Durante los dos últimos años, las empresas han estado haciéndose la pregunta equivocada: ¿cómo usamos la inteligencia artificial en nuestros procesos?

Al principio tenía sentido. Cuando aparecieron los grandes modelos de lenguaje, el instinto era natural: tomar lo que ya existía, como workflows, funciones, cadenas de decisión, etc. e intentar acelerarlo. Añadir copilots. Añadir asistentes. Añadir capas de automatización. Mejorar la productividad.

Pero, como hemos visto, ese enfoque no escala. Como argumenté en mis artículos anteriores, la inteligencia artificial empresarial no ha fracasado porque la tecnología no funcione. Ha fracasado porque intentamos colocarla en la capa equivocada. Los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa, y encajarlos dentro de procesos existentes no cambia ese desajuste estructural.

Ahora que el entusiasmo inicial ha chocado con la realidad, empieza a emerger otra pregunta, silenciosamente pero de forma inequívoca: ¿y si el problema no es cómo usar inteligencia artificial en nuestros procesos, sino que nuestros procesos nunca fueron diseñados para la inteligencia artificial?

El regreso de una vieja idea (pero esta vez de verdad)

En los años noventa, la reingeniería de procesos de negocio (Business Process Reengineering, o BPR) prometía algo radical: rediseñar las empresas alrededor de sistemas de información en lugar de limitarse a superponer tecnología sobre workflows existentes. La idea era potente, pero la ejecución fue desigual. Muchas iniciativas acabaron siendo reorganizaciones costosas con poco impacto duradero, en parte porque los sistemas subyacentes seguían siendo rígidos, fragmentados e incapaces de adaptarse en tiempo real.

Esta vez es diferente.

Entonces, los sistemas eran pasivos. Almacenaban información, aplicaban reglas y apoyaban decisiones tomadas por humanos. Hoy, los sistemas empiezan a ser activos: pueden generar, evaluar, coordinar y, cada vez más, actuar. Ese cambio altera completamente la ecuación. Significa que ya no estamos simplemente digitalizando procesos: estamos redefiniendo qué es un proceso.

La investigación más reciente de McKinsey sobre adopción de inteligencia artificial refuerza exactamente este punto: aunque el uso es masivo, el impacto real se correlaciona fuertemente con el rediseño de workflows, no simplemente con desplegar herramientas. Las organizaciones que replantean cómo se redefine el trabajo, y no solo con que tecnología se lleva a cabo, son las pocas que están viendo mejoras medibles.

En otras palabras, la promesa original del BPR está reapareciendo, pero ahora la tecnología sí puede sostenerla.

Por qué la mayoría de los procesos son incompatibles con la inteligencia artificial

La verdad incómoda es que la mayoría de los procesos empresariales actuales no son solo ineficientes. Son estructuralmente incompatibles con el tipo de sistemas en que la inteligencia artificial se está convirtiendo.

Son:

• Fragmentados: repartidos entre herramientas, equipos y silos de datos.
• Secuenciales: construidos alrededor de traspasos y retrasos.
• Pobres en contexto: dependen de individuos para reconstruir el estado.
• Latentes en la toma de decisiones: optimizados para revisión, no para acción.
• Diseñados para humanos: asumen que la cognición, la memoria y la coordinación son escasas.

Estas características tenían sentido en un mundo donde el factor limitante eran las personas. No lo tienen en un mundo donde los sistemas pueden mantener contexto, aplicar restricciones y operar de forma continua.

Deloitte resume bien esta tensión en su análisis reciente sobre inteligencia artificial agéntica: muchas organizaciones están intentando automatizar procesos diseñados para humanos en lugar de replantear el propio trabajo. El resultado es previsible: aumenta la complejidad, pero los resultados no mejoran proporcionalmente.

No es un problema de herramientas. Es un problema de diseño.

La inteligencia artificial no optimiza procesos: los deja al descubierto

Uno de los patrones más consistentes en las iniciativas de inteligencia artificial empresarial es este: cuanto más intentas aplicar inteligencia artificial a un proceso existente, más visibles se vuelven las limitaciones de ese proceso.

Lo que antes estaba oculto detrás del esfuerzo humano pasa a hacerse explícito:

• datos ausentes
• reglas inconsistentes
• propiedad difusa
• trabajo duplicado
• bucles de retroalimentación lentos

En ese sentido, la inteligencia artificial se comporta menos como una capa de optimización y más como una herramienta de diagnóstico. Revela la distancia entre cómo una empresa cree operar y cómo opera realmente.

Por eso tantos pilotos se atascan. No porque falle el modelo, sino porque el proceso en el que se inserta no puede absorber lo que el modelo produce. Como ha señalado el MIT, el desafío no consiste simplemente en adoptar inteligencia artificial, sino en rediseñar las organizaciones para que realmente puedan utilizarla eficazmente.

Y eso lleva a una conclusión mucho más incómoda: el factor limitante ya no es la tecnología. Es la empresa.

De procesos a sistemas

Si la fase anterior de la inteligencia artificial empresarial consistía en añadir inteligencia a tareas, la siguiente consistirá en rediseñar sistemas para que la inteligencia esté integrada desde el principio.

Ese cambio lo altera todo. En lugar de preguntar “¿cómo automatizamos este paso?”, las empresas tendrán que preguntarse:

«¿Por qué existe este paso?»
«¿Cómo sería este proceso si estuviera diseñado alrededor de contexto continuo?»
«¿Dónde deberían producirse realmente las decisiones?»
«¿Qué restricciones deberían aplicarse automáticamente?»

No son mejoras incrementales. Son preguntas estructurales.

Y apuntan hacia un tipo diferente de organización: una donde los procesos dejan de ser secuencias estáticas de acciones y pasan a ser sistemas dinámicos que mantienen estado, integran datos, operan bajo restricciones y se adaptan continuamente a partir de resultados. Exactamente las mismas características que definían los sistemas descritos en mi artículo anterior.

Las empresas que se muevan primero serán muy diferentes

Aquí es donde el cambio empieza a hacerse visible. Las empresas que logren rediseñar con éxito sus procesos alrededor de estos principios no serán simplemente más rápidas o más eficientes. Operarán de otra manera:

• las decisiones ocurrirán más cerca de los datos
• la coordinación requerirá menos traspasos
• los bucles de retroalimentación se acortarán drásticamente
• la ejecución se volverá más continua
• los roles evolucionarán alrededor de sistemas, no de tareas

El Work Trend Index de Microsoft ya apunta hacia esta transición, describiendo organizaciones que evolucionan hacia estructuras más dinámicas y orientadas a resultados, donde humanos e inteligencia artificial colaboran alrededor de objetivos y no de funciones.

Desde fuera, estas empresas quizá no parezcan muy distintas al principio. Pero internamente, su lógica operativa habrá cambiado. Y ese cambio se acumula.

Esto no es opcional

Es tentador pensar en todo esto como una oportunidad. Y lo es. Pero también es otra cosa: una restricción.

Porque una vez que algunas empresas empiecen a operar así, las demás ya no competirán contra mejores herramientas. Competirán contra un tipo distinto de sistema.

Un sistema que:

• aprende más rápido
• se adapta continuamente
• coordina con mayor eficiencia
• ejecuta con menos retrasos

Eso no es algo que puedas igualar añadiendo otro copilot o desplegando otro modelo. Requiere rediseño.

La próxima fase de la inteligencia artificial empresarial será organizativa

Si la primera fase de la inteligencia artificial en la empresa fue la experimentación, y la segunda la toma de conciencia, la siguiente será la transformación.

No una transformación impulsada por modelos, sino por estructura. No estamos pasando de una «inteligencia artificial peor» a una «inteligencia artificial mejor». Estamos pasando de empresas construidas para humanos a empresas que deben operar con máquinas como parte de su lógica central.

Y eso exige algo que muchas organizaciones han evitado durante décadas: reconstruir la forma en que realmente trabajan.

La verdadera pregunta

Así que la pregunta ya no es «¿cómo usamos inteligencia artificial?» La pregunta es: «¿Estamos dispuestos a rediseñar nuestra empresa para que la inteligencia artificial pueda funcionar de verdad?»

Porque si la respuesta es no, el resultado ya está claro: la inteligencia artificial no fracasará. Pero tus procesos, sí.

(This article was previously published on Fast Company)

California acaba de hacer algo que, por obvio, resulta casi revolucionario: dejar de tratar la inteligencia artificial como una simple cuestión de innovación tecnológica y empezar a tratarla como lo que realmente es, una cuestión de política económica, de distribución de riqueza y de poder. La nueva orden ejecutiva de Gavin Newsom no parte del entusiasmo infantil de «preparemos a todos para los empleos del futuro», sino de una premisa mucho más incómoda: habrá disrupción, habrá sectores muy afectados, habrá muchos trabajadores desplazados, y si el estado no mide, anticipa y regula ese proceso, la factura volverá a caer sobre los mismos de siempre.

