Durante años, el debate sobre la energía solar en España ha estado planteado en términos de conflicto: o dedicamos el terreno a producir alimentos o lo dedicamos a producir electricidad, como si esas dos actividades fueran incompatibles, o como si cada hectárea tuviese que elegir entre aceitunas o electrones.

Sin embargo, el avance de las tecnologías agrivoltaicas está demostrando que esa dicotomía puede estar completamente equivocada.

La idea no es nueva. Hace ya algunos años escribí sobre la tecnología agrivoltaica y el rediseño del campo y posteriormente sobre por qué las tecnologías agrivoltaicas tenían todo el sentido del mundo. Desde entonces, la investigación ha seguido acumulando evidencias de que, en muchos cultivos, una sombra parcial cuidadosamente diseñada no solo no perjudica la producción, sino que puede mejorarla.

La explicación tiene mucho que ver con el cambio climático. Durante décadas asumimos que más horas de sol equivalían automáticamente a mejores cosechas. Hoy sabemos que no siempre es así. En gran parte de España, especialmente en Andalucía, Extremadura o la Comunidad Valenciana, el problema para la agricultura ya no es la falta de radiación solar, sino el exceso. Las olas de calor son más frecuentes, las temperaturas extremas duran más tiempo y el estrés hídrico se ha convertido en una amenaza permanente para muchos cultivos.

En ese contexto, los paneles solares dejan de ser únicamente una herramienta de generación energética para convertirse también en una herramienta agronómica. Instalados a suficiente altura para permitir el paso de maquinaria y la actividad agrícola normal, generan una sombra parcial que reduce la temperatura del suelo, disminuye la evaporación y protege a las plantas durante los episodios más extremos.

Los resultados empiezan a ser difíciles de ignorar. Un estudio publicado en Nature Sustainability demuestra cómo los sistemas agrivoltaicos pueden mejorar simultáneamente la producción agrícola, la eficiencia energética y la gestión del agua en entornos áridos. La investigación concluye que la combinación de agricultura y energía solar genera beneficios mutuos para los dos sistemas, en lugar de la competencia por el uso del suelo que tradicionalmente se asumía.

En España, el potencial parece especialmente interesante para cultivos permanentes como el olivar o el viñedo. Investigadores de la Universidad de Jaén han desarrollado diseños específicos para olivares que permiten compatibilizar la generación eléctrica con la mecanización completa de la explotación agrícola. El objetivo no es sustituir el cultivo por placas solares, sino mantener ambas actividades sobre la misma superficie.

Algo parecido está ocurriendo en el sector vitivinícola. El proyecto WineSolar impulsado por Iberdrola en Toledo explora cómo adaptar el sombreado de los paneles a las necesidades concretas de la vid, utilizando sistemas inteligentes capaces de modificar la orientación de los módulos en función de las condiciones meteorológicas y del estado del cultivo. En la Ribera del Duero también hay instalaciones que están desarrollando este tipo de tecnologías.

Lo interesante es que la agrivoltaica obliga a replantear una idea profundamente arraigada: la de que el suelo solo puede tener un uso. Durante siglos hemos pensado en las explotaciones agrícolas como espacios dedicados exclusivamente a producir alimentos. Pero la transición energética está introduciendo una nueva variable: la misma hectárea puede generar cosechas, producir electricidad, reducir el consumo de agua y, además, proporcionar una fuente adicional de ingresos para el agricultor. Y eso último puede ser tan importante como cualquier consideración ambiental.

El campo español lleva décadas atrapado entre márgenes decrecientes, dependencia de subvenciones, volatilidad de precios y fenómenos climáticos cada vez más difíciles de gestionar. En ese contexto, la posibilidad de complementar los ingresos agrícolas con la generación de energía renovable puede convertirse en una herramienta fundamental para mejorar la viabilidad económica de muchas explotaciones.

Además, la agrivoltaica ofrece una respuesta interesante a una de las críticas más frecuentes contra la expansión fotovoltaica: la ocupación de suelo agrícola. Si la misma parcela puede seguir produciendo alimentos mientras genera electricidad, el debate deja de ser una confrontación entre agricultura y energía para convertirse en una discusión sobre cómo diseñar mejor el territorio.

