Hace poco, el pasado día 1 de junio, Anthropic confirmó que había presentado ante la SEC de manera confidencial un borrador de S-1, el documento que contiene la información comercial y financiera básica de un emisor con respecto a una oferta de valores específica que se dispone a ofrecer al público.

El significado de esto es aún muy limitado: sí, la compañía está planeando su salida a bolsa, pero aún no tenemos ni un folleto informativo público, ni detalles tan importantes como un precio, un número de acciones o una métrica del tamaño definitivo de la operación, que la compañía ha aplazado con algo tan vago como que «dependerán de las condiciones del mercado», como si algo no dependiese de eso.

Ayer, el WSJ contaba que la empresa está reuniéndose con posibles inversores para generar confianza, habla de que podría ser una de las salidas a bolsa más grandes de la historia, y que todo apunta a septiembre o a principios de octubre, con lo que ya tenemos algunas perspectivas de la operación aunque aún falten sus términos definitivos.

¡A qué se refieren exactamente con «la mayor salida a bolsa de la historia? Hasta hace poco, ese título puramente honorífico correspondía a Saudi Aramco, pero en junio, a Elon Musk le dio por colocar $75,000 millones a $135 por acción para una valoración de $1,770 millones de SpaceX, que tras la correspondiente sobreasignación bancaria se cifran en $85,700 millones y roban el título a la energética saudí. ¿Puede plantearse Anthropic superar esas magnitudes? Si nos quedamos con cifras mencionadas anteriormente, estaríamos hablando de alrededor de $60,000 millones, algo fastuoso y decididamente digno de atención para una compañía tan joven, pero no tanto como para reclamar ese récord.

El pasado 28 de mayo, Anthropic levantó $65,000 millones en una sola ronda a una valoración post-money de $965,000 millones, algo que no estaba ni en las imaginaciones más calenturientas de sus fundadores, los hermanos Dario y Daniela Amodei, hace tan solo unos añitos. Según la compañía, su run rate revenue había sobrepasado los $47,000 millones en mayo. El pasado febrero había levantado otros $30,000 millones sobre una valoración de $380,000 millones, y afirmaba tener una run rate de $14,000 millones. Y es precisamente esa velocidad de crecimiento, tanto de ventas como de valoración, lo que justifica claramente la salida a bolsa.

Sin embargo, hay que levantar un poco la ceja: una cifra de run rate no equivale a ingresos anuales auditados, y menos aún teniendo en cuenta que tanto Anthropic como OpenAI mantienen algunas controversias sobre su forma de contabilizar los ingresos que canalizan a través de AWS y Google Cloud, con acusaciones cruzadas en las que, por ejemplo, OpenAI afirma que Anthropic está contabilizando más de $8,000 millones adicionales cuando presenta determinados ingresos brutos (Anthropic afirma utilizar prácticas contables completamente estándar, o GAAP).

Pero el punto central de todo este tema no está simplemente en si Claude resulta ser más popular o no, sino en los ingentes recursos que hacen falta para que funcione. En el fondo, esta salida a bolsa tiene mucho más que ver con la financiación de una enorme infraestructura industrial que con cosas más habituales en una compañía dedicada al software. Los acuerdos que Anthropic ha firmado hasta el momento son cuestiones como la compra de más de $100,000 millones de servicios a Amazon AWS junto con hasta 5GW de capacidad computacional basados en sus chips, a cambio de que Amazon invierta $25,000 millones en Anthropic; o los $40,000 millones que invertirá Google en circunstancias similares con los hasta $15,000 millones vinculados únicamente a la construcción de un data center en Texas prácticamente exclusivo para Anthropic. Esta salida a bolsa, por tanto, es en realidad un relato sobre los equilibrios y acuerdos que hay que hacer para conseguir financiar una capacidad de computación descomunal.

Por otro lado, la compañía comienza a dejar ver algunos signos de rentabilidad, lo que la separaría un poco de la típica narrativa de las startups que devoran enormes cantidades de dinero mientras se dedican a crecer a toda costa. El pasado mayo, las proyecciones eran de $10,900 millones de ingresos para el segundo trimestre, un incremento del 130%, y un primer beneficio operativo trimestral, aunque cabe la duda de cómo se están imputando los costes de entrenar y ejecutar los modelos. Pero por ahora, mientras no tengamos resultados financieros correctamente auditados, lo pondremos en el capítulo de «veremos».

El riesgo, o uno de ellos, es que a pesar de semejante despliegue de recursos, la inteligencia artificial evolucione para convertirse en una commodity, con modelos abiertos cada vez más baratos, con competencia china o de modelos con arquitecturas de 1-bit, y una batalla en precios cada vez más fuerte. Si añadimos a esto la dimensión regulatoria, con una Anthropic que no es una compañía cualquiera sino que está en el ojo del huracán de las decisiones de la imprevisible y errática administración Trump, la pregunta realmente interesante no es si Anthropic vale esto o aqeullo, sino lo que esto nos puede decir sobre la evolución de la inteligencia artificial como industria: una transición de la financiación que va desde el venture capital, a los hyperscalers, a los mercados de capitales y, finalmente, a la deuda y a las infraestructuras, y todo ello en una compañía fundada en 2021. La inteligencia artificial de frontera ha empezado ya a seguir el guión de las industrias intensivas en capital. Con todo lo que ello conlleva. Así que, si te planteas invertir, que sepas dónde lo estás haciendo.

This article is also available in English on my Medium page, «Anthropic: the little company that could readies to join the giants of Wall Street»

Mi columna de esta semana en Invertia se titula «La carrera hacia los números rojos» (pdf), y trata sobre una paradoja que me parece particularmente interesante: cómo algunas de las compañías más rentables, poderosas y generadoras de caja de la historia están decidiendo, de manera perfectamente consciente, llevar sus flujos de caja hacia cero o incluso hacia terreno negativo con tal de no quedarse atrás en la carrera por la inteligencia artificial.

La inversión llevada a cabo por esas compañías es tan elevada que ya supera el 2.1% del PIB de los Estados Unidos, la inversión que dio lugar a su red de ferrocarriles, o diez veces la inversión anual del programa Apollo.

Microsoft, Google, Amazon, Meta y Oracle están gastando cantidades extraordinarias en centros de datos, chips, redes eléctricas, refrigeración y todo tipo de infraestructuras necesarias para entrenar y servir modelos de inteligencia artificial. Según el análisis de The Washington Post a partir de datos de S&P Global Market Intelligence, el free cash flow agregado de esas cinco compañías podría prácticamente desaparecer en 2026 y caer hasta unos 125,000 millones de dólares negativos en 2027. Estamos hablando, por tanto, no de startups financiadas por inversores dispuestos a quemar dinero en busca de crecimiento, sino de auténticas máquinas de generar beneficios que están optando deliberadamente por reinvertirlos a una escala difícil de imaginar.

La pregunta interesante, obviamente, no es si la inteligencia artificial tiene futuro. A estas alturas, discutir eso resulta bastante poco útil. La cuestión es si quienes están poniendo cientos de miles de millones encima de la mesa serán realmente quienes capturen el valor económico que esa tecnología termine generando. La historia de la tecnología está llena de infraestructuras absolutamente transformadoras como los ferrocarriles, la electricidad, las telecomunicaciones, la fibra óptica o internet que cambiaron el mundo sin garantizar necesariamente grandes retornos a todos los que financiaron su construcción. Una cosa es crear muchísimo valor, y otra bastante distinta conseguir apropiarse de él.

El caso de SpaceX lleva esa lógica todavía más lejos y pone a los inversores todavía más nerviosos: tras su entrada en inteligencia artificial, la compañía ha destinado una proporción enorme de su inversión a capacidad de computación y afirma poder recuperar determinadas inversiones en menos de un año alquilándola a terceros, mientras su negocio de inteligencia artificial continúa todavía registrando pérdidas. Es una apuesta enormemente agresiva basada en una hipótesis muy concreta: que la capacidad computacional seguirá siendo suficientemente escasa y valiosa como para justificar construirla antes de saber exactamente para qué va a terminar utilizándose.