Lo interesante no es que California hable de formación, reciclaje profesional o alfabetización en inteligencia artificial. Eso ya lo había hecho antes, incluso asociándose con Google, Microsoft, IBM y Adobe para llevar certificaciones, prácticas y programas de inteligencia artificial generativa a institutos y universidades públicas. Lo verdaderamente importante es el cambio de tono: la IA deja de ser presentada únicamente como una herramienta para aumentar la productividad y pasa a aparecer como un fenómeno que puede requerir seguros de desempleo, estándares de indemnización, participación en capital, modelos de propiedad de los trabajadores, cambios en la ley WARN, paneles públicos de seguimiento sectorial e incluso mecanismos para que una parte del valor generado por las compañías de inteligencia artificial se destine a usos de interés público.

Ese giro es fundamental. Durante los primeros años de la inteligencia artificial generativa, la interpretación dominante fue una mezcla de evangelismo tecnológico, determinismo histórico y consultoría barata: «la inteligencia artificial no te quitará el trabajo, te lo quitará alguien que sepa usar inteligencia artificial mejor que tú». Era una frase perfecta para conferencias, cursos y titulares, pero pésima como diagnóstico social. California parece empezar a entender que el problema no es si cada trabajador aprende a escribir prompts, sino qué ocurre cuando las empresas descubren que pueden reorganizar procesos completos, reducir capas enteras de trabajo cualificado y concentrar aún más los beneficios de la automatización en accionistas, directivos y propietarios de infraestructura computacional.

La orden ejecutiva tiene un importante valor simbólico porque llega desde el territorio que más se ha beneficiado de esa concentración. California presume, con razón, de ser el mayor ecosistema de innovación del mundo y de alojar 33 de las 50 principales compañías privadas de inteligencia artificial. Pero precisamente por eso su movimiento resulta especialmente revelador: cuando el lugar que produce la disrupción empieza a prepararse para protegerse de ella, el resto del mundo debería dejar de mirar la inteligencia artificial como una promesa abstracta y empezar a verla como una política industrial de primer orden.

No hablamos de una reacción aislada. El AI Index 2026 de Stanford muestra un fenómeno con dos frentes claros: inversión privada disparada, adopción organizativa creciente y capacidades técnicas en rápida expansión, pero también efectos laborales desiguales, especialmente en los trabajadores más jóvenes de ocupaciones expuestas. Según Stanford, el empleo de desarrolladores de software de 22 a 25 años ha caído cerca de un 20% desde 2024, y una parte significativa de las empresas espera reducir plantilla en el próximo año. La misma Stanford destaca además que los estadounidenses son particularmente escépticos: solamente un 33% cree que la inteligencia artificial mejorará su trabajo, y la confianza en la capacidad del gobierno para regularla es muy baja.

Ese es el contexto real: no una revolución tranquila, sino una tensión creciente entre quienes diseñan la tecnología, quienes la financian y quienes la sufren. Los expertos tienden a ver posibilidades; el público ve riesgo, opacidad y pérdida de control. Una tecnología que avanza más deprisa que la capacidad social para comprenderla, gobernarla o confiar en ella. Y esa frase debería estar enmarcada en todos los despachos públicos: una tecnología que avanza más rápido que la gobernanza no es progreso, es simplemente poder sin contrapesos.

Por supuesto, la orden de Newsom no satisface a todos. La Federación Laboral de California la ha recibido con una mezcla de reconocimiento y crítica: está bien que el gobernador admita el daño potencial de la inteligencia artificial sobre los trabajadores, pero estudiar no basta, y la pérdida masiva de empleo no debe tratarse como una fatalidad inevitable, sino como una decisión política. Esa objeción es muy relevante, porque señala la diferencia entre gobernar la transición y limitarse a documentarla. Un dashboard sobre el impacto de la inteligencia artificial puede ser útil; pero si solo sirve para certificar el deterioro una vez producido, será otra forma elegante de llegar tarde.

La parte más sugerente de la orden es, precisamente, la que rompe con el lenguaje habitual de la «empleabilidad». Hablar de «universal basic capital«, de propiedad de los trabajadores o de participación en el valor generado por la productividad equivale a reconocer que la inteligencia artificial no es solo una cuestión de salarios, sino de propiedad. Si la productividad ya no procede únicamente del trabajo humano, sino de modelos entrenados con datos colectivos, infraestructura masiva y una concentración extraordinaria de capital, entonces la pregunta deja de ser «¿qué curso debe hacer el trabajador desplazado?» y pasa a ser «¿quién va a capturar (o está capturando ya) la renta de la automatización?». Esa es la pregunta incómoda. Y es exactamente la que la mayoría de gobiernos siguen evitando.

California será representativa para el resto del mundo en un sentido muy preciso: no porque sus soluciones sean exportables sin más, sino porque allí aparecerán antes las contradicciones. Silicon Valley ha sido durante décadas el laboratorio donde primero se veían las promesas de la tecnología; ahora puede convertirse en el laboratorio donde primero se vean sus costes sociales. Los países que hoy miran la inteligencia artificial como una carrera por atraer centros de datos, startups y talento deberían fijarse más en esta orden que en cualquier keynote de una gran tecnológica. La verdadera madurez no consiste en aplaudir cada nuevo modelo, sino en preguntarse qué instituciones serán necesarias cuando esos modelos empiecen a reorganizar mercados laborales enteros.

También hay una diferencia importante con las primeras interpretaciones de la inteligencia artificial generativa. Al principio se habló mucho de creatividad aumentada, productividad individual, asistentes personales y democratización del conocimiento. Todo eso existe, y sería absurdo negarlo. Pero la fase actual es distinta: las empresas ya no están experimentando con chatbots, sino rediseñando estructuras de costes. La inteligencia artificial ha pasado de ser una herramienta en manos del trabajador a ser un argumento en manos del consejo de administración. Ese desplazamiento semántico es crucial: cuando una tecnología entra en Excel, ya no se discute en términos de fascinación, sino de márgenes, plantilla y retorno sobre el capital.

Por eso California importa. No porque Newsom haya encontrado alguna fórmula mágica, sino porque ha puesto sobre la mesa un marco más adulto: innovación sí, pero con señales tempranas. Adopción sí, pero con negociación colectiva. Productividad sí, pero con reparto. Formación sí, pero no como coartada para abandonar a quienes sean desplazados. Colaboración con las grandes tecnológicas sí, pero sin confundir el interés público con el folleto comercial de quienes venden la tecnología.

La pregunta para Europa, para España y para cualquier economía que aspire a algo más que consumir herramientas diseñadas en otro sitio es evidente: ¿vamos a esperar a que la disrupción llegue convertida en estadísticas de desempleo, o vamos a diseñar antes los mecanismos de reparto, protección y gobernanza? Porque la inteligencia artificial no es inevitable en sus consecuencias. Lo inevitable, si no hacemos nada, es que siga el patrón habitual: socialización de costes, privatización de beneficios y una narrativa optimista cuidadosamente empaquetada para que parezca modernidad lo que en realidad es una transferencia masiva de poder.

California acaba de admitir que la inteligencia artificial no se gobierna con entusiasmo. Se gobierna con datos, con derechos, con negociación, con fiscalidad, con propiedad y con una pregunta que muchos preferirían no escuchar: si las máquinas van a producir más riqueza que nunca, ¿por qué deberíamos aceptar que esa riqueza pertenezca a menos gente que nunca?

Read this article in English on Medium with no paywall using this link, «How Gavin Newsom’s AI Executive Order raises the age-old question of who owns the means of production»

Mi columna de esta semana en Invertia se titula «Europa descubre el botón de apagado» (pdf), y trata sobre cómo Europa ha empezado, por fin, a comprender que su dependencia tecnológica de las grandes compañías estadounidenses no era simplemente una cuestión de comodidad o eficiencia, sino un problema estratégico de primer orden.

El detonante de esa toma de conciencia lo analiza muy bien un reciente artículo en Wired, «The EU Is going through a Trump-fueled breakup with Big Tech«, que explica cómo el retorno de Donald Trump y el uso crecientemente agresivo del poder político estadounidense han acelerado en Europa un debate que llevaba años latente: el de la soberanía digital.

La idea de que un gobierno europeo pueda depender de herramientas, infraestructuras o servicios sometidos a jurisdicciones extranjeras empieza a resultar cada vez más inquietante cuando la política exterior de ese país se vuelve imprevisible, injustificable o abiertamente hostil. La decisión francesa de sustituir progresivamente herramientas como Microsoft Teams, Zoom o Webex por soluciones propias para sus millones de funcionarios no responde únicamente a un impulso proteccionista o nacionalista, sino a la constatación de que la dependencia tecnológica tiene implicaciones geopolíticas muy reales.

El episodio que actuó como catalizador fue especialmente significativo: las sanciones de la administración Trump al fiscal de la Corte Penal Internacional Karim Khan, que provocaron restricciones de acceso a servicios tecnológicos esenciales. De repente, algo que muchos consideraban una discusión académica pasó a verse como una amenaza tangible: si un proveedor extranjero te puede cortar el acceso a herramientas críticas por motivos políticos, entonces la autonomía institucional queda claramente comprometida.