Por supuesto, no todas las instalaciones solares son agrivoltaicas. Existe el riesgo de utilizar el término como una simple operación de marketing para justificar proyectos que, en la práctica, terminan expulsando a la actividad agrícola. La clave está precisamente en lo contrario: que la producción agraria siga siendo real, económicamente viable y compatible con la generación energética.

Pero cuando eso ocurre, la propuesta resulta difícil de cuestionar. España, por razones obvias, debería estar en primera línea de la tecnología agrivoltaica. Tenemos sol, tenemos superficie agrícola, tenemos cultivos de alto valor, tenemos estrés hídrico creciente y tenemos una industria fotovoltaica que ha madurado muy rápido. Red Eléctrica señala que la fotovoltaica alcanzó en 2024 su máximo histórico de generación, con 44,520 GWh y un 17% de la producción eléctrica del país, y que a comienzos de 2025 ya era la tecnología con mayor potencia instalada en España, con más de 32 GW, por delante de la eólica.

La cuestión ya no es si la solar va a crecer: va a crecer. La cuestión es si queremos que ese crecimiento se haga compitiendo absurdamente con el campo, o integrándose inteligentemente en él. Quizá el error haya sido pensar durante tanto tiempo que el campo y la energía competían por el mismo espacio. Cada vez existen más razones para creer que, en realidad, estaban destinados a compartirlo.

Mi columna de esta semana en Invertia se titula «Madrid y el momento del coche autónomo» (pdf), y trata sobre una noticia que, aunque ha pasado relativamente desapercibida entre el habitual ruido político y regulatorio, tiene una enorme importancia estratégica: Madrid está a punto de convertirse en una de las primeras grandes ciudades europeas en experimentar con servicios reales de movilidad autónoma en sus calles.

La noticia surge a partir de los anuncios de despliegues y pruebas por parte de compañías como Uber, Cabify y Bolt, así como del acuerdo entre Uber, WeRide y Avomo para comenzar a operar servicios de robotaxis en Madrid a lo largo de este año. Mientras tanto, Uber continúa reforzando su apuesta por este mercado con inversiones cada vez más significativas en empresas especializadas como Nuro, una compañía en la que mantiene ya compromisos financieros cercanos a los quinientos millones de dólares.

Lo interesante del caso madrileño es que rompe con una narrativa que hemos visto repetirse durante años en Europa: la de un continente que observa las grandes innovaciones tecnológicas desde la distancia mientras espera a que otros las desarrollen, las prueben y las conviertan en algo cotidiano. Durante demasiado tiempo, la conversación sobre el coche autónomo se ha centrado en cuestiones técnicas, regulatorias o incluso filosóficas, mientras ciudades como Phoenix o San Francisco comenzaban a convivir con vehículos sin conductor como parte normal de su ecosistema de movilidad.

Sin embargo, el caso español presenta una diferencia importante respecto al modelo norteamericano. En Estados Unidos, la adopción llegó impulsada fundamentalmente por grandes compañías tecnológicas como Waymo. En España, en cambio, llegará previsiblemente a través de plataformas que millones de usuarios utilizan ya de manera habitual. La transición será prácticamente invisible para la mayoría de las personas: simplemente pedirán un vehículo a través de una aplicación conocida y descubrirán que, en algún momento, el conductor ya no está ahí.

Ese detalle puede parecer menor, pero en realidad resulta crucial. La historia de la innovación demuestra que muchas tecnologías fracasan no porque funcionen mal, sino porque exigen demasiado esfuerzo de adaptación por parte de los usuarios. En este caso ocurre exactamente lo contrario: la adopción puede producirse de forma gradual, casi imperceptible.

Además, España reúne una combinación especialmente interesante de factores para convertirse en uno de los mercados más relevantes de Europa para la movilidad autónoma: un clima favorable, ciudades relativamente densas pero manejables, una fuerte implantación de los servicios de VTC y un marco regulatorio europeo que, por una vez, parece empezar a acompañar la evolución tecnológica en lugar de perseguirla con años de retraso.

La cuestión verdaderamente importante, sin embargo, no es si los coches autónomos acabarán llegando. Eso ya parece inevitable. La cuestión es qué harán las ciudades con ellos cuando lleguen. Como comentaba hace unos meses, estos vehículos no son únicamente una nueva forma de transportar pasajeros. Son también plataformas móviles de recopilación de información capaces de aportar datos valiosísimos sobre el estado de las calles, los patrones de tráfico, las incidencias urbanas o las necesidades de mantenimiento de las infraestructuras.