Y ahí está, para mí, el aspecto más interesante de toda esta carrera: posiblemente estemos ante un problema clásico de teoría de juegos. Desde el punto de vista colectivo, las grandes tecnológicas podrían estar construyendo demasiada infraestructura, demasiado deprisa y a precios excesivamente elevados. Pero desde el punto de vista individual de cada una de ellas, reducir la inversión puede resultar aún más peligroso. Si la inteligencia artificial termina siendo efectivamente una tecnología de propósito general y determina la próxima gran reorganización de la economía, llegar tarde podría resultar muchísimo más caro que haber invertido demasiado.

Eso convierte buena parte de este gasto no tanto en una inversión convencional como en el precio de una opción estratégica: pagar hoy cantidades gigantescas para asegurarse el derecho a competir mañana, aunque todavía no sepamos si el valor estará fundamentalmente en los modelos, en los agentes, en la nube, en las aplicaciones, en los chips, en la distribución o en alguna combinación que ni siquiera hemos imaginado aún.

¿Estamos ante una burbuja? Perfectamente posible, llevo diciéndolo mucho tiempo: una burbuja es la forma natural de la especie humana de reaccionar ante una tecnología de propósito general, un «todos a por ella». ¿Ante la construcción de la infraestructura que sostendrá la próxima fase de la economía digital? También. Y esas dos cosas, aunque pueda parecer contradictorio, no son en absoluto incompatibles. Muchas de las grandes revoluciones tecnológicas de la historia vinieron acompañadas de enormes excesos de inversión, quiebras y destrucción de capital. Las matemáticas de la inversión en inteligencia artificial son simplemente imposibles.

La cuestión, por tanto, no es simplemente si estas compañías están gastando demasiado. Es bastante más incómoda: cuando nadie sabe todavía cómo va a repartirse el valor de una tecnología potencialmente transformadora, ¿qué resulta más irresponsable para una gran compañía: arriesgarse a perder cantidades enormes intentando estar en primera línea, o proteger cuidadosamente sus beneficios y descubrir unos años después que se quedó fuera de la siguiente gran plataforma tecnológica?

This article is also available in English on my Medium page, «Big AI’s dilemma: the cost of going into the red today vs the cost of waiting until tomorrow»

Este tema me ha resultado muy interesante: llevamos ya tiempo acostumbrándonos a que los modelos de inteligencia artificial sean enormes y tengan necesariamente que vivir en la nube. La narrativa es clara: tuvimos que vivir inviernos de la inteligencia artificial porque los ordenadores no daban de sí lo suficiente, pero ahora tenemos la nube, el ordenador ilimitado.

Pero… ¿y si esa dependencia no viniese propiamente de la inteligencia artificial, sino que fuese una consecuencia de la forma en que hemos planteado los modelos hasta el momento? Si tenemos en cuenta los avances en cuantización, es viable plantear que podemos encontrar recursos para volver de manera razonablemente cómoda a la ejecución local, algo que podría ofrecernos enormes ventajas en términos de coste y, sobre todo, de control y privacidad. ¿Podrían las llamadas arquitecturas de un bit ayudarnos en esa transición?

¿Qué son las arquitecturas de un bit, o BitNet? Planteémoslo de esta manera: los LLM tradicionales contienen miles de millones de parámetros, que son fundamentalmente los pesos numéricos aprendidos durante su entrenamiento.

Históricamente, estos pesos se han almacenado utilizando números de coma flotante de 16 bits (aunque las cuantizaciones de 8 y 4 bits se están volviendo cada vez más habituales). Si tenemos un modelo con veinte mil millones de parámetros, almacenar cada peso a 16 bits nos supone aproximadamente 40GB para empezar a hablar, sólo para los pesos. Esto convierte al modelo en algo demasiado grande y aparatoso para vivir en un teléfono y para la mayoría de los laptops habituales. ¿Pero qué ocurriría si llevásemos este razonamiento al límite, y obligásemos a los pesos a tomar sólo uno de tres posibles valores, 1, 0 ó -1? Un modelo ternario, o de sólo tres estados posibles requerirían log₂(3), o aproximadamente 1.58 bits de información, y de ahí el término, algo confuso, de «modelos de 1.58 bits» usados desde que Microsoft Research introdujo precisamente esta idea con BitNet b1.58 en 2024 (1.58 bits es una medida informacional; en implementaciones binarias reales los pesos pueden empaquetarse utilizando 2 bits).

Primero probamos modelos de 8 bits, después de 4 bits, y técnicas como GPTQ o AWQ capaces de comprimir modelos ya entrenados manteniendo una parte sorprendentemente grande de sus prestaciones. Esto, normalmente, se hace después del entrenamiento, es decir, entrenar un modelo con mayor precisión y posteriormente aproximar sus pesos mediante un conjunto mucho menor de valores. ¿Qué demuestra la experiencia acumulada? Básicamente, que las redes neuronales contienen una descomunal redundancia numérica. Lo interesante, por tanto, no es únicamente la reducción de memoria: es que una red con miles de millones de conexiones extraordinariamente simples sea capaz de seguir produciendo comportamientos complejos.

Obviamente, llevar a cabo multiplicaciones por 1, 0 ó -1 es sencillísimo, y además, esos modelos más pequeños permiten reducir el tráfico entre la memoria y el procesador, que es un cuello de botella crítico cuando la generación tiene lugar de token en token. El desarrollo de Microsoft estuvo motivado precisamente para aprovechar esa característica, y con ello consiguió aceleraciones de entre 1.37× y 5.07× en arquitecturas ARM y reducciones de consumo energético del 55.4% al 70%.

Hay que dejar claro que BitNet no es simplemente coger un modelo convencional y «redondear» de forma brutal todos sus números a 1, 0 y -1: lo verdaderamente interesante sería entrenar redes que puedan adaptarse a ese rango mínimo de valores desde el propio proceso de aprendizaje. Así, en 2025, Microsoft presentó BitNet b1.58 2B4T, un modelo abierto de 2,000 millones de parámetros entrenado sobre cuatro billones de tokens, con prestaciones comparables con modelos open-weight convencionales de tamaño similar, pero con mucha menos memoria, latencia y consumo.

Si a esto añadimos los llamados Mixture-of-Experts (MoE), que almacenan muchos parámetros pero para cada token activan tan solo una pequeña fracción de los que consideran relevantes, podemos desacoplar aún más la capacidad del coste computacional. Esta idea tiene precedentes muy sólidos: Switch Transformer y después Mixtral fueron capaces de demostrar que un modelo podía poseer muchos más parámetros de los que utiliza en cada inferencia.

Ahora, DeepGrove ha publicado Maple-Preview, un modelo de razonamiento 20B-A1B, es decir, alrededor de 20,000 millones de parámetros totales pero aproximadamente mil millones activos por token, organizado en 256 expertos de los que utiliza ocho. Es una demostración muy interesante de ternarización + MoE + software especializado trabajando conjuntamente. Deberíamos interpretar Maple sólo como una señal, todavía no una demostración definitiva: DeepGrove afirma que el modelo establece una nueva frontera entre memoria, velocidad y prestaciones, pero es un preview, y la propia compañía reconoce que ha recibido poco post-training para tareas agénticas y que todavía faltan evaluaciones independientes. Lo verdaderamente interesante es que un modelo de unos 5GB está empezando a entrar en territorios de razonamiento que hasta hace muy poco sólo podíamos asociar a infraestructura mucho más pesada.

¿Podría esto esto llegar a alterar dónde viven los modelos de inteligencia artificial que usamos habitualmente? Lógicamente, no significa que los centros de datos vayan a desaparecer, porque entrenar modelos de frontera seguirá siendo extraordinariamente caro y algunas tareas seguirán requiriendo modelos enormes, pero sí abre la posibilidad a arquitecturas diferentes, probablemente híbridas: un modelo personal funcionando permanentemente en un teléfono u en un ordenador con nuestros documentos y nuestros contextos privados, que recurre a la nube únicamente cuando necesita capacidades adicionales. Esto representaría un cambio muy interesante en cuanto a privacidad, latencia, coste marginal, dependencia de APIs, consumo energético y posiblemente condicionaría el reparto de poder de toda la industria.