La administración francesa ya habla explícitamente de «reducir dependencias extraeuropeas», y ha pedido a todos sus ministerios planes concretos para abandonar tecnologías estratégicas controladas desde fuera de la Unión Europea, según explica el propio gobierno francés. Y Francia no está sola: el debate se extiende cada vez más por toda Europa, mientras medios como TechCrunch o The Next Web empiezan a tratar estas iniciativas como algo estructural, y no simplemente anecdótico.

El problema, desde mi punto de vista, es que Europa llega muy tarde. Durante décadas ha permitido que prácticamente todas las capas críticas de su ecosistema digital quedasen dominadas por empresas estadounidenses: sistemas operativos, servicios de cloud computing, plataformas de productividad, inteligencia artificial, redes sociales o herramientas de colaboración. Un informe reciente del Parlamento Europeo reconoce precisamente esa vulnerabilidad y plantea la necesidad de desarrollar capacidades propias, interoperables y abiertas.

La Comisión Europea también ha comenzado a mover ficha con iniciativas como el Digital Commons EDIC, orientado a promover infraestructuras digitales abiertas y reutilizables. Pero el desafío es enorme: construir soberanía digital no significa simplemente cambiar una aplicación por otra con bandera europea, sino desarrollar un ecosistema basado en estándares abiertos, interoperabilidad y capacidad real de elección. Porque si la alternativa europea termina siendo simplemente software peor financiado y menos competitivo protegido artificialmente por razones políticas, el remedio podría acabar siendo peor que la enfermedad.

Como advierte un interesante análisis del Atlantic Council, el verdadero riesgo es confundir soberanía con aislamiento. Europa necesita autonomía tecnológica, pero no una especie de «internet nacional» burocrática y cerrada. Necesita capacidad de decisión, no autarquía digital.

En realidad, lo más llamativo es que Donald Trump haya terminado haciendo más por la soberanía digital europea que años enteros de debates regulatorios, informes y declaraciones institucionales. La amenaza política ha convertido una cuestión aparentemente técnica en algo inmediato y perfectamente comprensible: quien controla tu infraestructura digital tiene, potencialmente, capacidad para condicionar tus decisiones. Y eso, para cualquier proyecto político que aspire a tener autonomía real, es sencillamente inaceptable.

You can read this article in English on Medium with no paywall using this link, «Europe discovers the off switch»

Hay pocas historias más irónicas que la de una industria nacida para reinventar el dinero que ahora empieza a preocuparse por otra tecnología nacida, también, para reinventarlo todo: la computación cuántica. Una prometía acabar con los intermediarios, con la inflación arbitraria, con la captura del sistema financiero por bancos centrales y gobiernos. La otra lleva décadas prometiendo resolver problemas imposibles para la computación clásica. Y las dos comparten algo muy característico de nuestra época: han sido extraordinariamente eficaces a la hora de generar expectativas, titulares, rondas de financiación y especulación, pero bastante menos a la hora de producir cambios reales, cotidianos y masivos.

La noticia tiene un punto casi literario: mientras el gobierno estadounidense presume de reserva estratégica de bitcoin, anuncia también una apuesta de unos 2,000 millones de dólares en compañías de computación cuántica, con IBM como principal beneficiaria y GlobalFoundries, Rigetti, D-Wave o Infleqtion entre las empresas mencionadas. Es decir: el mismo Estado que algunos querían imaginar como futuro comprador disciplinado de bitcoin está poniendo dinero en una tecnología que, si alguna vez cumple sus promesas, podría poner en cuestión una parte esencial de la seguridad criptográfica sobre la que descansa ese ecosistema.

El problema no es nuevo. Bitcoin no «se rompe» mañana porque aparezca un titular sobre ordenadores cuánticos. Pero tampoco es razonable seguir repitiendo, con esa mezcla de fe y arrogancia tan habitual en el mundo cripto, que «no pasa nada». Un paper reciente de Google Quantum AI sostiene que los recursos necesarios para atacar criptografía de curva elíptica podrían ser menores de lo estimado anteriormente, y recomienda a la comunidad cripto empezar a migrar hacia criptografía post-cuántica antes de que el problema sea operativo.

La cuestión es especialmente incómoda para bitcoin porque su gran virtud, la descentralización, es también su gran dificultad. Ethereum puede crear equipos, hojas de ruta y mecanismos relativamente coordinados. Ripple, Circle o Tron pueden diseñar planes corporativos para proteger carteras o infraestructuras. Bitcoin, en cambio, es deliberadamente resistente a la coordinación centralizada. No hay CEO, no hay comité ejecutivo, no hay nadie que pueda ordenar una migración. Esa es precisamente la belleza del sistema, pero también su fragilidad cuando aparece una amenaza que exige actuar de forma coordinada. Un artículo reciente del Financial Times lo resume bien: la amenaza ha pasado de «teórica» a «creíble», pero bitcoin sigue sin una propuesta clara que proteja a todos los tenedores.

La vulnerabilidad tampoco afecta por igual a todos. Glassnode ha estimado que unos 6.04 millones de bitcoins, valorados en torno a 469,000 millones de dólares, podrían estar expuestos en un escenario futuro por tener claves públicas ya visibles en la cadena, especialmente por reutilización de direcciones. Sólo los exchanges concentrarían alrededor de 1.66 millones de BTC en carteras potencialmente inseguras. La cifra no significa que alguien vaya a robar mañana medio billón de dólares. Significa algo más interesante: que una tecnología construida sobre la idea de que «el código es la ley» descubre que la ley puede necesitar ser reescrita.

Y ahí aparece la paradoja de fondo. La criptoeconomía fue, en su origen, un proyecto intelectual fascinante: dinero programable, resistente a la censura, con reglas transparentes y sin necesidad de confiar en intermediarios. Pero la industria que se construyó encima convirtió demasiadas veces esa promesa en un casino global, alimentado por codicia, narrativas mesiánicas, apalancamiento, celebridades, fraudes y una obsesión enfermiza por el precio. El proyecto de construir el futuro del dinero fue desplazado por la necesidad de enriquecerse antes que el vecino. Lo que podía haber sido una infraestructura de confianza distribuida terminó, en demasiados casos, convertido en una gigantesca máquina de extracción de liquidez.

La computación cuántica, por su parte, es la promesa eterna de la informática: siempre a diez años vista, siempre a punto de cambiarlo todo, siempre necesitada de otra ronda de financiación, otra arquitectura, otro avance en corrección de errores, otro titular sobre supremacía cuántica. IBM habla ya de sistemas tolerantes a fallos hacia 2029 y de una hoja de ruta hasta 2033, pero incluso sus propios planteamientos reconocen que el reto esencial sigue siendo la corrección de errores y la construcción de máquinas realmente escalables. La historia de la computación cuántica es una sucesión de «ya casi», y los «ya casi» no pagan facturas, no protegen claves privadas y no ejecutan ataques reales.

Pero sería un error despreciarla. NIST ya publicó estándares de criptografía post-cuántica en 2024, no porque exista hoy una máquina capaz de destruir Internet, sino porque las migraciones criptográficas llevan años, afectan a sistemas críticos y obligan a inventariar dependencias que muchas organizaciones ni siquiera saben que tienen. En seguridad, esperar a que la amenaza sea visible suele ser sinónimo de llegar tarde. La expresión «harvest now, decrypt later« se hizo popular precisamente por eso: un atacante puede capturar hoy información cifrada y esperar a que mañana exista la capacidad de descifrarla.

Para bitcoin, el desafío es más profundo que cambiar un algoritmo. Es una prueba de gobernanza. ¿Puede una comunidad que ha convertido la inmutabilidad en un dogma aceptar que la seguridad exige adaptación? ¿Puede un sistema diseñado para evitar la confianza coordinarse para preservar la confianza? ¿Puede una cultura que ha premiado durante años el maximalismo, el insulto fácil y la sospecha hacia cualquier cambio ponerse de acuerdo antes de que el problema deje de ser una conjetura puramente académica?

La respuesta probablemente no llegará desde los foros más ruidosos ni desde los influencers que miden la realidad en las barras verdes y rojas de los gráficos de precio de su shitcoin favorita. Llegará, si llega, desde los desarrolladores, los expertos en criptografía y las instituciones que entienden que la tecnología no es religión, sino ingeniería. Y la ingeniería tiene una virtud que muchas comunidades cripto han olvidado: no cree en dogmas, cree en modelos de amenaza, pruebas, migraciones, compatibilidad y mantenimiento.

La ironía es que cripto y cuántica se necesitan como enemigos. La cuántica necesita un caso de uso narrativamente poderoso para justificar inversiones gigantescas: romper o amenazar la criptografía global es perfecto para eso. La cripto necesita un enemigo externo que le recuerde que su supervivencia no depende únicamente del precio, sino de su capacidad para evolucionar técnicamente. Una promesa fallida puede obligar a madurar a otra promesa fallida. No deja de tener su punto poético.