Por eso el debate relevante no debería plantearse en términos de miedo o resistencia, sino de diseño institucional. ¿Qué datos deben compartir estas plataformas con la ciudad? ¿Cómo se integran con el transporte público? ¿Qué incentivos pueden alinearse para que contribuyan a reducir el uso del vehículo privado? ¿Cómo puede aprovecharse esta tecnología para construir ciudades más eficientes en lugar de simplemente añadir más coches a las calles?

Madrid tiene ahora la oportunidad de responder a esas preguntas antes que muchas otras ciudades europeas. Y en un ámbito tan transformador como la movilidad autónoma, aprender antes suele equivaler a disponer de una ventaja muy difícil de recuperar después.

Como ocurre con todas las grandes innovaciones, habrá problemas, errores, exageraciones, titulares alarmistas e idiotas mencionando el manoseado dilema del tranvía. Pero la diferencia entre una ciudad que lidera y una ciudad que sigue a otras no está en evitar cualquier riesgo, sino en aprender a gestionarlo. Y en ese sentido, Madrid podría estar mucho más cerca de convertirse en referencia de lo que muchos imaginan.

This article is also available in English on my Medium page, «Here’s an important strategic initiative in Spain: Madrid is Europe’s first city to trial robotaxis»

Durante décadas, Apple ha convertido el hecho de llegar tarde en una ventaja competitiva. No inventó el reproductor de música digital, ni el smartphone, ni la tableta, ni el reloj inteligente. Observó cómo otros abrían camino, aprendió de sus errores y terminó ofreciendo una experiencia mejor integrada y más fácil de utilizar. Una reinvención.

La inteligencia artificial, sin embargo, podría ser diferente.

La WWDC 2026 pasará a la historia como el evento en el que Apple admitió implícitamente dos cosas: que había infravalorado la revolución de la inteligencia artificial generativa y que ya no podía permitirse seguir haciéndolo. Tras años prometiendo una nueva Siri y una plataforma de inteligencia artificial que nunca terminaba de materializarse, la compañía presentó finalmente una versión completamente renovada de su asistente, ahora capaz de comprender contexto personal, analizar lo que aparece en pantalla, encadenar acciones complejas y mantener conversaciones mucho más naturales. En el lado bueno, Siri ha mejorado mucho. En el lado malo… no lo tenía muy difícil.

Pero lo más importante no fue lo que Apple presentó, sino cómo lo presentó. Durante años, Apple defendió una estrategia basada en desarrollar internamente las tecnologías clave que sustentaban sus productos. Sin embargo, la nueva Siri llega impulsada por Gemini, la inteligencia artificial de Google. La empresa que construyó su éxito sobre el control absoluto de la experiencia de usuario ha terminado recurriendo a uno de sus principales competidores para dejar de ser patética, poder ser mínimamente competitiva y, básicamente, ponerse al día.

Y eso plantea una cuestión incómoda: ¿sigue siendo Apple una empresa que lidera las grandes transiciones tecnológicas o se ha convertido en una compañía que simplemente las integra cuando ya están maduras? La respuesta no es tan sencilla como parece.

La narrativa dominante sostiene que Apple llega tarde a la inteligencia artificial. Y es verdad. Mientras OpenAI, Google, Anthropic o Meta competían por construir modelos cada vez más potentes, Apple seguía hablando de privacidad, de procesamiento local y de experiencias cuidadosamente diseñadas. Mientras Microsoft invertía decenas de miles de millones en infraestructura, Apple permanecía completamente al margen de la carrera.

Muchos interpretan esa actitud como una señal de retraso. Otros, sin embargo, la ven como una demostración de disciplina estratégica: después de todo, Apple nunca ha querido ganar la guerra de la tecnología, siempre ha preferido ganar la guerra de la experiencia. Pero la pregunta, claro, es si esa estrategia sigue siendo válida en la era de la inteligencia artificial.

Porque la inteligencia artificial introduce una diferencia fundamental respecto a revoluciones anteriores. En el pasado, Apple podía comprar componentes, diseñar una interfaz superior y construir un producto mejor. Hoy, el núcleo del valor parece concentrarse en los modelos fundacionales, y esos modelos requieren cantidades gigantescas de datos, capacidad de computación y talento especializado. Y Apple llega a esa carrera con una limitación autoimpuesta: su obsesión por la privacidad.

