no es que un modelo sea abierto o cerrado, sino qué capacidades tiene, qué herramientas recibe, con qué permisos opera y quién responde por sus acciones. Y en este caso, sólo hay un responsable. O mejor dicho: un irresponsable.

El verdadero escándalo no es que los agentes aprendieran a colaborar, sino que OpenAI construyera un entorno en el que la colaboración clandestina podía confundirse durante semanas con el funcionamiento normal de un experimento, incluso después de producir alertas, accesos no autorizados y una caída completa del servicio. No, esto no es una historia sobre «máquinas que despiertan», sino sobre organizaciones que gestionan agentes sobrehumanamente rápidos mediante procedimientos, permisos y cadenas de responsabilidad diseñados para personas. Una historia sobre cómo gastar tres millones de horas de GPU para perder el control sobre lo que se hace. Una historia sobre monos con metralletas. Y este tipo de historias ya sabemos todos cómo acaban.

In English on Medium, «This is what happens when 1,200 AI agents find a backdoor into a company«

Este es un tema del que se ha hablado en muchas ocasiones, pero que aún no se ha terminado de concretar, por mucho que veamos artículos sensacionalistas que así lo afirman: ¿qué pasa cuando un vehículo autónomo tiene un accidente o recibe una multa, teniendo en cuenta que su ocupante no está conduciéndolo? ¿A quién corresponde la responsabilidad?

En China, por mucho que digan algunos, no se ha aprobado aún ninguna reforma legal sobre esta cuestión, al menos todavía. Lo que sí se ha hecho es proponer una reforma de la Ley de Seguridad Vial, presentada para su primera lectura y actualmente sometida a consulta pública, que incorpora por primera vez un capítulo, de los artículos 95 a 103, dedicado específicamente al asunto de los vehículos autónomos y a la responsabilidad sobre su operación. Pero por el momento, podemos hablar de proyecto, de borrador o de propuesta, nunca de ley aprobada.

Lo que aporta esta propuesta es fundamentalmente conceptual: separa la asistencia y la autonomía. Se define como autónomo al vehículo capaz de llevar a cabo de forma sostenida la totalidad de la tarea dinámica de conducción en unas condiciones operativas determinadas. Si únicamente proporciona asistencia a la conducción, la responsabilidad continúa siendo humana. La frontera es importante porque evita que el marketing convierta las ayudas avanzadas en una supuesta conducción autónoma que no es real como tal. Es similar a lo dictado en el caso del Reino Unido: una diferenciación jurídica bien delimitada entre conducción autónoma y asistencia al conductor.

¿Lo más relevante? La transferencia de responsabilidad en el caso de infracciones. Si la conducción autónoma está activada y el vehículo comete una infracción como saltarse un semáforo o exceder la velocidad marcada en la vía, quien deberá responder administrativamente por ella ya no será el conductor, sino el fabricante o importador. Si la compañía sostiene que esa conducta no fue causada por el sistema autónomo, le corresponderá entonces la carga de la prueba de demostrarlo. Esa inversión de la carga de la prueba es significativa, porque ahora el usuario no tiene que probar el funcionamiento de algoritmos cerrados que no controla. En cualquier caso nos referimos a responsabilidades administrativas, no a cualquier responsabilidad civil o penal.

En un accidente, la policía podrá acceder a los datos del vehículo, solicitar análisis técnicos y exigir la colaboración del fabricante, que deberá proporcionar los datos relevantes para la investigación respetando las leyes de privacidad, ciberseguridad y protección de datos. Esto implica que la caja negra deja de ser un accesorio, y pasa a ser una parte esencial del Estado de derecho: habrá que delimitar qué software estaba instalado, si la función estaba activada, en qué dominio de diseño operacional funcionaba, qué orden dio el sistema y si solicitó o no una intervención humana. Los registros íntegros, auditables e independientes son fundamentales para delimitar la responsabilidad.

Pero la propuesta china va más allá de simplemente decidir quién paga una multa: las autoridades deberán impedir que la conducción autónoma se active fuera de sus condiciones autorizadas, deberán suspender sistemas inseguros, ordenar reparaciones o retiradas, formar al propietario cuando sea necesario y explicar de manera clara las limitaciones del sistema, y los fabricantes deberán aceptar esas órdenes. Estará prohibido presentar comercialmente capacidades que el vehículo no posee realmente. Además, se establecerá un seguro específico obligatorio de responsabilidad por accidentes, cuyos detalles deberá desarrollar el Gobierno. En paralelo, Pekín ya está experimentando con productos que adaptan el seguro tradicional a los riesgos del software, los sensores y las actualizaciones.

¿Por qué ahora? Porque el 70.5% de los turismos nuevos chinos ya incorpora asistencia combinada de nivel 2, y más de 57,000 kilómetros de vías han sido habilitadas para pruebas y demostraciones, acumulando un total de 220 millones de kilómetros. La autonomía real aún está limitada a tramos concretos de Beijing y Chongqing, con velocidades limitadas a 50 y 80 km/h, lo que nos da una idea de cómo de lejos está aún la autonomía generalizada

El pasado marzo, una flota de cien robotaxis se detuvo simultáneamente en Wuhan por un fallo del sistema y dejó a viajeros inmovilizados en el medio de vías rápidas, aunque no provocó ningún herido. La lección no es que los coches autónomos sean inherentemente peligrosos, pero sí que la automatización introduce problemas que pueden afectar a flotas completas, y la regulación debe tener en cuenta este tipo de posibilidades.

En perspectiva internacional, China no está por delante de países como Alemania, el Reino Unido, la Unión Europea o incluso España, que cuenta desde 2025 con un programa nacional para pruebas de vehículos automatizados. Lo que diferencia a China no es que sea la primera, sino que integra la autorización, las infracciones, los datos, el seguro, la publicidad y la supervisión en la ley nacional de tráfico del mayor mercado automovilístico del mundo.

En California, desde el 1 de julio de 2026, ya se puede actuar contra Waymo y otras compañías similares por infracciones en movimiento, pero no mediante la multa convencional que recibiría un conductor: el agente emite un aviso formal contra el vehículo autónomo y el expediente pasa al fabricante y al DMV, cuyo instrumento verdaderamente coercitivo es el permiso de operación. Antes de julio de 2026, había una laguna legal: en septiembre de 2025, la policía de San Bruno detuvo a un Waymo tras un cambio de sentido ilegal, pero no pudo multarlo por una infracción de tránsito porque no había ningún conductor humano a quien sancionar, sólo pudieron informar del incidente a Waymo. Las infracciones de estacionamiento son más sencillas porque se vinculan al vehículo y a su propietario registrado, no necesariamente a un conductor. San Francisco emitió 589 multas de estacionamiento a vehículos Waymo por un valor de 65,065 dólares durante 2024, y Waymo las pagó sin discusión alguna.