Quizá la conclusión sea incómoda para ambos mundos. Bitcoin no está muerto por la computación cuántica. Pero tampoco puede seguir comportándose como si su seguridad fuese una propiedad metafísica escrita en piedra. La computación cuántica no ha demostrado todavía ser la revolución práctica que lleva décadas anunciando, y probablemente está muy lejos de hacerlo. Pero tampoco puede seguir siendo tratada únicamente como ciencia-ficción irrelevante. Entre la fe ciega del bitcoiner y el PowerPoint eterno del evangelista cuántico hay un espacio mucho más interesante: el de la preparación racional.

El futuro del dinero no se construye con superstición tecnológica, ni con memes, ni con apuestas especulativas disfrazadas de inevitabilidad histórica. Se construye con instituciones, aunque sean distribuidas, con incentivos, aunque sean imperfectos, con protocolos capaces de cambiar cuando cambia el mundo. Y si bitcoin quiere seguir siendo algo más que un activo para especular, tendrá que demostrar precisamente eso: que puede adaptarse sin traicionarse. Ahí está la verdadera prueba. No en el próximo máximo histórico, ni en la próxima subvención pública, ni en la próxima promesa de que la revolución sigue estando a diez años vista.

You can read this article in English on Medium with no paywall using this link, «The real test for Bitcoin isn’t price. It’s quantum computing»

Hay una forma bastante sencilla de entender buena parte de la geopolítica de los dos últimos siglos: seguir el rastro de aquello que se quema. Carbón, petróleo, gas. Quien controla los combustibles fósiles controla rutas, precios, alianzas, guerras, inflación y política exterior. Europa creyó durante años que había encontrado una solución razonable: comprar gas barato a Rusia mediante gasoductos que garantizaban suministro estable para su industria. La teoría era que la interdependencia económica haría imposible el conflicto. Hasta que Rusia invadió Ucrania y convirtió esa dependencia en un arma.

La reacción europea fue rápida, pero no necesariamente inteligente: sustituir tuberías rusas por barcos metaneros estadounidenses. Según el Consejo de la Unión Europea, Estados Unidos ya es el principal proveedor de LNG para Europa, y según IEEFA, podría llegar a representar cerca del 80% de las importaciones europeas de gas natural licuado en 2030. Hemos simplemente cambiado una dependencia por otra, y pasado de depender del sinvergüenza de Putin a depender del idiota de Trump. Un logro diplomático de primera magnitud. Antes el problema llegaba por tubería desde Siberia, ahora cruza el Atlántico en barcos y sale muchísimo más caro. Y que Nord Stream saltase por los aires en beneficio evidente de ciertos actores no deja de ser un detalle que conviene recordar, aunque la evidencia disponible no permita señalar a nadie con el dedo.

Eso no significa automáticamente que Estados Unidos quiera que la guerra de Ucrania nunca termine para seguir vendiendo gas. La realidad geopolítica es bastante más compleja. Sí es evidente que las empresas energéticas estadounidenses están obteniendo enormes beneficios del nuevo mapa energético europeo, igual que resulta evidente que la destrucción de Nord Stream eliminó físicamente la principal infraestructura de interdependencia energética entre Europa y Rusia. Pero una cosa es reconocer incentivos económicos y estratégicos, y otra muy distinta convertirlos en pruebas concluyentes de una conspiración.

La cuestión importante no es quién nos vende el gas. La cuestión importante es por qué seguimos necesitando tanto gas. Porque mientras Europa dependa estructuralmente de importar combustibles fósiles, siempre habrá alguien al otro lado con capacidad de presión política, económica o estratégica. Rusia, Estados Unidos, Qatar o Argelia: cambia el proveedor, pero no la vulnerabilidad.

Por eso la transición energética no es solo una cuestión climática. Es una cuestión de soberanía. Chatham House lo resume muy bien: las renovables y la electrificación son la verdadera base de la seguridad energética europea. Un panel solar en un tejado español no puede ser utilizado como arma geopolítica de la misma manera que un gasoducto. Una bomba de calor reduce importaciones. Una red inteligente disminuye exposición a mercados internacionales. Un sistema eléctrico basado en renovables, almacenamiento y flexibilidad desplaza el poder desde los productores de combustible hacia la tecnología y la ingeniería.

Y aquí conviene desmontar otro mito: la energía nuclear tampoco resuelve este problema. En realidad, lo prolonga. La nuclear actual es extraordinariamente cara frente a la solar y la eólica. El último informe de Lazard vuelve a mostrar que las renovables son, con diferencia, la forma más barata de nueva generación eléctrica. Mientras la solar y la eólica siguen reduciendo costes gracias a curvas de aprendizaje y economías de escala, la nuclear occidental acumula retrasos, sobrecostes y proyectos prácticamente imposibles de financiar sin enormes subvenciones públicas. Casos como Flamanville o Hinkley Point C parecen demostrar que cada nueva central nuclear funciona más como un monumento a la complejidad burocrática y financiera que como una solución de futuro. Occidente lleva décadas sin conseguir construir reactores a tiempo ni dentro de presupuesto.

Además, la nuclear encaja mal en un sistema dominado por renovables. Las redes eléctricas modernas necesitan flexibilidad, almacenamiento y capacidad de adaptación a una generación distribuida y variable. Las centrales nucleares, diseñadas para funcionar continuamente como generación de base rígida, desincentivan precisamente esa flexibilidad. Y tampoco ofrecen verdadera independencia estratégica: Europa importa prácticamente todo el uranio que consume. Según Euratom, gran parte del combustible nuclear europeo depende de importaciones y de cadenas de suministro donde Rusia sigue teniendo un peso importante. Cambiar dependencia de gas por dependencia de uranio no parece precisamente una revolución geopolítica ni una decisión que caracterice a alguien especialmente inteligente.

La buena noticia para Europa es que, por primera vez en mucho tiempo, existe una alternativa real. La transición energética no consiste simplemente en sustituir centrales fósiles por otras tecnologías; consiste en cambiar completamente la arquitectura del sistema energético. Pasar de un modelo basado en importar y quemar combustible a otro basado en electricidad renovable, almacenamiento, digitalización, redes inteligentes y eficiencia. Es una transformación tecnológica mucho más parecida a internet que a una central térmica.

Y ahí Europa tiene una oportunidad histórica. Porque no tiene grandes reservas de petróleo o gas, pero sí tiene capacidad industrial, ingeniería, tecnología, regulación y talento. Puede dejar de actuar como cliente cautivo de imperios fósiles y convertirse en líder de un sistema energético distribuido y electrificado. Puede sustituir importaciones por inversión local, volatilidad por estabilidad y dependencia geopolítica por autonomía tecnológica.

La gran pregunta ya no es si Europa debe comprar gas ruso o estadounidense. Esa es la pregunta vieja, fósil, del siglo XX. La pregunta importante es cuánto tiempo más queremos seguir dependiendo de combustible que alguien tiene que enviarnos en barcos o tuberías. Porque mientras sigamos quemando cosas, seguiremos dependiendo de quienes las venden.

El siglo XX se entendió siguiendo el rastro del petróleo. El XXI se entenderá siguiendo el rastro de los electrones. Europa tiene que decidir en cuál quiere vivir.

You can read this article in English on Medium with no paywall using this link, «Europe didn’t end its energy dependence. It relocated it.»

En un artículo de hace un par de semanas, argumenté que el fracaso de la inteligencia artificial empresarial no tenía realmente que ver con el entusiasmo, la adopción o incluso la capacidad de los modelos. Era un problema arquitectónico: los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa. Las empresas funcionan con memoria, contexto, retroalimentación y restricciones, mientras que los LLM siguen siendo, en esencia, sistemas para predecir texto.

En un segundo artículo, defendí que la respuesta no eran «mejores prompts«, sino un cambio más profundo: pasar de herramientas a sistemas, de respuestas a resultados, de copilots a sistemas de acción y de prompts a restricciones. La inteligencia artificial empresarial no puede basarse en sesiones. Tiene que recordar.

Ese argumento necesita ahora un tercer paso, porque algo importante está empezando a ocurrir: los sistemas que empiezan a funcionar en la inteligencia artificial empresarial no se parecen a mejores chatbots, mejores copilots ni siquiera a mejores cadenas de prompts. Se parecen a algo completamente distinto. Y, si se observa con atención, la evidencia ya está a la vista.

El cambio de herramientas a sistemas ya no es teórico

Durante los dos últimos años, la industria de la inteligencia artificial se ha dedicado sobre todo a optimizar la capa visible: modelos más grandes, mejores interfaces, copilots más pulidos y, ahora, agentes más ambiciosos. Pero las señales más claras de valor no provienen solo de esa capa visible: vienen de organizaciones que están rediseñando flujos de trabajo, integrando inteligencia artificial dentro de procesos y tratando la inteligencia no tanto como una herramienta sino como una infraestructura. La última encuesta global de McKinsey lo dice claramente: el uso de inteligencia artificial es amplio, pero la mayoría de las organizaciones aún no la ha integrado lo suficiente en sus procesos y workflows como para generar beneficios materiales a nivel empresarial. También concluye que el rediseño de workflows es uno de los factores que más contribuyen a un impacto real en el negocio.