Una revolución así no implicaría únicamente que «la inteligencia artificial ocupase menos», sino que una proporción cada vez mayor de la inteligencia artificial dejase de necesitar la nube de manera incondicional. Y de hecho, esa posibilidad de despliegue local es precisamente una de las motivaciones señaladas tanto por la investigación original de BitNet como por la propia literatura de cuantización. ¿Cuánto tardaremos en ver este tipo de arquitecturas puestas en práctica y en productos de consumo? ¿Puede esta simplificación llevar la inteligencia artificial de forma eficiente a nuestros dispositivos y a nuestros bolsillos?

This article is also available in English on my Medium page, «How 1-bit models could bring AI back to your pocket«

Generalmente, solemos contar el progreso tecnológico como una historia de acumulación: cada generación hereda todo lo que aprendió la anterior, le añade unas cuantas cosas nuevas, y seguimos avanzando.

Pero la realidad es bastante menos ordenada. En ocasiones, una tecnología no desaparece porque haya demostrado ser mala o porque haya sido superada por otra mejor, sino simplemente porque cambia la arquitectura que la rodea, porque los incentivos se desplazan, o porque un nuevo paradigma consigue atraer toda la atención. Y años después, alguien descubre que, por el camino, habíamos dejado atrás algo que resultaba ser bastante valioso.

El hormigón romano es un buen ejemplo. Los investigadores que estudian construcciones de la época han conseguido reconstruir técnicas que proporcionaban al material una durabilidad extraordinaria y que, aparentemente, permitían incluso que algunas grietas se reparasen mediante reacciones en las que intervenían fragmentos de cal. No hablamos de un conocimiento que alguien hubiese demostrado erróneo: simplemente dejó de formar parte de la práctica habitual de la construcción, y tuvimos que recuperarlo siglos después recurriendo a la arqueología y a la ciencia de materiales. Investigadores del MIT han explicado cómo una técnica de mezcla en caliente, el llamado hot mixing, podría estar detrás de esas propiedades.

¿Podría estar ocurriendo algo parecido con la inteligencia artificial aplicada a la empresa? Mi impresión es que sí. Y que, de hecho, la industria no es que no haya sido capaz de inventar la arquitectura adecuada, sino que ha ido desplazando progresivamente fuera del centro dos ideas que en su momento fueron enormemente importantes: la orientación a objetos persistentes y el aprendizaje por refuerzo.

La primera cosa que olvidamos: los objetos están hechos para vivir

La programación orientada a objetos nunca consistió simplemente en hablar de clases, métodos o herencia. Su intuición fundamental era mucho más interesante: un objeto combina identidad, estado y comportamiento. Representa algo que existe, que recuerda en qué estado se encuentra, y que sabe qué operaciones pueden modificarlo.

Para el software empresarial, esa idea resultó especialmente adecuada. Un cliente, un contrato, una cuenta, un pedido o una reclamación de seguros no eran simplemente una fila en una base de datos: eran entidades con identidad, relaciones, estado y comportamientos posibles.

Hasta que llegó la nube y, casi sin darnos cuenta, algo cambió: los sistemas cloud-native se diseñan habitualmente para ser stateless, sin estado. La computación no debe depender de la máquina concreta que atiende una petición, porque esa máquina puede desaparecer, ser sustituida o pasar de pronto a estar acompañada por cientos de instancias idénticas. AWS recomienda explícitamente eliminar el estado de los componentes individuales, precisamente para poder escalar horizontalmente y recuperarse de los fallos, mientras Microsoft describe los datos de una sesión web como información efímera que debe almacenarse en una caché o una base de datos externa, y no confiarse al proceso de la aplicación.

Como decisión de ingeniería, tiene todo el sentido del mundo. Pero conceptualmente supone también una renuncia bastante importante. El objeto puede seguir estando en el código fuente, pero su estado duradero ya no vive junto a su comportamiento. Está repartido entre bases de datos, cachés, almacenes de objetos, colas, flujos de eventos y sistemas de orquestación. Cada petición debe reconstruir una parte suficiente de la realidad de ese objeto para poder hacer algo útil con él y, una vez terminada la operación, devolver su estado a una infraestructura externa antes de que la computación que lo utilizó desaparezca.

Con eso no eliminamos la orientación a objetos, simplemente debilitamos una de sus propiedades más profundas. Y, con el tiempo, nos dedicamos a compensarlo con object-relational mappers, almacenes de sesión, event sourcing, message brokers, cachés distribuidas, motores de workflow y una auténtica montaña de glue code. Ninguna de esas tecnologías es absurda: todas resuelven problemas reales derivados de la escala y de la distribución. Pero si las vemos en conjunto cuentan una historia bastante clara: la persistencia dejó de ser una propiedad natural del objeto computacional para convertirse en un problema de ingeniería construido a su alrededor.

¿Qué tiene eso que ver con la inteligencia artificial empresarial? Muchísimo. Un sistema de inteligencia artificial que actúa sobre una compañía necesita bastante más que acceso a documentos y APIs. Necesita entidades persistentes cuya identidad, estado, relaciones, permisos y transiciones válidas se mantengan coherentes a lo largo del tiempo. Un cliente tiene que seguir siendo el mismo cliente independientemente de cuántas interacciones tengan lugar. Un proceso debe sobrevivir a las interrupciones. Un contrato debe mantener sus restricciones. Y un agente tiene que saber no solo qué se dijo anteriormente en una conversación, sino qué cambió como consecuencia de ella en el mundo operativo de la compañía.

Hoy tendemos a llamar a todo eso «memoria». Pero la memoria no es un modelo de objetos. La memoria puede recuperar fragmentos del pasado. Un modelo de objetos define qué existe y de qué manera puede cambiar. Anthropic, por ejemplo, presentó como un avance importante la posibilidad de que Claude utilizase conversaciones que se extendían durante semanas o meses. Y para un chatbot, obviamente, lo era. Pero visto desde la perspectiva del software empresarial, el supuesto gran avance suena más bien modesto.

Un cliente, un contrato, una reclamación o un proceso comercial de nueve meses no deberían mantener su coherencia durante un mes, deberían mantenerla mientras existan. El modelo no necesita conservar permanentemente cada token anterior dentro de su contexto activo: lo que necesita es que el sistema que hay debajo mantenga una identidad y un estado persistentes, y reconstruya el contexto relevante cada vez que la inteligencia tenga que actuar. Un mes de memoria puede ser fantástico para un chatbot. Para el software empresarial, es simplemente una fecha de caducidad.

Nos hemos construido, por tanto, sistemas con una inteligencia extraordinaria en la parte superior y una realidad operativa completamente fragmentada por debajo.

Pero no es lo único que hemos ido dejando atrás.

Lo segundo que olvidamos: aprender de los resultados

La otra gran idea desplazada es el aprendizaje por refuerzo. El AlphaGo de DeepMind combinaba redes neuronales profundas con aprendizaje por refuerzo para derrotar a algunos de los mejores jugadores de Go del mundo. Después, AlphaZero fue bastante más allá: aprendió ajedrez, shogi y Go mediante autoaprendizaje, sin copiar partidas humanas, y MuZero aprendió a planificar sin que se le proporcionasen de antemano las reglas que gobernaban su entorno.

Aquellos sistemas demostraron algo bastante más importante que la simple capacidad de jugar bien. Demostraron cómo la inteligencia podía surgir de un ciclo repetido: actuar, observar el resultado, compararlo con un objetivo, y ajustar el comportamiento. Eso no es simplemente reconocimiento de patrones: es aprender de las consecuencias.

Y entonces llegó el transformer. En 2017, el famosísimo artículo «Attention Is All You Need« presentó una arquitectura extremadamente paralelizable y extraordinariamente eficiente para procesar secuencias que terminó convirtiéndose en la base de la actual oleada de inteligencia artificial generativa, y transformando completamente el procesamiento del lenguaje natural.

El problema, obviamente, no es que los transformers fuesen una mala idea. Todo lo contrario: son uno de los avances más importantes de la historia reciente de la computación. El problema es lo que ocurrió con el centro de gravedad de la industria.

La predicción se convirtió en el paradigma dominante. El aprendizaje por refuerzo no desapareció, pero fue desplazándose hacia la periferia: ajuste de modelos, alineamiento, robótica o algunos problemas concretos de optimización. Mientras tanto, aquella idea bastante más ambiciosa según la cual un sistema desplegado debía mejorar continuamente conectando sus acciones con sus resultados reales pasó a un segundo plano frente a la espectacular capacidad de generar lenguaje.