La ley de Arizona establece expresamente que el sistema de conducción automatizada se considera el conductor a efectos de evaluar el cumplimiento de la normativa, mientras que la persona que registró la operación autónoma puede recibir la multa o sanción si el vehículo infringe la ley. Normalmente, esa persona sería Waymo, nunca su pasajero. Texas va aún más allá: su ley actualizada establece que el sistema automatizado es el operador, pero cualquier multa debe emitirse al propietario del vehículo o, en el caso de operaciones comerciales sin conductor, al titular de la autorización estatal. Por lo tanto, en Austin, una infracción de Waymo se dirige a la entidad corporativa o titular del permiso de Waymo correspondiente. Las multas de estacionamiento se colocan en el vehículo de la forma habitual; las infracciones de tránsito requieren un trámite adicional contra el propietario corporativo registrado.

La reforma propuesta en China no garantiza que la conducción autónoma sea segura, ni que se vaya a desplegar masivamente pasado mañana. En general, se reconoce que hay un menor riesgo en numerosas situaciones, pero también que existen problemas significativamente mayores en giros o en condiciones como la iluminación direccional compleja como la luz del amanecer o del atardecer. Lo que sí demuestra es que la conducción autónoma ya no es una simple demostración de posibilidades tecnológicas, y empieza a convertirse en una institución jurídica como tal. Como innovación, estamos ya en el momento en el que la conducción autónoma empieza a ser real, deja de pedir demostraciones de fe, y empieza a prepararse para aceptar responsabilidades. La propuesta de China es más limpia y explícita porque asigna la responsabilidad de una infracción directamente al fabricante o importador y, fundamentalmente, hace que la empresa demuestre que el sistema autónomo no la causó si quiere eludir la responsabilidad.

El coche autónomo necesita un responsable, y hay que empezar a legislar al conductor algorítmico. La autonomía empieza donde termina la ficción del conductor, y hay que entender que cuando pasamos del volante al software, la responsabilidad también cambia de manos. Un momento verdaderamente interesante.

In English on Medium, «Who’s liable when a self-driving car breaks the law?»

En pocos días comienzo un par de cursos en la universidad. En los últimos dos años, he ido alternando cada vez más mis cursos en IE Business School, con alumnos con una media de treinta años y una experiencia profesional que les permite aportar en clase con una perspectiva, además, de diversidad brutal en su origen geográfico, con alumnos de IE University, mucho más jóvenes y sin experiencia, pero con un nivel que me encanta (no en vano tenemos más de 30,000 solicitantes de plaza y admitimos en torno a 2,000).

Esa alternancia me gusta, además, porque me permite entender las actitudes hacia la tecnología y la innovación de los más jóvenes, enormemente diferentes de las de las siguientes generaciones, y ayer me encontré con este comentario de Lincoln Michel que veis en la imagen en Substack que me llamó bastante la atención, que creo que lo explica meridianamente bien, y que de hecho pienso introducir en un electivo nuevo que he ofrecido este año, titulado «Why thinking about technology matters«, en el que planteo precisamente una visión muy crítica de la tecnología y, sobre todo, de las Big Tech.

Los que nacimos en los años ’60 ó ’70 hemos vivido unas décadas alucinantes. Recordamos perfectamente el mundo antes del ordenador personal, y de hecho, muchos nos incorporamos al mundo laboral cuando empezaba a ser definitorio de cada vez más actividades, pero también vivimos la explosión de internet, del correo electrónico, de los buscadores, de Wikipedia, de los mapas digitales o del smartphone. Cada una de esas tecnologías significó auténticas revoluciones que afectaron a conceptos «de toda la vida», crearon un valor descomunal para la sociedad aunque no figure necesariamente como tal en ninguna cifra de PIB, cambiaron nuestra forma de pensar y de trabajar, y nosotros estuvimos allí y pudimos ver su definición, su proceso de adopción y sus implicaciones.

Los que nacieron en 2008, en cambio, ya recibieron todo eso como algo que ya estaba ahí, como nada sorprendente, como «parte del paisaje», y crecieron en un mundo ya totalmente bajo el control de una serie de plataformas y de unas big tech cada vez más dominantes y que copaban ya la lista de las compañías más valoradas del mundo. Si para nosotros esas herramientas e innovaciones suponían ampliaciones en nuestra autonomía y nuestras capacidades, su experiencia tiene mucho más que ver con la administración de su dependencia: lo que se les plantea son formas de engancharse a servicios en los que no controlan ni la interfaz, que cambia cuando le da la gana, ni los datos, ni las reglas, ni nada. Lo que experimentan, básicamente, es la enshittificación que define Cory Doctorow: se les seduce con una supuesta propuesta de valor, se les encierra y pastorea con efectos de red, y después se degrada el producto para exprimir valor de su información personal y vendérsela al mejor postor.

En realidad, la intensa desconfianza de los jóvenes no es fruto del desconocimiento, sino de una exposición intensiva: utilizan la inteligencia artificial intensivamente, pero ni siquiera esa familiaridad consigue sostener su entusiasmo. El 51% de la Generación Z norteamericana usa inteligencia artificial generativa todas las semanas, pero únicamente un 22% siente entusiasmo como nosotros pudimos sentirlo con internet o con los buscadores, el 31% siente enfado y el 80% considera que estas herramientas van a perjudicar su aprendizaje y su futuro. No es que sean luditas como tales: es que el 48% cree que los riesgos superan claramente a los beneficios, y ya no confunden la utilidad con la confianza. El porcentaje de menores de treinta años con actitudes de preocupación pasó del 31% en 2021 al 55% en 2026, únicamente un 11% está más entusiasmado que preocupado, y el 73% cree que supondrá una reducción del empleo.

Poca sorpresa, realmente. Las redes sociales que les prometieron «conexión», ahora son recopilación de datos, vigilancia masiva, algoritmos para maximizar permanencia, riesgos para su salud mental y protecciones inexistentes. Las plataformas que les prometieron autonomía les ofrecen ser falsos autónomos, cobrar menos que el salario mínimo y trabajo sin remunerar. Y el 76% de las páginas y los servicios que manejan están plagados de patrones oscuros destinados a manipularlos. Para tirar cohetes, realmente, no parece su experiencia. Sienten, básicamente, que no tienen control sobre sus vidas.

Podemos añadir a esto el historial de burbujas que se les vendieron como revoluciones: estafas con criptomonedas, los NFTs, el estúpido metaverso de Zuckerberg… como para creerse algo. Y los mismos que les vendieron esas «maravillas» son, por cierto, los que ahora les venden la inteligencia artificial. La situación de los que saltan al mercado de trabajo, además, no es muy halagüeña: para personas de entre 22 y 25 años en ocupaciones expuestas a la inteligencia artificial, el empleo está un 19% por debajo de donde estaría si hubiese evolucionado al ritmo de las ocupaciones menos expuestas. Si fuesen optimistas, no sería un milagro, sería una demostración de ingenuidad rayana en la estupidez.

La contradicción con la narrativa triunfalista empresarial es brutal: se les promete una herramienta que elimina tareas pesadas, mientras las empresas están encantadas porque pueden contratar menos. El 41% de las compañías planean reducir plantilla a medida que la inteligencia artificial automatiza tareas, y empiezan por las tareas que habitualmente llevan a cabo los más jóvenes, rompiendo ese primer escalón profesional de una generación.