Eso importa porque confirma el argumento central de mis dos artículos anteriores: el problema nunca fue sólo si los modelos podían responder bien. El problema era dónde los estábamos colocando. Las organizaciones que avanzan más no son simplemente las que «usan más inteligencia artificial». Son las que están rediseñando la compañía alrededor de ella.

Los sistemas que funcionan no empiezan con prompts

Aquí es donde empieza el verdadero cambio. Los sistemas de inteligencia artificial empresarial más interesantes que están emergiendo hoy no parten de un prompt en sentido estricto. Parten del contexto: un contexto persistente, estructurado y gobernado. El propio equipo de ingeniería de Anthropic describe ahora la ingeniería de contexto como la evolución natural de la ingeniería de prompts, argumentando que el verdadero reto ya no es solo cómo formular instrucciones, sino cómo gestionar todo el estado contextual alrededor del modelo: instrucciones del sistema, herramientas, datos externos, historial de mensajes y entorno.

Es un cambio profundo. Significa que el centro de gravedad se está desplazando desde «¿qué debo preguntar al modelo?» hacia «¿qué entorno, estado y restricciones debería conocer ya el sistema antes siquiera de formular la pregunta?» Anthropic refuerza la misma idea en sus recomendaciones para agentes de larga duración, donde enfatiza la gestión del entorno y la necesidad de preparar a los futuros agentes con el contexto que necesitarán para trabajar eficazmente a través de múltiples ventanas y horizontes temporales largos.

Esto empieza a acercarse mucho a lo que planteaban mis dos artículos anteriores. Una empresa no es una sesión: es un sistema dinámico con memoria. La inteligencia artificial empresarial que reconstruye contexto desde cero en cada interacción parte ya de una premisa equivocada.

El mayor cambio no es la inteligencia. Es la desaparición

Esta es la parte que mucha gente sigue sin ver: la próxima fase de la inteligencia artificial empresarial no estará necesariamente definida por sistemas que parezcan más obviamente inteligentes. Estará definida por sistemas que resulten menos visibles. Cuando la inteligencia se integra en workflows, se conecta a sistemas de registro, se alinea con reglas y se actualiza continuamente a partir de resultados, deja de comportarse como una capa separada a la que el usuario «acude». Pasa a formar parte de cómo funciona la propia organización.

El Work Trend Index 2025 de Microsoft apunta precisamente en esa dirección cuando afirma que las empresas están pasando de organigramas rígidos a estructuras de trabajo más dinámicas y orientadas a resultados, impulsadas por humanos y agentes colaborando en torno a objetivos en lugar de funciones. No es solo una afirmación sobre nuevas herramientas. Es una afirmación sobre un nuevo sustrato organizativo.

Accenture plantea algo parecido desde otro ángulo, describiendo la inteligencia artificial como una fuerza que empieza a aplanar estructuras y crear formas de trabajo más adaptativas y auto-organizadas, en lugar de limitarse a añadir inteligencia sobre jerarquías antiguas.

Así que el cambio más profundo no es que los modelos se vuelvan más inteligentes. Es que la inteligencia empieza a desaparecer dentro del tejido mismo de la empresa.

Por qué los copilots y los agentes siempre fueron transicionales

Nada de esto significa que la ola anterior fuera irrelevante. Los copilots, asistentes y agentes fueron formas transicionales importantes. Hicieron tangible la inteligencia artificial. Enseñaron a las personas a interactuar con estos sistemas. Ayudaron a las organizaciones a descubrir casos de uso. Pero también anclaron la conversación en la capa de interfaz.

Eso siempre iba a ser temporal. Un copilot sugiere. Un agente puede planificar y ejecutar. Pero una empresa necesita continuidad, coordinación, gobernanza, permisos, umbrales de riesgo y bucles de retroalimentación. Por eso tantas implementaciones actuales siguen siendo impresionantes en las demos y frustrantes en la operación real. La inteligencia es visible, pero la arquitectura subyacente sigue siendo superficial. Ese patrón aparece ya no solo en los análisis previos sobre fracasos citados anteriormente, sino también en trabajos recientes de McKinsey y Deloitte, que apuntan exactamente al mismo problema: añadir inteligencia artificial encima de workflows heredados no es suficiente; las organizaciones tienen que rediseñar operaciones y arquitecturas alrededor de ella.

Deloitte lo plantea de forma especialmente clara en su reciente informe sobre estrategia de inteligencia artificial agéntica: muchas empresas están chocando contra un muro porque intentan automatizar procesos diseñados para humanos en lugar de replantear el propio trabajo. Su conclusión es prácticamente idéntica a la que venimos construyendo aquí: el valor surge del rediseño operativo y de arquitecturas compatibles con agentes, no de añadir agentes sobre workflows antiguos.

El verdadero cambio arquitectónico ya está en marcha

Por eso creo que este tercer artículo tiene que ir más allá de decir simplemente «necesitamos mejores sistemas». Tiene que afirmar algo más fuerte: esos sistemas ya están empezando a emerger.

Basta mirar hacia dónde se dirige la energía: Anthropic escribe sobre ingeniería de contexto y entornos de ejecución para agentes persistentes. IBM escribe sobre ingeniería de contexto para inteligencia artificial agéntica fiable, insistiendo en que las empresas necesitan trazabilidad, procedencia, auditabilidad, gobernanza en tiempo real y capacidad para inspeccionar y redirigir agentes en funcionamiento.

McKinsey encuentra que las organizaciones que más valor extraen son aquellas que rediseñan workflows, integran inteligencia artificial en procesos y construyen prácticas de gestión alrededor de validación, gobernanza, datos y modelos operativos.

Microsoft describe explícitamente una transición hacia empresas construidas alrededor de inteligencia bajo demanda, equipos híbridos humano-agente y estructuras dinámicas en lugar de jerarquías estáticas.

Deloitte advierte de que muchas implementaciones agénticas se están estancando porque los sistemas heredados no pueden soportar las exigencias de ejecución de la inteligencia artificial moderna y porque las empresas siguen intentando automatizar las cosas equivocadas.

No son observaciones aisladas. Todas apuntan en la misma dirección: el cambio de arquitectura ya no es hipotético.

La verdadera división no será «usa inteligencia artificial» frente a «no usa inteligencia artificial»

Esa división ya carece de sentido. Los datos de McKinsey muestran que casi nueve de cada diez organizaciones utilizan inteligencia artificial en al menos una función de negocio, y aun así la mayoría sigue atrapada en experimentos o pilotos, mientras solo aproximadamente un tercio ha comenzado realmente a escalar sus programas de inteligencia artificial. En otras palabras, el uso es masivo, pero la transformación sigue siendo desigual.

La división relevante está empezando a ser otra completamente distinta: la que separa a las empresas que tratan la inteligencia artificial como una capa visible de herramientas y aquellas que la tratan como una capacidad sistémica. Unas seguirán generando outputs. Las otras empezarán a cambiar resultados. Unas seguirán añadiendo asistentes e interfaces. Las otras integrarán memoria, restricciones, lógica de workflow y aprendizaje en el núcleo operativo de la organización. Esa es la discontinuidad hacia la que apuntaba ya mi artículo anterior.

Y cuando esa discontinuidad se haga visible, probablemente parecerá repentina, aunque los cimientos lleven meses construyéndose silenciosamente.

Cuando se haga visible, no parecerá progreso

Parecerá otra cosa. MIT Sloan lleva tiempo argumentando que los líderes necesitan replantear cómo gestionan personas, procesos y proyectos alrededor de la inteligencia artificial, en lugar de limitarse a añadir tecnología a rutinas existentes. Su enfoque es revelador: el verdadero reto es el rediseño organizativo, no simplemente el acceso a modelos.

Por eso los próximos ganadores en inteligencia artificial empresarial probablemente no parecerán, desde fuera, empresas con el asistente más espectacular o los productos más visiblemente «AI-powered». Parecerán empresas cuyos sistemas internos se han vuelto silenciosamente más adaptativos, más conscientes del contexto, más sensibles a restricciones y más capaces de actuar de forma coherente entre funciones.

En otras palabras, cuando la inteligencia artificial empresarial funcione de verdad, no se sentirá como otro ciclo de adopción tecnológica: se sentirá como si la propia empresa se hubiera vuelto más inteligente.

El futuro de la inteligencia artificial empresarial no es algo que uses

Es algo en lo que tu empresa se convierte. Ese es el cambio para el que mis dos artículos anteriores estaban preparando el terreno: el primero establecía que los LLM nunca fueron arquitectura empresarial. El segundo argumentaba que la inteligencia artificial empresarial debía pasar de herramientas a sistemas. El siguiente paso ya es evidente, porque esta transición ha dejado de ser teórica: la evidencia procedente de la investigación, la consultoría, la ingeniería de proveedores y el diseño organizativo apunta a que la verdadera frontera está varias capas por debajo del chatbot.