Nos hicimos extraordinariamente buenos generando respuestas plausibles y, curiosamente, sorprendentemente tolerantes con sistemas que no tienen la menor idea de si esas respuestas sirvieron para algo. Y ahí está, en mi opinión, una de las grandes contradicciones de la inteligencia artificial empresarial. Las compañías no necesitan simplemente sistemas capaces de generar lenguaje. Necesitan sistemas capaces de aprender de las consecuencias de lo que hacen.

Por qué estas dos pérdidas se refuerzan mutuamente

Porque una compañía no es un prompt, ni tampoco una sesión de chat. Es un sistema cambiante formado por clientes, contratos, productos, empleados, permisos, procesos, restricciones y resultados. Si queremos que una inteligencia artificial mejore ese sistema, necesitamos dos cosas:

• Por un lado, un mundo persistente en el que pueda actuar: entidades que mantengan su identidad, procesos que conserven su estado y relaciones que sigan siendo coherentes a lo largo del tiempo.
• Y por otro, necesitamos un mecanismo para que aprenda qué consiguen sus acciones: objetivos, observaciones, feedback, resultados y capacidad para modificar su comportamiento futuro.

Si eliminamos lo primero, representar adecuadamente una compañía se vuelve extremadamente complicado. Si eliminamos lo segundo, optimizarla de manera continua se vuelve directamente imposible.

Eso explica, seguramente, por qué tanta inteligencia artificial empresarial sigue pareciendo una interfaz muy sofisticada colocada encima de un runtime que no existe. Puede hablar maravillosamente bien sobre la organización, pero no puede vivir dentro de ella de una manera persistente, con estado, y orientada a resultados.

También explica por qué tantos despliegues siguen teniendo un fuerte componente artesanal. Son las personas las que tienen que reconstruir el contexto, conectar los sistemas, definir los permisos, explicar los objetos de negocio, medir los resultados y rediseñar el ciclo para cada caso de uso. El modelo aporta la inteligencia, sí, pero la arquitectura necesaria para convertir esa inteligencia en una capacidad organizativa que se acumula y mejora con el tiempo seguimos montándola prácticamente a mano.

El resultado es una industria brillantísima a la hora de hacer demostraciones y, paradójicamente, bastante mala a la hora de acumular aprendizaje.

La arquitectura que necesitamos ahora

La siguiente arquitectura de inteligencia artificial empresarial tendrá necesariamente que recuperar esas dos ideas a la vez. Necesitará objetos cuya identidad, estado, relaciones, permisos y comportamiento persistan de manera natural, aunque la ejecución vaya saltando de una máquina a otra y el sistema pase de gestionar diez interacciones a gestionar diez millones.

Y necesitará aprendizaje por refuerzo no simplemente como una técnica utilizada antes del despliegue, sino como un mecanismo operativo: acciones que generen evidencias estructuradas, evidencias que puedan conectarse con resultados de negocio, y resultados que permitan mejorar las acciones siguientes.

Los objetos persistentes proporcionarían a la inteligencia artificial un mundo empresarial estable sobre el que actuar. El aprendizaje por refuerzo le permitiría mejorar su comportamiento dentro de ese mundo. Y la combinación de ambas cosas podría transformar el software: dejaríamos de tener sistemas que simplemente registran lo que hizo una compañía, para pasar a tener sistemas que ayudan a esa compañía a aprender qué es lo que funciona.

Puede que el próximo gran salto de la inteligencia artificial empresarial no venga, después de todo, de otra capacidad espectacular de un nuevo modelo. Puede que consista simplemente en recuperar dos principios que la industria entendió perfectamente en su momento, pero que después permitió que se separasen y se perdiesen por caminos diferentes: objetos que viven, y sistemas que aprenden de las consecuencias.

(This article was previously published on Fast Company)

El comienzo de este artículo es prácticamente surrealista, y hace que a cualquiera se le quede cara de idiota: RWE, una compañía energética alemana, devuelve al estado norteamericano todas las concesiones que había recibido para construir parques de energía eólica marina en Nueva York, California y Louisiana, y recibe a cambio $1,220 millones de dólares, de los que se compromete a invertir $900 millones en un 16% de participaciones indirectas en una central de gas, Louisiana LNG, y otros $300 millones en una cartera de otras quince centrales de gas más. ¿La razón que da RWE? Que aunque estaba previsto que produjese más de 7GW con esas centrales eólicas, no ve ninguna posibilidad razonable de obtener permisos para explotar esa energía renovable en los Estados Unidos: el clima regulatorio creado por la administración Trump lo hace completamente imposible.

Es, de hecho, uno de los muchos acuerdos a los que ha llegado la administración Trump con compañías que iban a construir infraestructuras eólicas de cualquier tipo. Antes han pasado por caja Total Energies, que después de todo no deja de ser una maldita petrolera que estará encantada con el trato (recibió $928 millones); Bluepoint Wind y Golden State Wind, con casi $900 millones; Invenergy, con $765 millones por cancelar cuatro concesiones; y Duke Energy, que a cambio de $129 millones reemplazará sus aerogeneradores con energía nuclear y con gas. El total es de más de cuatro mil millones de dólares en recompras. Todo bajo la estúpida y falsa excusa de que la energía eólica no es fiable y que supuestamente precisa de costosos subsidios. Ah, eso sí, y de que al estúpido de Donald Trump los aerogeneradores «le parecen muy feos». Si te cuentan que las decisiones sobre el abastecimiento de energía de un país de toman con criterios como esos, pensarías que te están contando un chiste. Pues no, es real.

El episodio concreto de Total Energies es muy interesante, porque permite precisamente demostrar la palpable incoherencia de toda la cuestión: el estado entra de manera especialmente agresiva en todas las nuevas instalaciones de combustibles fósiles que van a construirse, lo que convierte la narrativa de que no precisan subsidios en una simple tontería sin base alguna. Todo ello sin tener en cuenta que precisamente los combustibles fósiles son, como tales, la tecnología más subsidiada de toda la historia. Pero da igual: es evidente que a los votantes de Trump se les puede engañar con cualquier cosa.

La eólica marina norteamericana ha sido históricamente cara, pero de ahí sólo puede deducirse que su adjudicación y su tramitación han sido ineficientes, no que como tal deba ser cara. De hecho, IRENA ha calculado que más del 90% de los proyectos eólicos llevados a cabo en todo el mundo han sido capaces de producir electricidad sensiblemente por debajo del coste de la energía fósil más barata en todos los mercados. Eso ha hecho, lógicamente, que todos los gobiernos con un mínimo de sentido común hayan corrido a capitalizar una posición lo más fuerte posible en eólica y en solar, que ofrece números aún más favorables. Y mientras todos los países del mundo avanzan hacia las renovables, el ignorante presidente de los Estados Unidos corre en sentido contrario mientras chilla aquello de «¡esta autopista está llena de locos que circulan al revés!!» Pero claro, nada como una buena batalla ideológica basada en la belleza o fealdad de los aerogeneradores en lugar de en la ciencia para engañar al electorado.

Energéticamente, esto no es más que un suicidio. Pero además, no es sólo un suicidio industrial (cerrarse a desarrollar compañías que dominen estas tecnologías) y tecnológico (aceptar que esas tecnologías tendrán que venir de China y otros países), sino también, obviamente, un suicidio climático. Destruir la demanda doméstica es algo que destruye también todos los incentivos para intentar desarrollar tecnología, fabricar, formar trabajadores y generar economías de escala en uno de los mercados más grandes y con mayor crecimiento del mundo. Según la Agencia Internacional de la Energía, se prevé la instalación de alrededor de 4,600GW de energías renovables en el mundo entre 2025 y 2030. Por mucho que el imbécil de Trump lo niegue y entierre la cabeza en la arena para no verlo, la tecnología no va a desaparecer: simplemente se desarrolla en otros países, que podrán además obtenerla más barata. Múltiples ganadores frente a un miserable perdedor.