Las actitudes en España son similares: los jóvenes valoran la inteligencia artificial, pero tienen miedo de no desarrollar o de perder habilidades, o de perder fiabilidad, privacidad o independencia. Quieren utilizarla, pero son lo suficientemente sofisticados como para enfocarse en pedir cuestiones como seguridad por defecto, transparencia, formación y regulación.

No es que perciban la inteligencia artificial como una burbuja, sino que desconfían enormemente de quién y de cómo se la ofrece, de los incentivos que tienen y de cómo se distribuyen los beneficios. Su desconfianza, además, no mejorará si no ven políticas laborales, ambientales, educativas y de protección de derechos suficientemente ambiciosas y aplicadas con verdadero rigor a la panda de impresentables multimillonarios que se dedican a competir por ser los más ricos del mundo y por aprovecharse lo más posible de los demás. Han aprendido y entendido cómo funciona el capitalismo actual, y simplemente, manifiestan un pesimismo y una desconfianza radical hacia Silicon Valley y las Big Tech. Que es, ni más ni menos, que lo que Silicon Valley y esas Big Tech se han ganado a pulso. Para su generación, innovar dejó de significar mejorar. Con ellos, Silicon Valley agotó su crédito.

¿Pesimismo? ¿Tecnofobia? No, simplemente tener ojos en la cara y neuronas en el cerebro.

In English on Medium, «Gen Z grew up in an enshittified world, and it shows»

Los Large Language Models, o LLMs, son máquinas impresionantes y maravillosas. Pero lo que las compañías necesitan ahora es un nuevo tipo de sistemas que puedan actuar, observar consecuencias y aprender de la realidad a medida que va transcurriendo.

Llevo ya unos cuantos meses escribiendo sobre uno de los temas para mí más centrales y preocupantes en el entorno de la inteligencia artificial corporativa. Y por supuesto, no estoy haciéndolo únicamente desde una óptica académica: por mucho que sea profesor de una universidad y tenga más de treinta años de experiencia, soy también Director de Innovación de una startup de inteligencia artificial en la que el 90% de la plantilla son desarrolladores, y eso me está exponiendo a toda una nueva gama de habilidades. Moverme desde la teoría al código de ida y vuelta, día sí y día también está resultando ser una experiencia enormemente enriquecedora.

La primera cuestión clara y que ya todos deberíamos saber es que los LLM son extraordinariamente capaces y brillantes, pero que no están diseñados para funcionar en entornos corporativos más que como auxiliares administrativos de trabajadores humanos, que es como se los plantean las compañías menos ambiciosas. Sí, son muy buenos a la hora de generar respuestas, pero la organizaciones tienen otros requerimientos: estados persistentes, estructuras formales, permisos, bucles de retroalimentación, objetivos medibles, y la capacidad de aprender de los resultados.

Cuanto más se desplazan esas ideas desde los artículos y los diagramas al software funcional, más claro aparece el problema. Los conceptos que suenan perfectamente convincentes en prosa tienden a colapsar y a no funcionar cuando alguien tiene que expresarlos en forma de código ejecutable. La «memoria» como tal no es un modelo de datos. La «autonomía» significa más bien poco sin permisos. El «aprendizaje» no es lo mismo que la simple acumulación de contexto. Y la «optimización», como todos sabemos, se convierte en peligrosa salvo que alguien defina exactamente qué diablos es lo que le hemos pedido al sistema que optimice.

No estamos hablando simplemente de un problema técnico: es epistemológico. La industria de la inteligencia artificial ha construido máquinas esencialmente aristotélicas, y lo que las compañías necesitan es una aproximación mucho más al estilo de Francis Bacon.

Las máquinas aristotélicas más potentes jamás creadas

Durante los últimos dos mil años, el pensamiento occidental ha estado fuertemente influenciado por la extraordinaria influencia de Aristóteles en la lógica y la deducción. Empezamos con las premisas, razonamos generalmente de forma correcta a partir de ellas, y llegamos a conclusiones. El silogismo que todos hemos estudiado en Filosofía es el ejemplo clásico: todos los humanos son mortales; Sócrates es humano; por tanto, Sócrates es mortal. Si las premisas son correctas y el razonamiento es válido, la conclusión es tan solo el siguiente paso.

Todos los LLMs que conocemos hasta el momento funcionan de una forma sorprendentemente similar: comienzan absorbiendo enormes cantidades de conocimiento humano que estaban almacenadas en internet, las transforman en vectores, y generan la continuación estadísticamente más coherente a partir de lo que han aprendido. Haciendo eso pueden razonar, comparar, resumir, hacer inferencias, explicar y combinar ideas a través de distintos dominios de conocimiento con un nivel de sofisticación francamente destacable.

Sin embargo, esos modelos permanecen enclaustrados en la información que tienen disponible. No observan de forma inherente lo que ocurre una vez que han producido una respuesta. No comprueban si una recomendación ha funcionado. No revisan su estructura operativa cuando un cliente se va, cuando fracasa una campaña o cuando una política aparentemente eficiente provoca un problema inesperado en algún otro sitio.

¿Y las alucinaciones? Cuando un modelo alucina, no es necesariamente un problema en su funcionamiento: está en realidad generando una conclusión plausible a partir de premisas imperfectas, pero sin ningún mecanismo estructural que le permita comprobar esa conclusión con la realidad. Las propias investigaciones de OpenAI conectan las alucinaciones con la predicción de la siguiente palabra y con sistemas de entrenamiento que recompensan el hacer conjeturas. en lugar de reconocer cualquier tipo de incertidumbre.

Esa es una propiedad profundamente aristotélica.

Francis Bacon fue quien cambió la arquitectura del conocimiento

Filosóficamente, la contribución de Francis Bacon no fue simplemente argumentar que la observación era importante: eso ya lo habían señalado antes mucha gente que habían observado el mundo y extraído conclusiones sobre él mucho antes que Francis Bacon. Su profunda y fantástica contribución fue la de situar la observación dentro de una estructura de aprendizaje repetible: formular una idea, probarla frente a la realidad, observar el resultado, revisar las hipótesis, y repetir. Su método rechazaba la primacía de las demostraciones silogísticas en favor de un proceso que se movía desde las observaciones a los principios, y de vuelta a nuevos experimentos y resultados prácticos.

La revolución científica no emergió por el hecho de que Bacon fuese necesariamente más inteligente que Aristóteles, sino porque el método baconiano organizaba la inteligencia de una forma completamente diferente. Permitía probar los descubrimientos, exponer los errores, acumular los resultados y construir repositorios de conocimiento a través de distintas personas y generaciones. La innovación decisiva en todo esto fue el bucle.

Esta distinción es extremadamente importante en el caso de la inteligencia artificial. Los modelos de frontera de hoy en día son nuestros Aristóteles: motores individualmente brillantes capaces de llevar a cabo inferencias extraordinarias, suprahumanas. Pero el próximo paso no es construir un Aristóteles más grande y con más parámetros, más datos de entrenamiento y una ventana de contexto más grande, sino construir una estructura baconiana y crear bucles a su alrededor.

Las compañías necesitan experimentos, no respuestas

La mayoría de la inteligencia artificial generativa todavía funciona como un sistema de bucle abierto: una persona pregunta algo, el modelo produce una respuesta, y la interacción termina ahí.