Mientras Google, Meta o OpenAI se alimentan de enormes volúmenes de información para entrenar y mejorar continuamente sus sistemas, Apple insiste en minimizar la recopilación de datos y mantener gran parte del procesamiento dentro de los dispositivos. Es una postura coherente con su identidad y probablemente apreciada por muchos usuarios. Pero también supone una desventaja competitiva evidente.

La cuestión es si esa desventaja importa. Porque existe otro escenario posible: que los modelos terminen convirtiéndose en una commodity. Las diferencias entre ellos disminuyen rápidamente. Lo que hoy parece una ventaja tecnológica decisiva puede desaparecer en cuestión de meses. Si eso ocurre, el valor dejará de estar en el modelo y pasará a estar en la distribución, la confianza y la integración. Y ahí Apple sigue siendo prácticamente imbatible: tiene más de mil millones de usuarios activos, y controla tanto el hardware y el sistema operativo como el ecosistema de aplicaciones. Si la inteligencia artificial acaba siendo una funcionalidad integrada en nuestra vida cotidiana en lugar de un producto independiente, Apple podría estar perfectamente posicionada para beneficiarse de ella sin necesidad de ganar la carrera de los modelos.

Sin embargo, hay un precedente histórico que debería preocupar a la compañía: a mediados de los ’90, Apple cometió un error estratégico monumental al infravalorar Internet. Mientras Microsoft reorganizaba toda la compañía alrededor de la red, Apple seguía concentrada en sus productos y en su experiencia de usuario. El resultado fue un período de irrelevancia tecnológica del que tardó años en recuperarse.

La comparación no es exacta, pero sí bastante inquietante, porque en ambos casos aparece el mismo patrón: una tecnología emergente inicialmente considerada complementaria que termina redefiniendo toda la industria. Internet no fue una característica más de los ordenadores. Se convirtió en la razón principal para utilizarlos. La inteligencia artificial podría seguir una trayectoria similar. Y si eso ocurre, la estrategia de Apple corre el riesgo de parecer peligrosamente conservadora.

De hecho, la propia compañía parece haber llegado a esa conclusión. Las informaciones previas a la WWDC describían reuniones internas de emergencia, cambios organizativos profundos y una creciente preocupación por el retraso acumulado. La sustitución de los responsables de Siri, la mayor implicación de Tim Cook y la decisión de apoyarse en Google sugieren una organización que finalmente ha comprendido la magnitud de este desafío, y lo que vimos ayer en la conferencia fue, en muchos sentidos, una rectificación.

Apple ya no habla de la inteligencia artificial como una simple característica integrada en sus dispositivos. Habla de ella como el eje central de la próxima generación de experiencias. La diferencia es importante porque implica reconocer que la inteligencia artificial no es una moda pasajera ni una funcionalidad más: es una nueva capa informática.

¿Será suficiente? Nadie lo sabe todavía. La nueva Siri parece mucho más personal y competitiva que cualquier versión anterior. Pero también llega muchísimo después de que ChatGPT, Gemini o Claude hayan redefinido las expectativas de los usuarios. Apple ya no está marcando el ritmo de la innovación… está intentando alcanzarlo. Y eso es algo extraordinariamente poco habitual para una compañía que durante décadas se acostumbró a dictar las reglas del juego.

Quizá la apuesta por la privacidad termine demostrando ser una ventaja diferencial. Quizá los modelos se conviertan en una commodity y el verdadero valor resida en la integración. O quizá Apple esté repitiendo, con treinta años de diferencia, el mismo error que cometió cuando subestimó Internet. Y cualquiera de las dos posibilidades formará una parte inseparable del legado de Tim Cook.

La paradoja es fascinante: la empresa que más ha insistido en que la inteligencia artificial debe ser invisible y estar al servicio del usuario podría acabar teniendo razón. Pero también existe la posibilidad de que, cuando finalmente haya decidido tomarse la inteligencia artificial en serio, el resto del sector ya haya avanzado demasiado.