Por mucho que los Estados Unidos no quieran aprovecharlo, el viento va a seguir soplando, a pesar de todos los absurdos aranceles que le quieran poner. Pero además, Trump conseguirá, a cambio de las limosnas que le dieron las petroleras, perder muchísima competitividad a nivel nacional: mientras China y, en cierta medida no comparable, Europa, siguen generando industria, tecnología, propiedad intelectual y cadenas de suministro, los Estados Unidos seguirán atascados en el «drill, baby, drill». Estados Unidos no está parando la transición energética global hacia las renovables, lo único que está haciendo es detener su participación en ella, pagar su energía mucho más cara en un momento en que se supone que necesitan toda la energía que puedan generar, y dejar de atender la demanda de unos mercados que otros países cubrirán de mil amores. Lo dicho: un auténtico suicidio.

This article is also available in English on my Medium page, «While Trump tilts at wind farms, the world moves on»

Durante años, la automatización de los call centers ha sido una de esas promesas tecnológicas que siempre parecían estar a punto de cumplirse, pero nunca terminaba de hacerlo. Los sistemas de respuesta automática eran torpes y fundamentalmente odiosos para cualquiera, los chatbots resultaban completamente desesperantes, y cualquier incidencia mínimamente compleja acababa, después de una larga peregrinación y de golpear la tecla del cero como un poseso, en manos de una persona, con un cociente intelectual en demasiadas ocasiones completamente inadecuado para responder tus dudas o las de cualquiera. Finalmente, esa etapa parece estar llegando a su fin.

Un artículo reciente en Bloomberg, «AI is replacing customer service jobs at CBA, Microsoft, Uber« describe cómo empresas como Commonwealth Bank of Australia, Microsoft, Uber o Hyatt están ya reduciendo de manera significativa sus plantillas de atención al cliente gracias al uso de sistemas automatizados de chat y voz. Según el artículo, Microsoft ha pasado de unas 50,000 personas dedicadas al soporte a unas 40,000, y calcula que la inteligencia artificial le ha podido ahorrar alrededor de 750 millones de dólares anuales. Uber ha recortado un 10% de su equipo de atención al cliente, mientras Hyatt redujo aproximadamente un 30% de su personal de soporte en América. Ya no hablamos de una hipótesis, sino de miles de puestos de trabajo eliminados en diversos países.

Según Forrester, en 2030, la inteligencia artificial podría haber hecho desaparecer un 49% de los empleos actuales de atención al cliente. La Organización Internacional del Trabajo, habitualmente mucho más prudente, recuerda que la exposición de un puesto a la automatización no implica necesariamente su desaparición, sino en muchos casos la transformación de algunas de sus tareas. Pero esa distinción, razonable desde el punto de vista académico, ofrece más bien poco consuelo a quien recibe una carta de despido porque la empresa ha decidido que un agente artificial puede atender más conversaciones, durante más horas y por todavía menos dinero del que esos profesionales suelen cobrar.

Conviene, sin embargo, distinguir entre dos realidades muy diferentes que a mí, al menos, me obsesionan debido a la diferencia de experiencias que habitualmente representan. Un call center inbound recibe llamadas de clientes que necesitan resolver un problema: ahí, la automatización puede tener sentido cuando elimina esperas, responde bien preguntas sencillas o recupera rápidamente información. Pocas cosas resultan más desesperantes que el que te pasen de una persona a otra y les tengas que repetir tu problema a cada uno de ellos, como ocurre en compañías como American Express, posiblemente la peor con la que he interactuado en ese sentido. En contrapartida, otras como Sanitas representan el extremo opuesto: profesionales que reciben la llamada y van hasta donde haga falta para solucionar tu problema, o que no intentan entretenerte ni «marear la perdiz» si no tiene solución. Un buen sistema con inteligencia artificial (o sin estupidez natural) puede funcionar a cualquier hora y evitar que alguien tenga que explicar tres veces su caso. Pero sustituir a un profesional bien formado, capaz de entender rápidamente el contexto, detectar frustración, asumir responsabilidad, transmitir confianza y solucionar un problema, es otra cosa muy distinta.

Las empresas suelen tender a presentar esa sustitución como una supuesta mejora de productividad, aunque en muchos casos no sea en absoluto así. En muchos casos será simplemente una degradación del servicio disfrazada de innovación, que los clientes, en el mejor de los casos, soportarán. Gartner encontró en 2024 que el 64% de los clientes prefería que las compañías no utilizasen inteligencia artificial en atención al cliente. En una encuesta más reciente, el 87% consideraba esencial poder acceder a un agente humano. Según mi experiencia, eso depende enormemente tanto de la capacidad del agente de inteligencia artificial, como del cociente intelectual del ser humano que contesta la llamada. La tecnología puede contestar, pero eso no significa en absoluto que sepa atender. Responder una pregunta y hacerse cargo de un problema son actividades completamente distintas.

El panorama cambia radicalmente cuando hablamos de call centers outbound, creados no para resolver necesidades del cliente, sino para interrumpirlo y venderle algo. Durante décadas, estas operaciones han entrenado a personas para repetir argumentarios, vencer objeciones, explotar momentos de debilidad y mantener a alguien al teléfono hasta obtener un sí. Algunas funcionan dentro de la legalidad, aunque resulten profundamente molestas. Otras se acercan peligrosamente al engaño, especialmente cuando se dirigen a personas mayores con productos financieros, contratos energéticos, seguros o servicios de dudosa utilidad que deberían determinar responsabilidades penales de primer nivel. A mi madre le tengo dicho directamente que conteste de mala manera y cuelgue inmediatamente sin esperar respuesta cada vez que le intenten vender algo, lo que sea, por teléfono.

Automatizar eso no es mejorar un proceso: es eliminar sus últimas restricciones. Un agente artificial no se cansa, no siente vergüenza, no cuestiona el guion y puede llamar simultáneamente a millones de personas, adaptando el tono a cada víctima (nunca mejor dicho), recordando cada objeción y ensayando sin descanso las respuestas más eficaces. Puede imitar acentos, edades y emociones, y mantener conversaciones cada vez más convincentes. El resultado no es simplemente más telemarketing, sino un telemarketing a escala industrial, personalizado, persecutorio y prácticamente infinito. Algo que debería simplemente ser prohibido.

La preocupación, además, no es en absoluto teórica ni exagerada: la Federal Communications Commission estadounidense tuvo que declarar ilegales las llamadas automatizadas con voces generadas mediante inteligencia artificial cuando se realizan sin consentimiento, y la Federal Trade Commission lleva años alertando sobre el crecimiento de las estafas dirigidas a personas mayores. La inteligencia artificial puede convertir ese fraude, hasta ahora relativamente artesanal, en una infraestructura completamente escalable, en una auténtica distopía que podríamos ver reflejada en cualquier película de George Miller.

Estamos, por lo tanto, ante dos automatizaciones con consecuencias morales completamente diferentes. En la primera, una empresa sustituye a personas que ayudaban a sus clientes, y corre el riesgo de destruir su confianza para ahorrar costes. En la segunda, sustituye a personas que molestaban o manipulaban a esos clientes, pero crea además una máquina muchísimo más eficiente para molestarlos y manipularlos. No olvidemos que cuando la FCC legisló o la FTC alertó sobre las llamadas robocalls (el término en español no puede ser más indicativo de su verdadera naturaleza), estas estaban aún en un nivel primitivo de capacidad tecnológica: si incorporamos ahora inteligencia artificial generativa a ellas, los resultados pueden ser directamente espantosos.

La desaparición de los call centers no será simplemente una historia sobre empleo: será una historia sobre poder. Sobre quién controla la conversación, quién puede interrumpir a quién cuando le dé la real gana, y qué posibilidades tendrá una persona de escapar de una máquina diseñada para no aceptar nunca un no sin recurrir directamente a la mala educación, que desde mi punto de vista y sintiéndolo mucho por el trabajador que se ve obligado a aceptar ese trabajo, es la mejor manera de hacerlo. La inteligencia artificial puede liberarnos de esperas absurdas y tareas repetitivas, pero también puede convertir cada teléfono en la puerta de entrada a un vendedor incansable, perfectamente entrenado y sin el menor escrúpulo ni ética. Eso no es atención al cliente: es una distopía comercial, y muchas empresas ya están empezando a construirla.

This article is also available in English on my Medium page, «AI can make customer service better. It can also make harassment scalable.»

Un experimento llevado a cabo por Vincent Schmalbach, posteriormente verificado independientemente por The Register, le permite comprobar que la revista Time está actualmente sirviendo páginas distintas a usuarios humanos y a modelos de inteligencia artificial, filtradas mediante el user agent, y que además, las páginas servidas a los modelos están llenas de publicidad.