Esto funciona extremadamente bien para tareas individuales como escribir un correo electrónico, resumir un informe, explicar un concepto generar algunas ideas sobre algo, traducir un documento… Sin embargo, como cualquiera con un mínimo de experiencia en el mundo corporativo podrá entender y corroborar, las compañías no son conjuntos de peticiones aisladas: son sistemas de acciones y consecuencias. Como ya he comentado previamente en artículos anteriores, la inteligencia artificial corporativa tiene que desplazarse desde las respuestas a los resultados, de las indicaciones a las restricciones y de los copilots a los sistemas de acción.

Un modelo puede recomendar cambiar un precio, modificar un argumentario de ventas, priorizar a ciertos clientes, reorganizar un flujo de trabajo o rediseñar un proceso de aprobación. Pero la calidad de esas recomendaciones no puede ser juzgada únicamente por cómo de persuasiva suena… debe juzgarse en función de lo que pasó después.

Después de la recomendación del modelo, ¿mejoró la conversión? ¿Se incrementó el churn? ¿Subieron los márgenes? ¿Disminuyó la confianza de los clientes? ¿Redujo el nuevo proceso el trabajo en un departamento mientras lo elevaba hasta límites inasumibles en otro? Cada acción tomada en una compañía es, lo admitan o no sus directivos, un experimento en sí misma.

Una inteligencia artificial corporativa genuinamente baconiana debería tratarlo precisamente de esa manera. Conectar acciones con resultados, resultados con objetivos, y objetivos con comportamientos futuros. En lugar de generar simplemente una recomendación, observar sus consecuencias y, muchos más importante, tomar nota y aprender de ellas.

Como seguramente muchos están empezando a darse cuenta, la unidad de valor aquí ya no va a ser la respuesta: va a ser el bucle.

Por qué la implementación cambia la teoría

Aquí es donde convertir ideas en código ejecutable se convierte en un proceso intelectualmente útil: a medida que me desplazo desde el mundo académico hasta las implementaciones en el mundo real. me voy dando cuenta de que el código es mucho menos tolerante con respecto a la ambigüedad que la prosa.

Es muy fácil escribir que un sistema de inteligencia artificial corporativa debería «aprender de la compañía». Pero un desarrollador o un arquitecto de software tiene que preguntarse qué constituye una observación, dónde está almacenada, cuáles son los eventos relevantes, cómo se atribuyen los resultados a las decisiones previas, o qué diablos pasa cuando tienes múltiples objetivos que dan lugar a conflictos entre ellos.

Es muy fácil decir que un agente debería actuar de manera autónoma. Pero una implementación tiene que definir a qué objetos debe tener acceso, qué funciones puede invocar, qué puede modificar, cuándo es necesaria una aprobación humana, y sobre quién va a recaer una responsabilidad.

Es fácil recomendar la optimización continua. Pero… ¿optimizar para qué? Un sistema de servicio al cliente que incentive la reducción del tiempo empleado en cada reclamación o conversación podría comprensiblemente llevar a tratar de terminar esas conversaciones lo antes posible. Un sistema de contratación optimizado para la retención de personal podría seleccionar a los más conformistas. Un sistema de ventas recompensado en función de la conversión podría descubrir técnicas que funcionan comercialmente, pero erosionan la confianza de los clientes.

Un bucle puede ser erróneo, y acumular esos errores repetidamente hasta provocar una catástrofe. Por eso la inteligencia artificial corporativa no puede separarse de la gobernanza: cada función de recompensa es en realidad una teoría codificada de lo que importa, cada restricción expresa una decisión institucional determinada, cada límite de permiso es en realidad una asignación de autoridad.

No son simplemente decisiones de ingeniería: son opciones corporativas expresadas en forma de software. El NIST AI Risk Management Framework también considera la gobernanza como actividad continua y transversal que debe conectar el diseño técnico con las políticas organizacionales, los valores, las responsabilidades, la monitorización y los resultados cuantificables a lo largo del ciclo de vida de todo el sistema. Estamos, claramente, muy por encima del nivel de los chatbots habituales que conocemos y utilizamos.

De la simple generación al aprendizaje: la verdadera transición

La industria sigue dirigiendo su atención a las capacidades de los modelos: cuál razona mejor, cuál escribe código más rápido, cuál es capaz de usar más contexto o cuál consigue el mejor resultado en un benchmark determinado. Y sí, esos logros pueden ser importantes… pero son simples mejoras en inteligencia individual.

La oportunidad para las compañías está en otro tema: en la inteligencia colectiva, en la arquitectura que coordina modelos, personas, datos, procesos, objetivos y retroalimentación de forma que la organización es capaz de mejorar a la hora de conseguir sus objetivos. Precisamente por eso el modelo no debería ser el activo duradero de la compañía: lo que debería serlo es el bucle de aprendizaje que lo rodea.

Mientras la inteligencia artificial generativa produce, la inteligencia artificial baconiana aprende. La primera crea contenido a partir de premisas acumuladas, mientras la segunda actúa en en un entorno definido, observa lo que va cambiando en él, e incorpora el resultado en la decisión siguiente. Si el famoso paper que definió los transformers fue «Attention is all you need», lo que nosotros decimos es «Feedback is all you need».

Y cuando lo piensas, no estamos hablando de una capacidad incremental que añadir a un chatbot, sino de una forma completamente diferente de entender para qué es la inteligencia artificial corporativa. En último término, requiere que las compañías no simplemente «se automaticen», sino que se conviertan en formalmente representables y optimizables.

Ese futuro no se construirá eliminando la máquina aristotélica, porque sus capacidades deductivas siguen siendo enormemente valiosas y útiles. Esos LLMs generarán hipótesis, interpretarán situaciones, propondrán acciones y harán sistemas complejos fácilmente accesibles a través del lenguaje. Pero para ello, necesitarán actuar dentro de una arquitectura en la que la realidad, y no simplemente la elocuencia, sea el árbitro final.

La inteligencia artificial corporativa no necesita otro Aristóteles: necesita su Francis Bacon.

This article was previously published on Fast Company.

Algunas noticias hablan de un posible interés de Nvidia por Hugging Face, la auténtica meca de la inteligencia artificial de código abierto, que podría concretarse en la forma de una oferta de adquisición valorada en este momento en torno a los 12,900 millones de dólares.

Que el fabricante de chips para inteligencia artificial más importante esté interesado en adquirir una plataforma que funciona como una infraestructura social, técnica y distributiva de la inteligencia artificial abierta supone un reconocimiento extraordinario del valor estratégico que la apertura es capaz de generar.

¿Qué estaría realmente comprando Nvidia si esta adquisición termina llevándose a cabo? Hugging Face es mucho más que un simple almacén de modelos: es la plataforma que los desarrolladores, las empresas y los investigadores utilizan para publicar, descubrir, probar, adaptar y desplegar modelos, conjuntos de datos y aplicaciones. Durante 2025 alcanzó los trece millones de usuarios, más de dos millones de modelos públicos y más de medio millón de datasets, lo que prueba un nivel de actividad verdaderamente interesante. Hugging Face combina repositorio, comunidad, estándares, herramientas y unos potentísimos efectos de red, como en su momento hizo GitHub. En torno al 30% de las compañías del Fortune 500 mantienen cuentas verificadas en Hugging Face.