Y cuando esa capa se haga visible, no parecerá mejores prompts, mejores copilots ni mejores demos: parecerá una compañía completamente diferente.

(This article was previously published on Fast Company)

Jordi Benítez ha publicado un articulo en El Debate sobre Nvidia, «El imparable éxito de Nvidia, la empresa tecnológica que vale más en bolsa que cualquier país, excepto EE.UU. y China«, en el que cita varias de las opiniones que le envié. La historia de Nvidia es una de esas que suelen contarse mal porque resulta demasiado tentador reducirla a una caricatura: una empresa de tarjetas gráficas para videojuegos que, de repente, se encontró sentada sobre la mina de oro de la inteligencia artificial. Pero esa lectura es profundamente equivocada. Nvidia no se limitó simplemente a estar en el lugar adecuado en el momento preciso, como escribí en mayo de 2023: llevaba muchos años construyendo ese lugar.

El verdadero acierto de Jensen Huang no fue prever ChatGPT, ni anticipar con precisión el boom de la inteligencia artificial generativa. Nadie lo hizo. Su acierto fue mucho más interesante: apostar durante décadas por una arquitectura de computación paralela que parecía una rareza, una excentricidad propia de gráficos, simulación, videojuegos o supercomputación, y convertirla en una plataforma. CUDA, presentada en 2006 como una arquitectura para utilizar GPUs en computación de propósito general, fue durante años una apuesta incomprendida. Hoy es el foso competitivo más importante de Nvidia: no solo un software, sino una acumulación de librerías, herramientas, documentación, ingenieros formados, código heredado, hábitos y costes de cambio.

Cuando AlexNet ganó el ImageNet Large Scale Visual Recognition Challenge en 2012 utilizando GPUs, quedó claro que el aprendizaje profundo necesitaba precisamente aquello que Nvidia llevaba años desarrollando: capacidad masiva de cálculo paralelo. Desde entonces, la empresa no ha vendido simplemente chips: ha vendido una forma de trabajar. Por eso AMD puede tener productos competitivos, Intel puede intentarlo una y otra vez, Google puede presumir de sus TPU como Ironwood, Amazon de Trainium e Inferentia, Microsoft de Maia, o incluso OpenAI puede explorar sus propios chips con TSMC. Pero competir con Nvidia no es simplemente fabricar un acelerador: es convencer a toda una industria de que abandone una plataforma que funciona.

Ese es el punto que muchos análisis financieros pasan por alto. Nvidia no es valiosa solo porque sus chips sean muy buenos, sino porque se ha convertido en la capa de infraestructura sobre la que se está construyendo una parte creciente de la economía digital. En febrero de 2024, cuando superó los dos billones de dólares de capitalización, la pregunta era si aquello tenía sentido o era una exageración. En junio de 2024, la cuestión era si aún había recorrido. Hoy, tras unos resultados en los que la compañía declaró ingresos trimestrales récord de 81,600 millones de dólares, un 85% más interanual, y 75,200 millones procedentes de data center, un 92% más, según su propia nota de resultados del primer trimestre fiscal de 2027, la respuesta parece evidente: lo que parecía una anomalía era, en realidad, una reconfiguración de la industria.

Lo interesante, sin embargo, no es solo que Nvidia haya crecido. Lo interesante es lo que su crecimiento revela. Como escribí en julio de 2024, Nvidia no es la causa del cambio de era, sino una de sus consecuencias más visibles. Durante décadas, la computación estuvo dominada por la lógica de la CPU: propósito general, secuencialidad, eficiencia incremental, Ley de Moore. La inteligencia artificial ha cambiado el centro de gravedad hacia otro tipo de máquina: paralela, especializada, distribuida, hambrienta de datos y de energía. En ese mundo, Nvidia representa mucho más que una empresa exitosa: representa el paso de una industria centrada en el ordenador a otra centrada en la infraestructura de aprendizaje.

Ese cambio explica también el carácter simbólico del relevo con Intel, que comenté en noviembre de 2024: Intel fue la compañía que definió la era del PC. Nvidia define, por ahora, la era de la inteligencia artificial. Es la compañía que vende los picos y los tamices en esta fiebre del oro que es la inteligencia artificial. Intel vendía el cerebro del ordenador personal, Nvidia vende las herramientas y las fábricas de inteligencia artificial. La diferencia no es menor. Una fábrica de inteligencia artificial no es un data center convencional con más potencia: es una nueva unidad productiva, una instalación industrial capaz de transformar datos, energía y modelos en capacidades cognitivas automatizadas.

Pero precisamente ahí empiezan los problemas. Nvidia es extraordinaria, sí, pero no invulnerable. Su primera vulnerabilidad es la dependencia de TSMC y, por tanto, de Taiwán. La industria mundial de la IA se ha construido sobre una cadena de suministro con cuellos de botella geopolíticos muy evidentes. La segunda es China. En abril de 2025, Nvidia comunicó a la SEC que el gobierno estadounidense exigía licencia para exportar sus chips H20 a China, Hong Kong y Macao, lo que convirtió una decisión geopolítica en una restricción directa sobre ingresos, inventario y márgenes. La tercera vulnerabilidad es quizá la más interesante: sus mejores clientes tienen incentivos muy fuertes para dejar de depender tanto de ella.

Microsoft, Google, Amazon, Meta y otros hyperscalers no quieren necesariamente matar a Nvidia. Quieren tener alternativas. Quieren reducir costes, negociar mejor, controlar sus cargas de trabajo y evitar que toda su estrategia de IA dependa de los márgenes de un proveedor externo. Eso no significa que vayan a sustituir a Nvidia mañana, pero sí que el mercado tenderá a fragmentarse. Entrenar grandes modelos fundacionales seguirá siendo un terreno natural para Nvidia, pero la inferencia, el edge, los modelos especializados, la robótica, los agentes, los world models y los dispositivos locales abrirán espacios para arquitecturas distintas.

Nvidia lo sabe perfectamente. Por eso no se comporta como una empresa de chips, sino como una empresa de plataformas. Project Digits, que comenté en enero de 2025, no era simplemente un producto curioso para poner inteligencia artificial potente sobre una mesa: era una señal estratégica. Nvidia quiere estar en el data center, en el escritorio, en el edge, en el coche, en el robot, en la fábrica y en la nube. Quiere que la inteligencia artificial se ejecute sobre su pila tecnológica allí donde se produzca. Esa ambición es exactamente la que explica su valoración, pero también la que aumenta las expectativas hasta niveles peligrosos.

¿Puede seguir subiendo en bolsa? Sí. ¿Puede hacerlo indefinidamente por pura narrativa? No. Esa etapa probablemente ha terminado. Nvidia no es una burbuja en el sentido clásico: tiene ingresos reales, márgenes reales, demanda real y una posición competitiva formidable. Pero cotizar como infraestructura imprescindible del futuro implica no fallar. Implica que cada trimestre debe confirmar no solo crecimiento, sino dominio. Implica que cualquier señal de desaceleración, presión en márgenes, retraso en una generación de chips, tensión con China, cuello de botella en TSMC o éxito visible de chips alternativos puede tener un impacto desproporcionado.

La paradoja de Nvidia es que cuanto más imprescindible parece, más incentivos genera para que todos intenten depender menos de ella. Esa es la historia habitual de las grandes plataformas tecnológicas: primero se convierten en estándar, después en peaje, y finalmente en problema estratégico para sus clientes. Microsoft lo fue en el PC, Google en la web, Apple y Google en el móvil, Amazon en la nube y Nvidia lo es ahora en la inteligencia artificial. La diferencia es que Nvidia opera en una capa todavía más material: no en el interfaz, sino en el silicio, la energía, la refrigeración, el suministro, la geopolítica y la capacidad física de fabricar futuro.

Por eso la pregunta relevante no es si Nvidia tuvo suerte. Claro que tuvo suerte: toda gran empresa necesita que el mundo termine moviéndose en la dirección que favorece sus apuestas. La pregunta interesante es por qué fue Nvidia, y no otra, la que estaba preparada cuando esa suerte llegó. Y la respuesta es incómoda para quienes creen que la estrategia consiste en optimizar el trimestre siguiente: Nvidia acertó porque sostuvo durante años una visión que parecía prematura, cara y discutible.

El futuro de Nvidia dependerá de si consigue convertir su actual dominio en una posición todavía más amplia, menos dependiente de un único tipo de carga de trabajo y menos vulnerable a sus propios clientes. Si lo logra, seguirá siendo una de las compañías que definen esta década. Si no, seguirá siendo enorme, pero dejará de parecer inevitable. Y en bolsa, pocas cosas son tan peligrosas como una empresa extraordinaria que ha sido valorada como si fuese inevitable.