En efecto, dos peticiones idénticas efectuadas al mismo tiempo generan páginas completamente diferentes, adaptan completamente su contenido según quién o qué las solicite, y si es un «qué» y no un «quién», lo sirven en formato markdown específico para máquinas y lo llenan de publicidad, con bloques publicitarios en formato FAQ, con los llamados brand facts, con enlaces de campañas específicas y con afirmaciones comerciales. Esos materiales, además, no están en absoluto pensados para ofrecer a un usuario, sino que toman la forma de pequeños fragmentos citables y autosuficientes, pensados para ser utilizados como materia prima para construir una respuesta.

¿Cuál es el objetivo de servir anuncios que los humanos no pueden ver? La respuesta es evidente por sí misma: manipular las respuestas que dan los chatbots a los usuarios humanos. Las cabeceras observadas vienen con un identificador de impresión distinto en cada petición, y con una medición del número de tokens. La revista está vendiendo una unidad por página markdown, y reporta el tráfico de bots hacia ella. Así, una impresión publicitaria deja de corresponderse con un usuario humano, y pasa a ser de una máquina que ha ingerido una cantidad determinada de texto. ¿Qué anticipa algo así? Claramente, un mercado publicitario basado ya en el acceso computacional, no en la atención humana. Supuesta autoridad editorial, alquilada a las marcas, para influenciar a máquinas.

Ahora, influenciar al intermediario en el que los usuarios confían puede ser mucho más valioso que influenciar al propio usuario. Mientras las campañas tradicionales tratan de cambiar las percepciones de cada espectador impactado por ellas, las dirigidas a los agentes intentan influenciar las respuestas que esos agente ofrecen potencialmente a millones de personas.

Obviamente, con ello no se consigue «reentrenar» de manera permanente al modelo base ni modificar todas sus respuestas, algo solo al alcance de la compañía propietaria del modelo, pero sí se puede influir en el índice, en la recuperación y en las respuestas basadas en búsquedas a través de un contexto particularmente persistente. La realidad es que es una forma de manipular las búsquedas que hace el chatbot para contestar tus preguntas.

Aún teniendo en cuenta ese matiz, el mecanismo puede llegar a tener una gran influencia, porque mientras un motor de búsqueda ofrece al usuario un listado de respuestas y le permite elegir una (aunque condicionado por su orden), en el caso de un chatbot, el usuario sólo recibe una frase formulada con un gran nivel de autoridad que puede afirmar algo sobre una marca, lo que permite generar una influencia potencialmente desproporcionada.

¿Fraudulento? Obviamente, manipulador, pero es que la intención de la publicidad siempre ha sido esa, manipular. No todo lo que hacemos adaptando nuestro contenido para las máquinas es necesariamente un fraude: por ejemplo, tratar de ofrecer un contenido limpio, accesible, estructurado y verificable es algo perfectamente lícito. Pero de ahí a introducir todo tipo de información promocional (nada miente más que la publicidad) escondiéndola al lector humano con el fin de modificar las recomendaciones que se le ofrecen es algo que no genera mucha confianza, y que raya en el llamado retrieval poisoning, el desvío de los sistemas RAG mediante documentos destinados a ser recuperados y procesados de formas que el usuario no llega a percibir ni a conocer. Por mucho que el contenido esté etiquetado como patrocinado, esto es un ataque sobre una superficie vulnerable muy clara: la confianza del modelo en el material que recupera en sus búsquedas.

Surge con ello una paradoja muy evidente: ¿para qué etiquetar el contenido como patrocinado, si el usuario nunca va a llegar a ver esa etiqueta? Aquí, aparentemente, nadie incumple nada: Time etiqueta el contenido como patrocinado, el chatbot afirma que tan solo hizo una búsqueda, y el anunciante dice que compró un formato aceptado al editor… pero el resultado es que el usuario recibe una recomendación sin que pueda saber que tiene un origen pagado. Entre todos lo mataron y él solito se murió. La norma aquí debería ser muy clara: ningún chatbot debería nunca presentar una recomendación pagada como contenido orgánico genuino, algo sobre lo que habrá que generar la adecuada regulación.

Una excepción en la manipuladora jugada de Time es Google: Googlebot sigue recibiendo la versión humana de la página, en lugar de la destinada a máquinas. ¿Por qué? Muy sencillo: porque Google penaliza de manera muy directa y considera como cloaking la inclusión de contenidos en las páginas específicamente destinados al motor de búsqueda, algo a lo que Time no podía arriesgarse.

El incentivo para los medios es claro: monetizar un tráfico que consume recursos, pero que no producía nada. Ahora, pueden cobrar a las marcas por ese tráfico, mientras esas marcas pueden pretender que, efectivamente, alcanzan a los usuarios a través de sus chatbots favoritos. Los perjudicados, los de siempre: unos usuarios que van a pasar a no tener ni idea de si lo que su chatbot les responde es o no es un contenido comercial, y una web cada vez más dividida entre humanos y máquinas. En torno al 15% de las marcas ya generan sus propias páginas markdown (hasta yo mismo lo hago), pero una cosa es eso y otra tratar de manipular la inteligencia artificial para poder engañar a sus usuarios pasando publicidad por mensajes supuestamente objetivos. Y no olvidemos que la revista Time es sólo la que ha «descubierto el truco»… ahora vendrán muchas más.

Ahí tenemos tanto la novedad como el riesgo: no tanto que una máquina pueda ver publicidad, sino que la publicidad reaparezca transformada en una respuesta supuestamente neutral. La auténtica manipulación de la inteligencia artificial en favor de quien puede pagarlo. Una auténtica basura.

This article is also available in English on my Medium page, «Should we be surprised publishers are learning how to influence chatbot answers?»

¿Cuánto tiempo puede una empresa perder dinero a una velocidad absurda, mientras se dedica a prometer milagros y a hablar de un futuro maravilloso? Yo creo que la respuesta más honesta es: mientras el mercado siga creyendo que esas pérdidas no son un agujero, sino una inversión en un monopolio futuro.

SpaceX está ofreciendo una demostración claramente palpable y extraordinaria de esa lógica. En su primer trimestre como compañía cotizada ingresó 7,810 millones de dólares, pero llevó a cabo nada menos que 18,400 millones en inversiones de capital, sobre todo adquisiciones enfocadas a ampliar su infraestructura de inteligencia artificial. El mercado, aparentemente no muy impresionado, ha hecho caer la acción tras la presentación de resultados, lo que la lleva ya claramente a cotizar por debajo de su precio de salida.

Elon Musk respondió como él siempre lo hace: elevando la apuesta. SpaceX, según él, puede alcanzar un billón de dólares de facturación en 2030, o quizá incluso en 2029. Pero… ¿por qué quedarse ahí?: además, ya de paso, Starlink proporcionará la mayor parte de la conectividad mundial, competirá con los mayores operadores móviles del mundo, desplegará centros de datos en órbita y, en sus ratos libres, financiará también la conquista de Marte. No se trata simplemente de presentar un plan de negocio, sino de montar una narración tan descomunal que cualquier cifra actual que quieras ponerle parezca completamente irrelevante.

El precedente obvio es Amazon, con la salvedad de que Bezos nunca fue tan incontrolablemente grandilocuente. Durante años, la compañía acumuló pérdidas y fue presentada como una extravagancia de internet. En el primer trimestre de 2001, por ejemplo, perdió 234 millones de dólares sobre ventas de 700 millones, como muestran sus propios documentos ante la SEC y los gráficos que uso cada vez que discuto el caso en clase. Pero, claro, como vimos posteriormente, Amazon estaba utilizando ese dinero para cosas que iban desde construir centros logísticos, a tecnología, relaciones con proveedores, una base creciente de clientes y, posteriormente, incluso una infraestructura informática que acabaría convirtiéndose en AWS. Todas ellas cosas que necesitaba para el desarrollo y crecimiento de su propia compañía, pero que hábil y estratégicamente, ya que tenía que construirlas, convirtió en proyectos que otros financiaban para él y le generaban beneficios. Cuando comenzó a ganar dinero de manera consistente, ya no era únicamente una tienda: era una pieza esencial de la economía digital, y podía justificar perfectamente su valoración (prácticamente cualquier valoración) en función de sus resultados.