La compañía fue fundada por Clément Delangue, Julien Chaumond y Thomas Wolf en Nueva York en 2016 originalmente con la intención de desarrollar un chatbot dirigido a adolescentes, pero pivotó rápidamente cuando, tras abrir sus herramientas, comprobaron que la comunidad encontraba mucho más valor en las herramientas que en la aplicación original. En 2023 levantó una ronda de inversión de 235 millones de dólares sobre una valoración de $4,500 millones, lo que implica que la rumoreada adquisición actual podría suponer casi el triple en tan solo tres años, una recompensa adecuada para unos fundadores que supieron no sólo pivotar a tiempo, sino construir una enorme comunidad en torno a una idea.

¿Qué implica el interés de Nvidia por Hugging Face? De entrada, que frente a un hipotético futuro dominado por enormes compañías como OpenAI, Anthropic, Google y otros laboratorios cerrados que aspiran a controlar sus modelos y a ir integrándose verticalmente como de hecho ya están haciendo mediante el desarrollo de sus propios chips, como Jalapeño, Nvidia prefiere apostar por un futuro abierto con muchos competidores, muchos modelos abiertos, universidades y desarrolladores independientes. Un ecosistema así necesitaría una infraestructura de computación abundante y relativamente estandarizada, que viene a ser precisamente lo que Nvidia vende.

Las dos compañías, además, ya se han entendido antes muy bien: Nvidia ya participó en la ronda de inversión de Hugging Face en 2023, y ambas compañías han desarrollado conjuntamente proyectos como la integración de DGX en la plataforma o el Training Cluster as a Service, que hace posible que las universidades, los laboratorios y las empresas soliciten capacidad de GPU para entrenar modelos sin tener que dedicarse a construir su propia infraestructura. Hugging Face ve a Nvidia como el mayor contribuyente de las grandes tecnológicas a su ecosistema, y Nvidia ha publicado en Hugging Face su familia Nemotron con pesos, datos de entrenamiento y recetas abiertas.

Para la comunidad, la adquisición podría significar más recursos y una aportación de alguien que, dados sus intereses estratégicos, no parece en principio interesado en remar en dirección contraria. En su momento, Hugging Face rechazó una inversión de 500 millones de Nvidia a una valoración de $7,000 millones para evitar que un solo inversor condicionase su estrategia, lo que permite suponer que, si ahora aceptan vender, consideran que han obtenido garantías suficientes para preservar la misión y desarrollarla con una abundancia de recursos mucho mayor. Lo único que da un poco de pena es que, de nuevo, estaríamos ante una compañía norteamericana adquiriendo talento europeo que decidió fundar la compañía en Nueva York y financiarla fundamentalmente con capital estadounidense, una prueba más de la incapacidad de Europa para sostener el desarrollo de un ecosistema empresarial potente.

Si la adquisición finalmente tiene lugar, será importante comprobar que la actual arquitectura multiplataforma de Hugging Face, que incluye GPUs de Nvidia pero también de AMD, de Intel, AWS Trainium e Inferentia y TPUs de Google, sigue preservándose como tal. Si Nvidia decidiese privilegiar sus propios modelos, hiciese más complicado acceder al hardware de otras compañías o alterase las recomendaciones, sería una señal muy peligrosa que terminaría probablemente por destruir aquello que está comprando y haría que la comunidad buscase o construyese otras plataformas. Pero si es capaz de mantener la visión estratégica de garantizar la neutralidad, la portabilidad, la continuidad de licencias, el acceso a modelos y datasets, y cierta autonomía de gobierno corporativo, estaríamos hablando seguramente de una buena noticia.

Que el mercado reconozca que el valor en la inteligencia artificial no está simplemente en crear el modelo más grande, sino en crear infraestructuras y bienes comunes que permiten innovar a otros parece algo positivo. Veremos cómo evoluciona la noticia: primero, si la operación se concreta, y después, los planes de Nvidia para la compañía. Pero en principio, indicaría que los mejores tiempos para la inteligencia artificial de código abierto están aún por llegar.

In English on Medium, «Nvidia’s $13 billion offer for Hugging Face is a strong bet on open source AI»

Como saben todos los que me leen habitualmente, llevo desde aproximadamente 2014, doce largos años ya, escribiendo sobre la que considero la compañía más irresponsable de la historia, y una de las más responsables de muchos de los males que padecen actualmente las sociedades humanas. El daño que Mark Zuckerberg, personal e individualmente, ha hecho a la humanidad es completamente inenarrable e imposible de ignorar: estamos, seguramente, ante uno de los mayores criminales de la historia, un auténtico psicópata completamente insensible ante el sufrimiento ajeno y para el que sus fines justifican absolutamente cualquier tipo de medio. Y junto con Zuckerberg, todos sus cómplices: los que trabajan para él, los que se anuncian en sus redes, los que compran sus acciones, y los que utilizan sus aplicaciones. Si estás en alguno o en varios de esos grupos, plantéate qué diablos estás haciendo con tu vida.

Esta semana, la desvergüenza alcanzó un nuevo límite: al ver que el juicio al que estaba siendo sometido pintaba mal, Zuckerberg decidió comprar su impunidad y alcanzar un acuerdo extrajudicial para evitar ser condenado. Es, simplemente, la enésima prueba de que Mark Zuckerberg puede hacer absolutamente lo que le dé la gana, porque sabe que siempre va a salir indemne. Ese es Mark Zuckerberg: un matón que no duda en hacer callar a quien denuncia sus métodos y que cuando no le gusta cómo pinta un eventual veredicto judicial, simplemente va, extiende un cheque y lo compra. En Meta están encantados.

Lo que se vende como un supuesto «castigo» a la compañía, que sus accionistas han celebrado inmediatamente, es una absoluta farsa. Una multa de «hasta» $18,000 millones, pagadera en diez cómodos plazos anuales, y dividida en una parte garantizada y otra contingente, $5,300 millones que sólo se pagarán si TikTok y YouTube terminan aceptando acuerdos equivalentes. Dado que Meta obtuvo en 2025 un beneficio neto de 60,458 millones y 196,175 millones únicamente en ingresos publicitarios según sus propios resultados financieros, incluso en el eventual y poco probable caso de que la sanción alcanzase el máximo, sería equivalente a menos de cuatro meses de beneficios, pero pagados a lo largo de toda una década. Una absoluta ridiculez. Cuando los accionistas celebran un supuesto castigo, es que simplemente no lo ha sido.

Por no comprometerse, Meta no se ha comprometido ni siquiera a sustituir su perverso algoritmo de recomendación. Simplemente tendrá que ofrecer a los adolescentes una opción de feed no personalizado, y recordársela periódicamente. Tampoco tendrá que eliminar el scroll infinito ni la reproducción automática, y el tiempo que los usuarios dediquen a mensajería y a contenidos audiovisuales quedará excluido del límite diario de uso. Es sencillamente asqueroso. Cabe destacar que son precisamente estos elementos, el scroll infinito, el autoplay, las notificaciones y las recomendaciones hiper-personalizadas, lo que la Unión Europea ha identificado como elementos del diseño adictivo. Meta puede, tranquilamente y sin oposición, preservar todo lo que convierte atención, compulsión y vulnerabilidad en publicidad. No hemos avanzado nada.