This article is also available in English on my Medium page, «What WWDC 2026 really told us about Apple’s future in the age of AI»

La decisión de S&P Dow Jones Indices de no modificar sus criterios para acelerar la entrada de compañías megacap recién salidas a bolsa en el S&P 500, comentada por Ars Technica en «S&P 500 blocks fast SpaceX entry, won’t waive rule for unprofitable AI firms«, es una de esas noticias aparentemente técnicas que, en realidad, dicen mucho sobre cómo entendemos los mercados, la innovación y la disciplina institucional. Porque un índice no es un ranking de popularidad, ni una encuesta de expectativas, ni un mecanismo para bendecir narrativas futuristas: es una herramienta de referencia para la inversión, y precisamente por eso debe resistirse a la tentación de convertirse en una veleta.

El S&P 500 es considerado por S&P como el gran indicador de la renta variable estadounidense de gran capitalización, con unas quinientas compañías que representan aproximadamente el 80% de la capitalización del mercado. Eso significa que su composición tiene consecuencias muy reales: detrás de cada inclusión hay fondos indexados, planes de pensiones, productos de ahorro, carteras institucionales y millones de inversores que no han decidido activamente comprar una compañía determinada, sino replicar un índice. Cuando una empresa entra en el S&P 500, no recibe simplemente un sello reputacional: recibe automáticamente una gran demanda de sus acciones, por parte de todos los actores que buscan replicar la composición del índice.

Precisamente por eso, las reglas importan. En 2020 escribí sobre la entrada de Tesla en el S&P 500 y la economía verde, y en 2023 sobre la entrada de Uber en el mismo índice. En ambos casos, con todas las reservas que se quisieran plantear sobre sus modelos, sus efectos sociales o sus valoraciones, había un elemento fundamental: habían cumplido unas condiciones. Tesla representaba una transformación industrial de primer orden, sí, pero entró cuando pudo hacerlo. Uber, tras años de crecimiento desordenado, conflictos regulatorios y pérdidas, entró cuando logró estabilizar sus cuentas y encadenar trimestres positivos. ¿Alguna diferencia con SpaceX, OpenAI o Anthropic? Muchísimas.

SpaceX puede representar muchas cosas: la industrialización del espacio, la redefinición de las telecomunicaciones vía Starlink, una nueva geopolítica de las infraestructuras orbitales o, sencillamente, una de las compañías tecnológicas más ambiciosas de nuestra época. Pero una cosa es reconocer su potencial, y otra muy distinta pretender que una valoración estratosférica sustituya a la consolidación empresarial. Una compañía puede ser fascinante, estratégica, incluso decisiva para el futuro, y al mismo tiempo no estar todavía en condiciones de formar parte de un índice que canaliza de forma masiva la inversión pasiva. Confundir ambas cosas es exactamente el tipo de error que convierte los mercados en una máquina de amplificar burbujas.

Lo mismo ocurre con OpenAI y Anthropic. Nadie razonable puede negar la importancia de la inteligencia artificial generativa, ni el impacto que estas compañías están teniendo sobre la tecnología, la educación, la programación, la productividad o la estructura competitiva de la industria. Pero tampoco deberíamos confundir relevancia tecnológica con madurez financiera. Según Fast Company, OpenAI no espera ser rentable hasta 2030, mientras Anthropic alternaría todavía resultados positivos y pérdidas antes de consolidarse. Estamos hablando de compañías extraordinariamente prometedoras, sí, pero también intensivas en capital, con costes de entrenamiento e infraestructura descomunales, modelos de negocio aún en evolución y una dependencia enorme de rondas de financiación, acuerdos estratégicos y expectativas futuras.

¿Debe un índice como el S&P 500 anticipar el futuro? En parte, inevitablemente, porque los mercados siempre descuentan expectativas. Pero no debe hacerlo rompiendo sus propias reglas cada vez que aparece una narrativa lo suficientemente grande como para deslumbrar a Wall Street. La consulta de S&P Dow Jones Indices planteaba precisamente si las megacap debían quedar exentas de ciertos requisitos, incluyendo criterios de viabilidad financiera. La respuesta final es sensata: no cambiar las reglas, mantener el requisito de cotización durante al menos doce meses tras la salida a bolsa y no crear excepciones basadas únicamente en capitalización.

En la práctica, esto significa algo muy sencillo: si SpaceX, OpenAI o Anthropic son realmente tan importantes como sus defensores afirman, no necesitan que se les regale la entrada en ese club. Les bastará con cotizar, demostrar liquidez, flotación, gobierno corporativo, estabilidad y resultados. Si su valoración está justificada, el tiempo lo demostrará. Si no lo está, mejor que el ajuste lo sufran quienes decidieron asumir ese riesgo voluntariamente, no millones de inversores pasivos arrastrados por una modificación oportunista de la metodología.