La comparación, de todas formas, tiene algunos límites muy importantes que hay que tener en consideración: en primer lugar, que Amazon perdía dinero mientras construía una posición dominante en un mercado razonablemente reconocible. El ecosistema de Musk, en cambio, pretende avanzar simultáneamente en nada menos que los lanzamientos espaciales, las telecomunicaciones por satélite, los servicios móviles, los modelos de inteligencia artificial, los centros de datos terrestres y orbitales, las interfaces cerebro-ordenador y hasta las colonias marcianas. No es una apuesta: es una colección monumental y nunca vista de apuestas gigantescas, interdependientes y extremadamente intensivas en capital, en sectores muchos de ellos completamente desconocidos o incluso inexistentes a día de hoy.

Musk posee una ventaja que muy pocos empresarios han tenido, y es que su historial hace difícil descartarlo sin más como haríamos con un charlatán o con cualquier tipo la mitad de grandilocuente que él. Con Tesla logró convertir el automóvil eléctrico en el centro de la industria, con SpaceX revolucionó el coste y la frecuencia de los lanzamientos, y con Starlink construyó en pocos años una infraestructura global que muchos consideraban imposible. Musk suele llegar tarde, el ya irónicamente conocido como «Elon-time», pero sus anuncios terminan llegando con suficiente frecuencia como para que sus promesas conserven un valor financiero ilusionante para muchos (y en muchos casos, importante para todos).

El problema evidente es que también acumula ya una larga lista de promesas incumplidas o perpetuamente aplazadas. La conducción autónoma completa lleva anunciándose como inminente desde el año 2015, según esta recopilación de Reuters. Las colonias en Marte se van desplazando continuamente hacia un futuro. Y Neuralink asegura ahora que su sistema Blindsight permitirá devolver la visión a los ciegos e incluso superar la capacidad visual humana a modo de superpoder, con la posibilidad de ver en alta definición, o ser capaz de percibir la radiación infrarroja o ultravioleta . La tecnología tiene la designación de breakthrough device de la FDA, pero es precisamente esa designación la que acelera la evaluación: no quiere decir que el dispositivo haya demostrado todavía seguridad o eficacia. La investigación disponible sobre prótesis visuales corticales habla, por ahora, de puntos luminosos, formas rudimentarias y enormes dificultades neuro-quirúrgicas, pero en ningún caso de una supuesta visión sobrehumana como la que Musk pretende vender.

Aquí está la cuestión esencial: una compañía puede perder dinero durante mucho tiempo si cada dólar invertido aumenta de manera verificable su ventaja competitiva y le permite abrir flujos de caja futuros. Pero obviamente, perder dinero no es en sí mismo y como tal una estrategia. Como recuerda McKinsey, el crecimiento solo crea valor cuando el rendimiento sobre el capital invertido justifica ese crecimiento. Y como explica Aswath Damodaran, toda valoración combina números y narración, pero el peligro surge cuando la narración deja de estar razonablemente disciplinada por los números.

SpaceX tiene algunos activos extraordinarios: su dominio de los lanzamientos orbitales, su red Starlink, sus contratos gubernamentales, su tecnología reutilizable, su escala industrial y su capacidad de ejecución, muy difícil de replicar. Todo eso puede merecer que los mercados paguen por ello una sustancial prima de valoración. Pero de ahí a valorar la empresa como si todas las promesas de Musk fueran a cumplirse significa pagar hoy no por un futuro, sino por varios futuros simultáneos y en algunos casos, fantasiosos: telecomunicaciones globales, inteligencia artificial dominante, computación orbital, autonomía, robótica y colonización espacial.

Dados sus precedentes, ¿debería el mercado darle todo el dinero que pida? No. Debería proporcionarle capital condicionado a hitos verificables, costes decrecientes, clientes reales, márgenes crecientes y retornos medibles. Una genialidad demostrada no elimina la necesidad de disciplina financiera o una tendencia a meterse donde no le llaman para provocar problemas enormes, simplemente puede retrasar el momento en que se exige. Si el supuesto genio de los negocios es políticamente un imbécil y un cuñado redomado y racista que además insiste en meterse en política, su valoración obviamente debería caer, porque interfiere claramente con sus posibilidades de lograr el éxito en sus proyectos.

Además, es evidente que Musk ha descubierto algo muy poderoso: cuanto más desmesurada es su promesa, más difícil resulta para otros valorarla, y más fácil es justificar casi cualquier precio. De hecho, es perfectamente posible que con SpaceX vuelva a conseguirlo una vez más. Pero una inversión no debería consistir en preguntar si Elon Musk es capaz de hacer algo extraordinario, que ya sabemos que lo es. La pregunta adecuada es cuánto de extraordinario está ya incluido en el precio, y cuántos milagros adicionales (además del milagro de que él mismo logre contenerse para no hacer ni decir estupideces) necesita esa valoración para no derrumbarse.

This article is also available in English on my Medium page, «Elon Musk and the privilege of getting paid today for tomorrow’s miracles»

Mi columna de esta semana en Invertia se titula «Los incendios empiezan en los presupuestos» (pdf), y como la del pasado agosto, trata sobre una realidad que preferimos disfrazar de catástrofe natural: los incendios forestales no comienzan cuando aparece la primera llama, sino mucho antes, cuando se abandona el territorio, se deja acumular la biomasa, desaparecen las actividades rurales y se recortan sistemáticamente los presupuestos destinados al mantenimiento.

La emergencia climática es, por supuesto, el factor que multiplica el riesgo. Las temperaturas más altas, las sequías prolongadas, la vegetación sometida a estrés hídrico y los episodios meteorológicos extremos están convirtiendo amplias zonas de España, Francia y otros países mediterráneos en paisajes cada vez más inflamables. Pero sería demasiado cómodo utilizar el cambio climático como una explicación que nos exime de toda responsabilidad: el clima crea las condiciones, pero la intensidad y la extensión de los incendios dependen en gran medida de cómo gestionamos el territorio.

España lleva décadas, con gobiernos de uno y otro lado, demostrando una extraordinaria incapacidad para entender el valor del mantenimiento. Nos encanta inaugurar infraestructuras, cortar cintas y anunciar inversiones, pero mostramos mucho menos entusiasmo cuando se trata de conservar carreteras, vías ferroviarias, redes hidráulicas o montes. El mantenimiento no resulta fotogénico, no produce grandes titulares y rara vez puede presentarse como una ocurrencia brillante del político de turno. Por eso se aplaza, se recorta o se encomienda a contratos insuficientes, hasta que el deterioro termina por hacerse visible de la peor manera posible.

En el caso de los bosques, ese deterioro se acumula en forma de combustible. El abandono rural, la desaparición de la ganadería extensiva, la falta de limpieza, los cortafuegos degradados, los accesos impracticables y las masas forestales excesivamente homogéneas convierten muchos espacios supuestamente protegidos en auténticos polvorines. Como explicaba en «Crear trabajo tratando de paliar la emergencia climática«, gestionar esos espacios podría convertirse además en una importante fuente de empleo estable, cualificado y distribuido por zonas rurales que llevan décadas perdiendo población.

La tecnología ofrece posibilidades extraordinarias. Ya escribí sobre ellas en «Llenando los bosques de tecnología» y, más recientemente, en «Inteligencia artificial, satélites, drones… estrategias contra los incendios forestales«. Satélites, drones, cámaras térmicas, sensores, modelos meteorológicos y sistemas de inteligencia artificial pueden detectar focos incipientes, anticipar su evolución, identificar las zonas de mayor riesgo y ayudar a asignar recursos con una precisión impensable hace pocos años.

Eso sí, tengamos claro que ningún algoritmo desbroza un monte. La inteligencia artificial nos puede señalar muy bien qué parcelas acumula más combustible, qué caminos deberían recuperarse o dónde conviene crear discontinuidades en la vegetación, pero después hay que enviar equipos, maquinaria o ganado y mantenerlos allí con cierta continuidad. La tecnología puede mejorar la calidad de las decisiones, pero no sustituye a la voluntad política, a los presupuestos ni al trabajo diario sobre el terreno.