Lo más obsceno del tema es que Meta, simplemente, ha comprado el final del juicio. El proceso podría haber dado lugar a una declaración judicial de responsabilidad, a un precedente para más de tres mil demandas, a la obligación de publicar más documentación interna y al testimonio ante el juez del propio Zuckerberg. Había más de cien afirmaciones presuntamente engañosas en la documentación interna aportada. El modelo de Meta fue definido en la primera semana de juicio como «enganchar, retener, recolectar y ocultar«. Las consecuencias podrían haber sido realmente demoledoras. ¿Y qué ha hecho Meta? Simplemente, pagar para que el mecanismo que podría haber establecido esas responsabilidades fuese completamente desactivado. Absolutamente inmoral.

Cuando la culpa se diluye en una compañía con miles de empleados, no refleja lo que realmente debe reflejar. Independientemente de que esos empleados saben quiénes son y, a pesar de ello, son capaces increíblemente de mirarse al espejo (lo que refleja su aplastante hipocresía y su absoluta bajeza moral), el verdadero responsable de todo esto es uno: Mark Zuckerberg. Uno de los testigos, Arturo Béjar, declaró que había enviado a Zuckerberg datos detallados que reflejaban que el 51% de los adolescentes habían sufrido al menos una experiencia dañina durante la semana anterior mientras la compañía únicamente eliminaba contenido en un 0.02% de los casos, y Zuckerberg, simplemente, lo ignoró y no respondió. Según el propio Béjar, el acuerdo es equivalente a dejar fumar a los adolescentes, pero sólo un par de horas al día: limitar la exposición no hace más seguro al producto. ¿Cuántas veces puede el máximo responsable de una compañía recibir advertencias, ignorarlas, y seguir refugiándose tras la personalidad jurídica de su empresa? Asqueroso no… lo siguiente.

Además, el acuerdo está cuidadosamente redactado para no influir en el resto del mundo. Los cambios se limitan a los estados denunciantes, no suponen ningún tipo de admisión de responsabilidad, no establecen ningún precedente ni ningún estándar para otras jurisdicciones, y expiran a los diez años. En otros países, sin cambios. El Reino Unido ya ha pedido que se obligue a Meta a extender las mismas «protecciones» a su territorio.

¿Qué tendría que haber pasado? Simplemente, que alguien hubiese tenido la mínima calidad moral como para decir que ninguna multa ni sanción va a detener el daño provocado, y que la única posibilidad es desmontar esta compañía. Tendríamos que haber tenido una sentencia, una admisión de responsabilidad, indemnizaciones vinculadas a los ingresos obtenidos gracias a estas asquerosas prácticas, prohibición de la publicidad comportamental, y responsabilidad personal de quien realmente tomó todas esas decisiones con pleno conocimiento de todo: Mark Zuckerberg. Lo digo una vez más, y lo diré las veces que haga falta: estamos hablando de una de las compañías más nocivas de la historia, de auténticos criminales. Meta no debe reformarse: debe clausurarse.

Hablé sobre este mismo tema con Jon Garay para El Correo. A continuación, el texto completo del mensaje que le envié ayer, antes de escribir mi artículo:

Mi opinión sobre el acuerdo es muy, muy negativa. Las medidas (límites diarios, bloqueo nocturno, silenciamiento de notificaciones, ocultación de los “me gusta”, eliminación de determinados filtros y mayores controles parentales) son razonables dado el absoluto desastre de responsabilidad completamente criminal en el que vive sistemáticamente Meta, pero actúan únicamente sobre los bordes del problema y no sobre su origen. Meta podrá seguir utilizando el scroll infinito, la reproducción automática, las recomendaciones algorítmicas y la personalización publicitaria que convierten la captación compulsiva de atención en dinero. Además, las restricciones se aplicarán únicamente a los menores estadounidenses, muchas podrán ser desactivadas por sus padres y algunas de las supuestas novedades ya existían, aunque Meta había decidido no activarlas por defecto. El auditor independiente comprobará el cumplimiento de ese paquete limitado, pero no obligará a la compañía a demostrar que ha reducido efectivamente los daños.

Presentar como castigo el pago de hasta 18,000 millones de dólares en cómodos plazos durante diez años es casi una broma para una compañía que obtuvo más de 60,000 millones de beneficio solamente el año pasado. Peor aún: aproximadamente un tercio de esa cantidad solo se abonará si YouTube y TikTok aceptan acuerdos parecidos. Meta no admite responsabilidad, evita una sentencia que habría creado precedente, detiene la publicación de más documentos internos y preserva intacta su máquina de hacer dinero destruyendo sistemáticamente nuestra sociedad. La reacción más reveladora fue la de sus accionistas: las acciones subieron. Cuando el mercado celebra tu “castigo”, es evidente que el castigo no existe. 

Llevo desde 2014 denunciando que Meta experimenta con las emociones de sus usuarios, normaliza prácticas que jamás deberían haberse aceptado y responde a cada escándalo con disculpas, cambios cosméticos y la promesa de comportarse mejor. Una sanción real habría exigido reconocimiento de responsabilidad, indemnizaciones proporcionales al daño y no a la comodidad financiera de la empresa, cambios globales y verificables en el diseño algorítmico, supervisión independiente basada en resultados y responsabilidades penales personales para quienes conocían los daños y decidieron ignorarlos, empezando por el propio Zuckerberg. A estas alturas, cabe preguntarse qué tendría que hacer Zuckerberg para enfrentarse a una consecuencia verdaderamente seria: porque diseñar durante años productos adictivos para menores, ocultar lo que la propia empresa sabía y enriquecerse con ello parece, inexplicablemente, no ser suficiente. 

In English on Medium, «Zuckerberg buys his way out of trouble once again: will he ever face punishment for his crimes?»

En el año 2016, un Geoffrey Hinton que no era aún Premio Nobel pero sí ya considerado uno de los padres de la inteligencia artificial utilizó como ejemplo y predicción de futuro sobre los efectos de la inteligencia artificial en entornos profesionales a una profesión concreta, la de los radiólogos, y predijo su total desaparición a manos de algoritmos capaces de reconocer cualquier detalle en una imagen médica de forma infinitamente más fiable que cualquier profesional humano. Específicamente, afirmó que deberíamos dejar de preparar a radiólogos ya, porque era completamente obvio que la inteligencia artificial los superaría en sus capacidades antes de cinco años.

Un artículo en Knowable Magazine, «AI won’t replace radiologists, but will dramatically change their jobs«, reconstruye de manera especialmente interesante y razonada la evolución de esa predicción, con un final que ya todos conocemos: hoy los radiólogos no solo no han desaparecido, sino que su demanda ha aumentado en un 26%, y la práctica totalidad trabaja con herramientas de inteligencia artificial de manera cotidiana.