Un índice serio no está para perseguir la espuma del mercado, sino para proporcionar una representación consistente, replicable y disciplinada. Si cada ciclo de entusiasmo obliga a cambiar las reglas, las reglas dejan de ser reglas y pasan a ser relaciones públicas. Hoy sería SpaceX; mañana, cualquier compañía envuelta en la siguiente narrativa irresistible: computación cuántica, fusión nuclear, biotecnología sintética o lo que toque vender en la próxima presentación para inversores.

La innovación necesita capital, por supuesto. Pero el capital necesita instituciones que no se comporten como adolescentes ante cada promesa de futuro. La función de un índice no es aplaudir al visionario de turno ni subirse al tren antes que nadie: es ofrecer una referencia estable. Y precisamente porque SpaceX, OpenAI o Anthropic pueden llegar a ser enormes, conviene no tratarlas como si ya hubieran demostrado lo que todavía tienen que demostrar.

La disciplina metodológica no es conservadurismo, es higiene financiera. Y en una época en la que buena parte del mercado parece dispuesto a confundir tamaño con solidez, expectativas con beneficios y narrativa con realidad, mantener las reglas puede ser una de las decisiones más innovadoras de todas.

This article is also available in English on my Medium page, «Why the S&P 500 is right to keep SpaceX, OpenAI, and Anthropic waiting»

La promesa de la inteligencia artificial más avanzada siempre ha sonado como la de un servicio público: inteligencia abundante, disponible bajo demanda, tan fácil de utilizar como la electricidad, el agua o la computación en la nube. La metáfora es potente, y con razón. Los servicios públicos escalan porque abstraen la complejidad: no necesitas un ingeniero de la compañía eléctrica sentado en tu oficina cada vez que enciendes la luz.

Y, sin embargo, las empresas de inteligencia artificial más sofisticadas del mundo están haciendo cada vez más algo muy diferente: enviar personas.

OpenAI anunció recientemente la OpenAI Deployment Company, diseñada explícitamente para integrar Forward Deployed Engineers dentro de organizaciones que trabajan sobre problemas complejos en entornos exigentes. Según OpenAI, estos ingenieros colaborarán con directivos, responsables operativos y equipos de primera línea para identificar dónde la inteligencia artificial puede generar mayor impacto, rediseñar flujos de trabajo y convertir esas mejoras en sistemas duraderos. Anthropic está contratando Forward Deployed Engineers para su equipo de inteligencia artificial aplicada, profesionales que se integran directamente con clientes estratégicos para impulsar la adopción empresarial y desplegar aplicaciones reales. Google está haciendo exactamente lo mismo. ¿Casualidad?

Resulta revelador. Porque si la inteligencia fuese ya una auténtica utility, nada de esto sería necesario. No tendrías que enviar tus propios ingenieros a cada cliente para conseguir que el grifo funcione.

La paradoja de la inteligencia artificial como utility

Esta es la paradoja en el centro del modelo actual de inteligencia artificial empresarial: la industria habla el lenguaje de la escala, la abundancia y las plataformas, pero el modelo de implementación se parece cada vez más al de la consultoría de alto nivel.

Eso no significa que el trabajo carezca de importancia, más bien al revés. Los Forward Deployed Engineers suelen estar resolviendo el problema real: sacar los modelos más avanzados del entorno de demostración y hacer que funcionen dentro de organizaciones complejas, reguladas y fragmentadas. Se ocupan de permisos, sistemas heredados, cumplimiento normativo, calidad de datos, flujos de trabajo, restricciones operativas y de todas esas cosas que hacen que las empresas reales se parezcan muy poco a los benchmarks.

Pero precisamente ahí está la cuestión. La necesidad de estas personas no es simplemente una innovación comercial. Es un síntoma. Nos dice que el producto, tal y como está empaquetado hoy, todavía no es suficiente.