La gestión de la biomasa debería entenderse como una política energética, industrial y territorial. Los restos forestales pueden utilizarse, dentro de límites rigurosos, para generar calor, biogás, materiales o energía, mientras se reduce la cantidad de combustible disponible para los incendios. El pastoreo preventivo, las quemas prescritas, los mosaicos agroforestales y la recuperación de actividades rurales no representan una especie de vuelta romántica al pasado, sino una caja de herramientas perfectamente compatible con la observación por satélite, los gemelos digitales y la inteligencia artificial.

Pretender resolver el problema comprando más aviones cuando empieza el verano es como responder al deterioro ferroviario encargando más ambulancias. La extinción es necesaria y comprar más aviones también lo es, pero ahora está llegando cuando la prevención ya ha fracasado. Mientras sigamos considerando el mantenimiento un gasto prescindible, cada nuevo avance tecnológico servirá únicamente para observar con mayor precisión cómo arde aquello que decidimos no cuidar.

Lo verdaderamente inquietante no es que ignoremos cómo reducir el riesgo. Sabemos perfectamente qué hacer. Lo inquietante es que seguimos escogiendo no hacerlo, confiando en que el próximo incendio, el próximo colapso o la próxima tragedia ocurran lo suficientemente lejos, o bajo el mandato de otro.

This article is also available in English on my Medium page, «We have the technology to fight wildfires. We lack the will to prevent them.«

Los llamados mercados de predicción, sobre los que ya escribí recientemente, han conseguido envolverse en una retórica particularmente eficaz: según ellos, no son casas de apuestas, sino supuestos «mecanismos sofisticados para agregar información dispersa y convertirla en probabilidades». Frente a las encuestas, los expertos o los modelos, el dinero obliga a los participantes a tomarse en serio sus previsiones, y el resultado, según sus defensores, es una especie de «inteligencia colectiva» capaz de anticipar elecciones, guerras, decisiones empresariales o resultados deportivos mejor que cualquier otro instrumento.

El problema es que, cuando se retira esa pretendida capa de respetabilidad académica, lo que aparece debajo se parece extraordinariamente a una casa de apuestas. El usuario arriesga dinero sobre un acontecimiento incierto y gana o pierde en función de su desenlace. Que la apuesta adopte la forma de un «contrato de evento», que se exprese en centavos o que su precio pueda interpretarse como una probabilidad no altera su naturaleza.

Es precisamente lo que sostiene Nueva York en su demanda contra Kalshi: la plataforma permite apostar sobre deportes y otros acontecimientos sin licencia estatal, eludiendo controles de edad, restricciones publicitarias, mecanismos contra la adicción y obligaciones fiscales aplicables al juego regulado. La fiscal general, Letitia James, lo resumió sin demasiados rodeos: independientemente de cómo se denominen, estas plataformas son apuestas. Y tiene toda la razón.

La defensa de Kalshi se apoya en una pirueta jurídica: al estar supervisada federalmente por la Commodity Futures Trading Commission, sus contratos serían supuestamente instrumentos financieros, y no apuestas sometidas a las leyes estatales. Pero llamar «mercado» a una ruleta no la convierte en la bolsa. En la propia interfaz reproducida en el escrito judicial aparecen partidos, ganadores de torneos, goleadores y resultados exactos, acompañados de cuotas y volúmenes. La diferencia con una aplicación de apuestas deportivas no está en la experiencia del usuario, sino en el vocabulario escogido por los abogados.

El asunto sería ya de por sí suficientemente grave por sus efectos sobre la salud pública. La Organización Mundial de la Salud estima que alrededor del 1.2% de la población adulta mundial padece trastorno por juego, mientras la comisión de The Lancet sobre el juego advierte de que la digitalización ha convertido las apuestas en un producto disponible permanentemente y distribuido a escala global. Introducir apuestas sobre prácticamente cualquier dimensión de la realidad no mejora el conocimiento colectivo: amplía hasta el infinito la superficie sobre la que una persona puede desarrollar una conducta adictiva.

Pero los mercados de predicción incorporan además un problema aún más perverso: su supuesta precisión puede proceder precisamente de aquello que una sociedad bien organizada debería desincentivar, el aprovechamiento privado de información privilegiada. Un mercado acierta no necesariamente porque la multitud sea sabia, sino porque alguien sabe algo que los demás ignoran y decide monetizarlo. Cuanto más cerca esté esa persona del acontecimiento, por ser un empleado, un asesor, un militar, un funcionario o un proveedor, mejor será aparentemente el «oráculo». Es, por tanto, la propia naturaleza de estas plataformas la que atrae la participación de aquellos con acceso a información privilegiada. Para Polymarket, Kalshi y compañía, que acceda gente con información privilegiada es bueno, porque mejora la calidad de las predicciones. Por tanto, la información privilegiada, como decimos en tecnología, no es un bug, es una feature.

No estamos ante una hipótesis teórica: el Departamento de Justicia estadounidense acusó a un empleado de Google de utilizar información confidencial para obtener más de 1.2 millones de dólares apostando en Polymarket sobre las búsquedas del año. En otro caso, un soldado fue acusado de emplear información clasificada sobre una operación militar para apostar acerca de la captura de Nicolás Maduro. No son participantes particularmente perspicaces. Son personas que, simplemente, sabían el resultado antes que los demás. Obviamente, eso mejora las predicciones sobre lo que va a ocurrir. Pero es claramente un delito, un fraude y una forma de aprovecharse de los demás.

Una investigación académica reciente sobre Polymarket lo prueba claramente, porque muestra una enorme concentración de los beneficios: el 1% de los usuarios ganadores captura más de tres cuartas partes de las ganancias. Otro trabajo se pregunta expresamente si la precisión de estas plataformas procede de la sabiduría colectiva o de una minoría informada. La imagen empieza a parecerse menos a una plaza pública que agrega conocimiento y más a una mesa de póker en la que algunos participantes pueden ver las cartas de los demás.

Aquí aparece un conflicto de agencia monumental. Quien posee información interna tiene el deber de protegerla o utilizarla en interés de la organización a la que sirve, no de convertirla en una apuesta personal para su propio beneficio. Y quien puede influir sobre el resultado, como un político que prepara una dimisión, un ejecutivo que decide un lanzamiento, un empleado que conoce una cifra o un militar implicado en una operación, deja de ser un mero observador. El mercado crea un incentivo económico para filtrar, manipular, retrasar, acelerar o incluso provocar acontecimientos. No se limita a predecir la realidad: recompensa a quienes pueden contaminarla.

The Economist sostiene que estos mercados necesitan mejores reglas, no su desaparición. Es una posición coherente con la fascinación liberal por los precios como condensadores de información, pero confunde capacidad predictiva con legitimidad social. También podríamos obtener indicadores muy precisos pagando a funcionarios por secretos, a médicos por historiales o a jueces por borradores de sentencias. La información resultante sería valiosa, pero el mecanismo utilizado para obtenerla sería moralmente inaceptable y socialmente destructivo.

Regular tampoco resuelve el problema esencial. ¿Cómo se determina quién tenía información privilegiada en una apuesta sobre una guerra, una enfermedad, una decisión regulatoria o la vida privada de una celebridad? ¿Qué perímetro de personas queda excluido? ¿Cómo se demuestra que una operación se basó en conocimiento reservado y no en una intuición afortunada? La amplitud temática de estas plataformas hace prácticamente imposible trasladarles las normas de abuso de mercado creadas para valores emitidos por empresas identificables. Que Kalshi haya comenzado a exigir verificaciones laborales en determinados mercados es, más que una solución, el reconocimiento explícito de que el problema forma parte de su propia arquitectura. Estamos, simplemente, incentivando a sinvergüenzas.

Los mercados de predicción no son oráculos. Son casinos que convierten la información asimétrica en materia prima, la actualidad en una sucesión interminable de apuestas y los conflictos de interés en una ventaja competitiva. Su aparente precisión no los redime: en muchos casos es lo contrario, los incrimina. No necesitamos mejores mecanismos para apostar sobre todo lo que ocurre, sino instituciones que reduzcan las asimetrías y protejan la información sensible. Prohibirlos no sería una reacción contra la innovación: sería simplemente negarse a llamar inteligencia colectiva a la explotación organizada de la asimetría y la ventaja informativa.

This article is also available in English on my Medium page, «Prediction markets aren’t oracles. They’re casinos for insiders.»