¿Qué pasó? Fundamentalmente, que Hinton, aunque acertó en cuanto a las capacidades de la tecnología, se equivocó completamente en lo referente al trabajo de radiólogo como tal. En efecto, una máquina ya es mucho mejor que un profesional humano a la hora de interpretar una imagen, pero la profesión de radiólogo es mucho, mucho más que simplemente interpretar imágenes. En su trabajo, un radiólogo relaciona las imágenes con muchas cosas; síntomas, analíticas, antecedentes, exploraciones presentes y anteriores, etc. y en función de su juicio profesional decide si es necesario llevar a cabo nuevas pruebas, comunica sus impresiones, discute con colegas de otras especialidades, o incluso lleva a cabo determinados tratamientos mínimamente invasivos en el caso de la radiología intervencionista, como colocar un port-a-cath en una vía central, o muchos otros procedimientos. Leer e interpretar imágenes es, únicamente, una parte del trabajo de un radiólogo.

El desarrollo de la tecnología de imagen médica hizo también que la demanda creciese mucho más rápido que la automatización. En sociedades más envejecidas, con más casos de cáncer y más enfermedades crónicas, con mejores escáneres, con indicaciones nuevas y con más medicina con base preventiva, la cantidad de imágenes generadas se disparó, lo que ha dado lugar a una fuerte escasez de radiólogos. La inteligencia artificial puede, en efecto, hacer al radiólogo más productivo, pero esa productividad adicional se absorbe por una demanda muy superior y parcialmente insatisfecha. El papel de la tecnología ha sido el de poder ofrecer capacidad adicional en sistemas médicos congestionados, pero nunca el de plantear la sustitución de profesionales.

La inteligencia artificial en radiología a día de hoy se usa, por ejemplo, para ordenar secuencias de forma que los casos urgentes sean examinados antes, para señalar anomalías, para segmentar lesiones, para calcular volúmenes en imágenes bidimensionales, para comparar imágenes sucesivas, para descartar casos claramente normales y para redactar informes. Fundamentalmente, como soporte al profesional humano, nunca como sustitución del mismo. Además, parte del trabajo de los radiólogos ahora es precisamente «controlar» a la inteligencia artificial: cuando confiar en el algoritmo, cuando vetar sus conclusiones o cuando deducir que está actuando fuera de sus límites. El uso de la inteligencia artificial no hace que automáticamente el profesional mejore sus diagnósticos: el supuesto «centauro» que siempre es mejor es una simplificación burda de la realidad. De hecho, introducir la inteligencia artificial obliga a introducir también formación, auditorías y vigilancia para evitar que los profesionales caigan en el sesgo de automatización y confíen demasiado en la tecnología.

¿Podemos extrapolar lo ocurrido en la radiología a otras profesiones y ocupaciones? Lo más habitual es que al hacer este tipo de juicios, confundamos una tarea concreta con todo un trabajo. La inmensa mayoría de los puestos se recomponen en torno al nuevo contexto generado por la inteligencia artificial, redefinen sus responsabilidades, sus relaciones, la forma de definir los problemas o la revisión de excepcionalidades. La inteligencia artificial está cambiando las tareas y capacidades demandadas, pero no haciendo desaparecer la mayoría de los trabajos.

El ejemplo de los radiólogos no es una demostración de que no exista destrucción de empleo debido a la inteligencia artificial, pero sí de que una tecnología capaz de automatizar una parte significativa de una ocupación es susceptible de terminar generando más servicio, mejores resultados y una necesidad sostenida o incluso creciente de profesionales. Para entenderlo, es importante analizar no la tarea que se automatiza como tal, sino el sistema económico y organizacional en el que se integra. Al final, esa profesión que se suponía que tenía que desaparecer según la predicción de nada menos que un Premio Nobel no sólo no lo hace, sino que goza de buena salud: más inteligencia artificial, más radiólogos.

In English on Medium, «Geoffrey Hinton could perhaps be right about AI… but wrong about radiologists«

Mi columna de esta semana en Invertia se titula «Cuando el talento ya no necesita a Silicon Valley» (pdf), y trata sobre una transformación que me parece particularmente interesante: qué ocurre cuando el talento tecnológico deja de estar inevitablemente asociado a un lugar concreto, y cuando el ecosistema que durante décadas funcionó como la gran aspiradora mundial de ingenieros, emprendedores e inversores empieza a comprobar que esa capacidad de atracción ya no puede darse por supuesta.

La excusa para hablar de ello es un estudio reciente de CBRE que muestra cómo, entre 2022 y 2025, el área de Nueva York alcanzó los 394,300 trabajadores tecnológicos, frente a los 375,730 del área de la Bahía de San Francisco. Obviamente, esto no significa que Silicon Valley haya dejado de ser el ecosistema tecnológico más importante del mundo: CBRE sigue situándolo como el principal mercado tecnológico, y continúa concentrando cantidades enormes de capital, compañías, laboratorios y talento. Pero sí sugiere que la relación entre talento y territorio está empezando a cambiar de una manera que merece la pena observar.

Durante décadas, la ventaja de Silicon Valley se construyó alrededor de una combinación extraordinariamente poderosa de universidades como Stanford y Berkeley, profesores que empujaban a sus alumnos a crear compañías, inversores dispuestos a financiarlas, empleados que podían pasar fácilmente de una empresa a otra y una cultura que convertía el emprendimiento tecnológico en la opción más natural del mundo. Un estudio de Stanford calculó que las compañías fundadas por antiguos alumnos y profesores de la universidad generaban unos 2,7 billones de dólares anuales y millones de puestos de trabajo, mientras que distintos trabajos académicos han descrito precisamente a Stanford y Berkeley como auténticos motores del ecosistema de innovación de Silicon Valley. El resultado fue un efecto de concentración brutal: estudiabas allí, conocías allí a tus posibles cofundadores, encontrabas allí a tus primeros empleados, conseguías allí el dinero y, naturalmente, terminabas creando allí tu compañía.

La inteligencia artificial está empezando a alterar esa lógica, entre otras cosas porque la cantera de talento ha cambiado radicalmente. Según los datos del Global AI Talent Tracker de MacroPolo, China pasó de originar alrededor del 29% del talento puntero en inteligencia artificial en 2019 a aproximadamente el 47% en 2022, mientras Estados Unidos se quedaba en torno al 18%. Es decir, prácticamente uno de cada dos investigadores de élite en inteligencia artificial se forma inicialmente en China, en universidades como Tsinghua, Peking, Zhejiang o Fudan, como resultado de una apuesta por la educación científica y tecnológica sostenida durante años.

Estados Unidos sigue siendo, por supuesto, extraordinariamente bueno atrayendo ese talento, y una buena parte de los mejores investigadores chinos terminan trabajando en universidades y compañías estadounidenses. De hecho, un análisis reciente de la Carnegie Endowment encontró que la inmensa mayoría de un grupo de investigadores chinos de élite que ya trabajaban en Estados Unidos años atrás seguían allí. Pero incluso esa capacidad empieza a mostrar síntomas preocupantes: el AI Index 2026 de Stanford señala que el número de investigadores y desarrolladores de inteligencia artificial que se trasladan a Estados Unidos ha caído de manera muy significativa desde 2017. En un país que ha construido buena parte de su ventaja tecnológica precisamente importando a los mejores cerebros del mundo, convertir la inmigración en un terreno hostil, burocrático o directamente desagradable parece una forma especialmente absurda de deteriorar una de sus ventajas competitivas más importantes.