You can read this article in English on Medium with no paywall using this link, «Everyone thinks Nvidia got lucky. Here’s why they’re wrong»

Compraste un coche. Crees que es tuyo. Pero desde el momento en que arrancas el motor, ya sea de combustión o eléctrico, el coche empieza a trabajar para otros. Registra dónde vas, a qué velocidad, cómo frenas, si llevas el cinturón puesto, con quién hablas por teléfono, qué música escuchas, dónde aparcas.

Los modelos más modernos añaden además cámaras interiores capaces de analizar tu expresión facial, detectar si estás somnoliento o distraído, o identificarte biométricamente. La pregunta ya no es si tu coche recopila datos sobre ti: todos los coches conectados lo hacen. La pregunta es quién los recibe, qué hace con ellos, a quién los vende, y si en algún momento te pidieron realmente permiso para ello.

La Fundación Mozilla lleva años evaluando productos tecnológicos desde el punto de vista de la privacidad, y en 2023 publicó un análisis de 25 grandes marcas de automóviles que resultó demoledor: todas, sin excepción, recibieron su etiqueta de advertencia. Ninguna otra categoría de producto había suspendido nunca tan rotundamente. Ni los altavoces inteligentes, ni los wearables, ni las aplicaciones de citas, ya conocidas por su total opacidad en el manejo de datos personales. Los coches ganaron ese dudoso honor con claridad, y el informe detalla por qué: recopilan más datos de los necesarios, los comparten con terceros de forma casi sistemática, los retienen durante periodos prolongados y ofrecen a los usuarios un control real sobre todo esto que oscila entre lo mínimo y lo inexistente. Si quieres comprobar cómo está valorada específicamente tu marca, Mozilla mantiene actualizado el catálogo completo por fabricante.

El destino de esos datos es, en muchos casos, más perturbador que su propia recopilación. Durante años, General Motors vendió a través de su sistema OnStar datos precisos sobre el comportamiento de conducción de millones de clientes a intermediarios especializados que trabajan principalmente con el sector asegurador. Las compañías de seguros utilizaban después esa información para ajustar las primas, a veces al alza, de conductores que no tenían ni idea de que sus frenadas bruscas o sus aceleraciones nocturnas estaban siendo contabilizadas y vendidas. Por no variar, los propietarios habían dado su consentimiento, técnicamente, en algún párrafo enterrado en un contrato de servicio que nadie lee. GM suspendió el programa en 2024 tras la presión mediática, pero la Comisión Federal de Comercio estadounidense consideró que eso no era suficiente: a principios de 2026, la FTC prohibió formalmente a GM vender o compartir esos datos durante cinco años y le impuso obligaciones de transparencia que deberían haber sido evidentes desde el principio. TechCrunch señalaba, sin demasiado optimismo, que la prohibición es temporal y que el modelo de negocio que lo hizo posible sigue perfectamente intacto en el resto de la industria.

Esto es lo que convierte el asunto en algo más que una preocupación abstracta sobre privacidad: tiene consecuencias económicas directas y medibles. Si tu seguro sube sin que hayas tenido ningún accidente, si tu perfil de riesgo empeora sin que sepas por qué, puede que la explicación esté en el ordenador de a bordo de tu propio coche. El capitalismo de vigilancia, que durante años operó principalmente en el espacio de las redes sociales y el comercio electrónico, ha encontrado en el automóvil conectado un nuevo territorio enormemente rentable, porque combina datos de localización precisos, comportamiento físico, hábitos cotidianos y, en muchos casos, datos de salud derivados de sensores biométricos. Es una mina de información personal que el usuario no ve, no controla y raramente percibe.

El marco regulatorio europeo ofrece, al menos en teoría, más protecciones que el estadounidense. La GDPR establece que los datos de localización y comportamiento son datos personales y requieren base legal para su tratamiento. El Comité Europeo de Protección de Datos publicó en 2021 unas directrices específicas sobre vehículos conectados que deberían servir de referencia para los fabricantes que operan en Europa, estableciendo con claridad que el tratamiento de datos de conducción exige una base jurídica sólida y que el consentimiento obtenido a través de condiciones generales inaccesibles no cumple los estándares del reglamento.

El Data Act de 2023 añade además derechos de portabilidad: el usuario debería poder acceder a los datos que genera su propio vehículo y transferirlos a terceros de su elección. Pero entre el texto de los reglamentos y su aplicación efectiva hay una distancia considerable, y los fabricantes han demostrado ser muy creativos a la hora de diseñar mecanismos de consentimiento que cumplen al pie de la letra la ley, mientras la vacían de contenido real.

Lo que puedes hacer mientras tanto es limitado, pero no nulo. La mayoría de los coches conectados tienen configuraciones de privacidad que sus propietarios nunca han explorado: merece la pena buscarlas y activarlas. Privacy4Cars es una herramienta que permite consultar qué datos recopila específicamente tu modelo y gestionar, en la medida de lo posible, las opciones de exclusión disponibles. Cuando conectas el móvil al sistema de infoentretenimiento, ese dispositivo comparte con el coche información que puede incluir contactos, historial de llamadas y datos de aplicaciones: desconectarlo cuando no es necesario reduce la superficie de exposición. Y si estás pensando en comprar un coche nuevo, consultar primero el catálogo de Mozilla puede ahorrarte sorpresas desagradables.

El coche era, hasta hace relativamente poco, uno de los últimos espacios genuinamente privados. Podías tener una conversación sin que quedara registrada, desplazarte sin dejar un rastro digitalizado, existir durante una hora sin ser monetizado. Eso ya no existe, no porque alguien tomara una decisión explícita de eliminarlo, sino porque la misma lógica que convirtió las redes sociales en máquinas de extracción de datos se ha trasladado al transporte. El coche no ha cambiado en lo esencial: lo que ha cambiado es el modelo de negocio de quienes lo fabrican, y nuestra incapacidad colectiva de distinguir entre un producto que compramos y un servicio de vigilancia al que nos suscribimos sin saberlo.

This article is openly available in English on my Medium page via this link, «Fast and curious: why the car is no longer a private space»

Durante veinticinco años, Google nos entrenó para pensar en forma de palabras clave. Hoy empieza a entrenarnos para pensar en forma de encargos. Y eso va a tener muchas, muchísimas consecuencias.

La caja de búsqueda deja de ser una ranura donde introducir términos y se convierte en una interfaz expandible, multimodal, conversacional y, sobre todo, agéntica: texto, imágenes, vídeos, archivos, pestañas abiertas, contexto personal y preguntas sucesivas que ya no pretenden llevarnos necesariamente a una página, sino resolver algo dentro de Google. La compañía lo presenta como «la mayor actualización de la caja de búsqueda en más de 25 años«, basada en Gemini 3.5 Flash y desplegada allí donde AI Mode está disponible.

El cambio era inevitable. La búsqueda clásica llevaba años degradándose bajo el peso del SEO, la publicidad, las granjas de contenido, los comparadores sin valor añadido y una web cada vez más escrita para algoritmos en vez de para personas. En ese contexto, pedir a una inteligencia artificial que lea, contraste, sintetice y permita repreguntar es una mejora evidente. El usuario no quiere diez enlaces azules: quiere entender, decidir, comparar, monitorizar, comprar, reservar, programar, aprender o actuar. Google no está «añadiendo inteligencia artificial» a la búsqueda: está reconociendo que la búsqueda, tal como la conocíamos, ha dejado de ser suficiente.

Pero esa mejora tiene un precio enorme. Cuando Google afirma que sus agentes podrán operar 24/7, monitorizar blogs, noticias, redes sociales, finanzas, compras o deportes, y avisarnos cuando algo encaje con nuestros criterios, está redefiniendo su papel: ya no es el intermediario que distribuye atención hacia la web, sino el entorno donde esa atención se captura, se procesa y se monetiza. La web deja de ser destino y pasa a ser materia prima. Un usuario, en muchas ocasiones, no quiere una búsqueda puntual, sino un agente que le avise cuando surja algo relacionado con ella. Y eso, aunque nos pareciese que estaba rudimentariamente disponible, requiere una infraestructura completamente diferente.

Para Google, la jugada es defensiva y ofensiva a la vez. Defensiva, porque ChatGPT, Perplexity, Claude y otros le han demostrado que la interfaz de búsqueda podía ser desplazada por una conversación. Ofensiva, porque nadie tiene más distribución, más datos, más contexto, más infraestructura y más incentivos para convertir esa conversación en el nuevo sistema operativo de la información. Gemini 3.5 Flash no se presenta solo como un modelo más rápido, sino como uno diseñado para tareas largas, agentes, programación y flujos de trabajo complejos, disponible en AI Mode, Gemini, APIs y productos empresariales.

El problema es que el ecosistema que alimentó a Google durante dos décadas no fue diseñado para esto. Editores, medios, blogs, foros, creadores, bases de datos, páginas especializadas y expertos aceptaron el pacto implícito de la web: Google indexaba, ordenaba y enviaba tráfico; los productores de información recibían visitas, reputación, suscripciones, publicidad o clientes. Ese pacto se rompe cuando Google sintetiza la respuesta y reduce el incentivo para visitar la fuente. Un estudio de Pew Research mostró que, cuando aparece un resumen de inteligencia artificial, los usuarios hacen clic en resultados tradicionales en el 8% de las visitas, frente al 15% cuando no aparece, y solo en el 1% de los casos hacen clic en los enlaces del propio resumen.