China, además, ya no es simplemente una cantera que exporta talento: está construyendo activamente las condiciones para que ese talento pueda quedarse o regresar. El caso de DeepSeek es ilustrativo: Nature explica cómo su aparición está vinculada a políticas públicas, financiación y una cantera creciente de graduados en inteligencia artificial, mientras otras investigaciones analizan la agresiva política china de captación y retorno de científicos y los esfuerzos por atraer talento internacional. Lo que antes era casi una obligación, marcharse a Estados Unidos para trabajar en la cresta de la ola tecnológica, empieza a convertirse simplemente en una opción más. Y dado como tratan a la inmigración extranjera en los Estados Unidos de Donald Trump, muchas veces no la opción más apetecible.

La consecuencia es que la geografía de la innovación se vuelve negociable: un investigador brillante ya no necesita necesariamente pasar por Stanford, instalarse en Palo Alto y buscar financiación en Sand Hill Road. Puede trabajar en Nueva York, Seattle, Londres, París, Pekín, Shenzhen o cualquier otro lugar capaz de ofrecerle buenos proyectos, acceso a recursos de computación, colegas interesantes, financiación, calidad de vida y una política migratoria razonable y con sentido. Además, la movilidad ya no rompe necesariamente las redes intelectuales: un estudio publicado en Scientific Reports, basado en cientos de miles de científicos de inteligencia artificial y millones de publicaciones, muestra hasta qué punto las redes de colaboración entre China y Estados Unidos persisten incluso cuando los investigadores se desplazan de un país a otro.

Y esa distinción entre dónde se forma el talento, dónde decide trabajar y dónde se concentra el capital me parece fundamental para entender lo que está ocurriendo. En formación, China está avanzando a enorme velocidad. En empleo, Estados Unidos continúa siendo un imán poderosísimo, pero menos indiscutible que antes. Y en capital, Silicon Valley sigue dominando de manera abrumadora: CBRE calcula que el Bay Area ha captado alrededor del 80% del venture capital estadounidense destinado a compañías de inteligencia artificial desde 2020, mientras que The Wall Street Journal señalaba recientemente que California continúa concentrando más inversión en startups que el resto de los estados del país juntos.

La cuestión, por tanto, no es afirmar que Silicon Valley haya muerto, algo obviamente falso, sino preguntarse si ha dejado de ser inevitable. Durante décadas, la tecnología parecía necesitar una capital, un lugar al que había que ir para estar realmente en el centro de las cosas. Puede que la inteligencia artificial esté empezando a demostrar precisamente lo contrario: que cuando el talento se forma en muchos lugares, puede moverse con relativa facilidad y encuentra oportunidades igualmente interesantes en ecosistemas muy diferentes, la innovación deja de tener necesariamente una única dirección postal.

In English on Medium, «Why AI talent no longer automatically heads for Silicon Valley«

La británica Raspberry Pi se ha convertido en viral esta semana haciéndose eco de una afición de nicho: los llamados cyberdecks, u ordenadores portátiles personalizados construidos por uno mismo. La compañía ha publicado su guía oficial para crear tu propio cyberdeck utilizando sus ordenadores.

Este tipo de proyectos, habituales dentro de la comunidad maker, llevaba un cierto tiempo viralizándose con proyectos que se movían a través de Instagram, TikTok y otras redes, con ordenadores que se disfrazan de bolsos, joyeros, maletines o incluso latas de caramelos de menta. Ahora, con el principal fabricante de ordenadores de placa única adoptando la tendencia, esto deja de ser simplemente una rareza y se convierte en algo que, además, me parece enormemente didáctico y positivo.

¿A qué nos referimos exactamente con cyberdeck? Básicamente, a un ordenador portátil construido de manera artesanal, típicamente usando una Raspberry Pi o alguna variación de ese tipo de ordenadores, con una pantalla, un teclado, alimentación, y alguna carcasa elegida bien por su diseño, o para la utilidad que se pretende extraer de él. El término procede del «Neuromancer« de William Gibson, y la idea es diseñar un ordenador para satisfacer una necesidad que un portátil convencional no cubre, o simplemente por el placer de hacerlo.

¿Quién querría fabricarse su propio ordenador? Cualquiera, por ejemplo, que quiera meter un ordenador en una caja estanca, en un bolso o en una caja de lata de caramelos. Lo que propone el tutorial es usar un Raspberry Pi 5, una pantalla táctil de 7 pulgadas, un teclado Bluetooth, una batería y unos altavoces, que instala en un maletín resistente al agua. Pero si quieres llevar el tema cerca de sus límites, puedes probar a usar un Raspberry Pi Zero, una pantalla de sólo dos pulgadas y un teclado fabricado a mano, y meterlo todo en una lata de Altoids.

Tengamos en la cabeza que no se trata de construir un portátil malo, sino de plantear un dispositivo pensado para una función determinada. Puedes incorporar una radio definida por software, una GPIO accesible, sensores del tipo que quieras, controles físicos, baterías intercambiables o almacenamiento local. Todo vale si funciona para el fin que tenías en la cabeza, como cuando nos montábamos nosotros los ordenadores porque queríamos elegir uno a uno sus componentes.

Además, puedes perfectamente plantear una utilidad didáctica: plantearlo como proyecto obliga a ejercitar habilidades de diseño industrial, de electrónica, de programación, de gestión de energía, de sistemas operativos, de impresión 3D, de soldadura, de ergonomía y de resolución de problemas. Auténtico aprendizaje bien motivado, con objetivos reales y posibles errores concretos que hay que resolver. Se trata de vernos a nosotros mismos no tanto como consumidores que vamos a una tienda y compramos un laptop, sino como alguien capaz de crear sus propias herramientas. En ese tipo de proyectos, en muchos casos, el DIY (Do It Yourself) tiende a evolucionar hacia un DIT (Do It Together) muy interesante en términos de dinámica de clase.

Al final, este tipo de cuestiones son más una pequeña rebelión contra las cajas negras, contra la dinámica que nos lleva a vivir cada vez más rodeados de dispositivos más potentes, mejor terminados y herméticos, sellados con adhesivos imposibles de quitar, que el usuario es incapaz de abrir, de entender y mucho menos aún, de reparar. El cyberdeck busca justamente lo contrario: un dispositivo con sus tornillos, cables, componentes y placa a la vista, que el usuario entiende porque lo ha construido él mismo, y cuyos componentes puede, si quiere, ir sustituyendo o actualizando. Es, básicamente, autonomía tecnológica que conecta con derechos como el derecho a reparar, con la reutilización de componentes o con la prolongación de la vida útil de los productos, a lo que añadimos el estímulo de la curiosidad y la competencia técnica que nos da la cultura maker.

¿Anecdótico? Tal vez. ¿Interesante? Mucho.

In English on Medium, «Cyberdecks: computers to understand computers again»