Esto no es una anécdota: es una redistribución estructural del valor. El Reuters Institute estima que los editores esperan que el tráfico procedente de buscadores caiga un 43% en los próximos tres años, y cita datos de Chartbeat que muestran una caída global del 33% del tráfico orgánico de Google hacia más de 2,500 sitios entre noviembre de 2024 y noviembre de 2025. Axios, también con datos de Chartbeat, señala que los pequeños editores son los más vulnerables: los sitios con entre 1,000 y 10,000 páginas vistas diarias han visto caer el tráfico de búsqueda un 60% en dos años, frente al 22% de los grandes editores.

La consecuencia es clara: sobrevivirán mejor quienes tengan marca, comunidad, newsletters, aplicaciones, suscripción, eventos, reputación directa o una relación fuerte con sus lectores. Los demás, los que dependían de «estar bien posicionados», descubrirán que posicionarse ya no significa recibir tráfico. Significa ser absorbido por una respuesta, citado quizá, utilizado probablemente, remunerado raramente. Es el paso de la economía del clic a la economía de la extracción.

Y aquí aparece la gran cuestión política. Google no es una startup experimentando con una interfaz. Es una compañía declarada monopolista en búsqueda por un tribunal estadounidense, y las medidas correctoras del Departamento de Justicia ya incluyen límites a contratos exclusivos y obligaciones de compartir ciertos datos, además de extenderse explícitamente a Gemini y productos de inteligencia artificial generativa para evitar que las mismas tácticas se trasladen al nuevo mercado. Brookings lo plantea perfectamente: la política de competencia debe actualizarse para una era en la que la inteligencia artificial puede reforzar, no diluir, el poder acumulado por las plataformas dominantes.

En Europa, el conflicto será todavía más intenso. El European Publishers Council ya ha presentado una denuncia antimonopolio contra Google por AI Overviews y AI Mode, alegando uso de contenido periodístico sin autorización, sin mecanismos efectivos de exclusión y sin remuneración justa, además de una sustitución directa del contenido original dentro de la propia interfaz de búsqueda. La discusión no es simplemente copyright: es dependencia. Si un editor no puede impedir que su contenido sea usado por la inteligencia artificial sin desaparecer también del buscador, no estamos ante una relación comercial libre, sino ante una forma de coerción de mercado.

Socialmente, el cambio es todavía más profundo. La búsqueda clásica, con todos sus defectos, obligaba a contrastar fuentes. El usuario veía procedencias, sesgos, marcas, fechas, estilos, contradicciones. La búsqueda agéntica tiende a ocultar ese proceso bajo una respuesta pulida, plausible y cómoda. Eso puede reducir fricción, pero también puede reducir alfabetización informacional. Una sociedad que delega la búsqueda delega también parte de su criterio. Y cuando esa delegación se concentra en una sola compañía, el riesgo no es solo tecnológico: es epistemológico.

La pregunta, por tanto, no es si la búsqueda debe cambiar. Debe hacerlo. La pregunta es bajo qué reglas. Una búsqueda para la era de la inteligencia artificial debería ser capaz de sintetizar, conversar, personalizar y actuar, pero también de atribuir, remunerar, permitir exclusiones reales, auditar sesgos, mostrar fuentes de manera significativa y preservar una web económicamente viable. Sin eso, la inteligencia artificial no será una capa de acceso al conocimiento, sino una máquina de desintermediación que convierte a quienes producen conocimiento en proveedores invisibles de entrenamiento, contexto y verificación.

Google tiene razón en una cosa: la caja de búsqueda necesitaba ser reinventada. Pero reinventarla no puede significar apropiarse del ecosistema que la hizo útil. La web no fue importante porque Google supiera encontrarla, fue al revés: Google fue importante porque la web existía. Si la nueva búsqueda destruye los incentivos para publicar, investigar, escribir, documentar y compartir, acabará devorando su propio índice. Y entonces la paradoja será cruel: habremos construido la mejor máquina de respuestas justo cuando hayamos empezado a empobrecer sistemáticamente el mundo del que esas respuestas proceden.

This article is openly available in English on my Medium page via this link, «Google has found the AI answer. The web will pay for it»

Mi columna en Invertia de esta semana se titula «El programador que sobrevive no es el que programa más: es el que entiende mejor» (pdf), y trata sobre una de las paradojas más interesantes y más inquietantes del mercado laboral actual: mientras algunas empresas despiden a miles de desarrolladores, otras (o las mismas) están pagando salarios completamente desorbitados a otros perfiles técnicos. No se trata de una contradicción, sino de una transformación acelerada de lo que significa «saber programar» en la era de la inteligencia artificial.

La lógica industrial clásica del desarrollo de software se está rompiendo. Durante décadas, escribir código era una habilidad escasa y relativamente homogénea: quien sabía programar tenía prácticamente asegurada una carrera razonablemente estable. Pero la llegada de herramientas de inteligencia artificial generativa capaces de producir código funcional en segundos ha cambiado radicalmente el equilibrio. El código empieza a parecerse cada vez más a una commodity. Lo que se paga ahora no es la capacidad de escribir líneas de código, sino la de entender sistemas complejos, tomar decisiones técnicas con criterio, integrar modelos de inteligencia artificial de manera fiable y traducir necesidades ambiguas de negocio en soluciones reales.

Para escribir el artículo utilicé, además de los enlaces incluidos en mi publicación anterior sobre «el programador que dejó de programar«, una serie de artículos y estudios recientes que reflejan perfectamente esa transición. Algunos muestran cómo las empresas están reduciendo posiciones de entrada mientras incrementan la contratación de perfiles especializados en inteligencia artificial, otros analizan qué competencias empiezan a diferenciar a los trabajadores que prosperan de los que quedan atrapados en tareas fácilmente automatizables.

Especialmente ilustrativo resulta el caso de General Motors, que despedía cientos de empleados de IT mientras declaraba abiertamente que seguía contratando perfiles capaces de construir sistemas de inteligencia artificial. La diferencia entre «usar inteligencia artificial» y «desarrollar con inteligencia artificial» se está convirtiendo en una frontera laboral decisiva. También resultaron muy útiles varios análisis sobre el llamado «AI skills gap«, la creciente brecha entre quienes integran la inteligencia artificial de forma efectiva en su trabajo y quienes siguen utilizándola de manera superficial o directamente la ignoran.

Otro elemento importante del artículo es la idea de que las habilidades verdaderamente valiosas están desplazándose hacia ámbitos más humanos: juicio, comunicación, pensamiento crítico, capacidad de adaptación, visión estratégica o comprensión contextual. Algunos de los textos utilizados desarrollan precisamente esa tesis: cuando la inteligencia artificial puede automatizar una parte creciente de las tareas cognitivas rutinarias, el diferencial humano deja de estar en la ejecución mecánica y pasa a estar en la capacidad de interpretar, decidir, coordinar y asumir responsabilidad.

También me parecieron especialmente interesantes los artículos que analizan cómo está cambiando incluso el proceso de contratación. La inteligencia artificial ya filtra currículums, redacta ofertas de empleo, entrevista candidatos e incluso participa en procesos de onboarding. En ese contexto, los profesionales empiezan a necesitar no solo habilidades técnicas, sino también la capacidad de demostrar públicamente proyectos reales, procesos de trabajo, criterios de evaluación y experiencia práctica. El currículum tradicional pierde valor frente a evidencias tangibles: repositorios públicos, side projects, automatizaciones funcionales o capacidad demostrable de resolver problemas reales utilizando inteligencia artificial.

La tesis central del artículo es que la inteligencia artificial no elimina automáticamente profesiones enteras, pero sí destruye aquellas partes del trabajo que pueden describirse de forma suficientemente precisa como para ser automatizadas. Eso obliga a una redefinición profunda del valor profesional. Los perfiles más vulnerables son los centrados en tareas repetitivas, fragmentadas y fácilmente sustituibles. Los más demandados son quienes entienden sistemas, generan confianza, conectan disciplinas y saben utilizar la inteligencia artificial como amplificador en lugar de competir contra ella.

Y, por supuesto, la reflexión no se limita a los desarrolladores. Lo que está ocurriendo en programación empieza a extenderse rápidamente a abogados, consultores, periodistas, analistas financieros, diseñadores, profesores y prácticamente cualquier profesión basada en procesamiento de información. La automatización ya no afecta solo al trabajo manual o industrial: entra de lleno en las profesiones cognitivas. Y lo hace separando cada vez más brutalmente a quienes aportan criterio y contexto de quienes simplemente ejecutan tareas rutinarias.

This article is also openly available in English on my Medium page if you use this link, «Code Is becoming cheap. Judgment is becoming expensive»