En artículos anteriores de esta serie argumenté que los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa, que la inteligencia artificial empresarial debe evolucionar de herramientas a sistemas, y que los sistemas que finalmente funcionen no se parecerán a chatbots ni copilots, sino a inteligencia integrada en la propia organización. El fenómeno de los Forward Deployed Engineers confirma ese argumento desde el lado de los proveedores. Si el laboratorio de inteligencia artificial tiene que enviar ingenieros para reconstruir contexto, rediseñar procesos y hacer que el sistema opere bajo restricciones reales, entonces la capa que falta no es imaginaria. Está ahí, y está siendo suministrada manualmente.

El patrón pre-plataforma

Toda gran industria tecnológica atraviesa una fase artesanal antes de convertirse en industrial.

Antes de que el software empresarial se empaquetase como producto, las implantaciones eran completamente a medida. Antes de que las plataformas de cloud computing maduras apareciesen, las empresas necesitaban ejércitos de especialistas para configurar sus infraestructuras. Antes de que la web se estabilizase alrededor de navegadores, estándares, proveedores de alojamiento, gestores de contenidos, analítica y convenciones de diseño, construir una página web requería muchísimo más trabajo personalizado que después.

Los Forward Deployed Engineers encajan perfectamente en ese mismo patrón histórico. Palantir popularizó este modelo hace años. De hecho, su propia descripción del puesto de Forward Deployed Software Engineer se basa en ingenieros que trabajan directamente dentro del entorno del cliente para conseguir que el software funcione en la realidad operativa.

Ese modelo tenía sentido para Palantir porque sus clientes suelen operar en entornos extraordinariamente complejos, de alto riesgo y con requisitos muy específicos. Pero cuando OpenAI y Anthropic empiezan a converger hacia patrones similares, la señal es distinta: la industria de la inteligencia artificial más avanzada está descubriendo que los modelos, por sí solos, no son capaces de salvar la brecha empresarial.

Eso no convierte a los FDEs en un fracaso. Los convierte en una forma transitoria. Son lo que aparece antes de que una categoría encuentre su auténtica capa de plataforma.

SAP no envía empleados de SAP a cada cliente

Es aquí donde la comparación con el software empresarial maduro resulta útil: SAP no escala enviando empleados de SAP a cada cliente. Cuenta con un enorme ecosistema de socios. Salesforce tampoco implanta personalmente cada proyecto. Tiene AppExchange, ahora evolucionando hacia AgentExchange, y un amplio ecosistema de partners, fabricantes independientes de software (ISVs) e integradores de sistemas. La empresa que crea la plataforma construye el sustrato; el ecosistema industrializa la entrega.

Esa diferencia es importante. Cuando es el propio proveedor quien tiene que aportar la escasa experiencia humana necesaria para que el producto funcione, la categoría sigue siendo inmadura. Cuando son los socios, los integradores, las plantillas, los estándares y las arquitecturas repetibles quienes toman el relevo, la categoría empieza a escalar.

Por eso conviene interpretar con cuidado la actual ola de FDEs. No es la prueba de que la inteligencia artificial más avanzada se haya convertido en una plataforma. Es la prueba de que todavía no lo ha hecho.

Una plataforma auténtica reduce la necesidad de intervenciones a medida. Un producto preplataforma depende precisamente de ellas.

La trampa del modelo de negocio

Hay otro problema, y es más sutil: una vez que los Forward Deployed Engineers se convierten en una fuente de ingresos, prestigio, proximidad estratégica y dependencia por parte del cliente, resulta mucho más difícil para el proveedor prescindir de ellos. Las mismas personas que están resolviendo las carencias del producto pueden acabar formando parte del modelo de negocio que depende de que esas carencias sigan existiendo.

Es el territorio clásico del dilema del innovador. El gran Clayton Christensen sostenía que las empresas de éxito suelen tener dificultades no porque sean incapaces de ver el futuro, sino porque sus modelos de negocio actuales hacen que ese futuro resulte poco atractivo o incluso canibalizador. En este caso, el dilema es sencillo: si una empresa de inteligencia artificial avanzada construye la capa que convierte los despliegues en algo repetible, modular y escalable a través de socios, puede acabar socavando el modelo artesanal y de alto contacto que hoy le permite mantener una relación estrecha con sus mayores clientes.

Por eso la verdadera plataforma puede que no surja de las propias empresas que entrenan los modelos. Puede que aparezca en otra capa.

La capa que falta no es otro modelo

La tentación, como siempre, consiste en asumir que la respuesta es un modelo mejor. Un modelo más grande. Más agéntico. Con ventanas de contexto más largas, más herramientas, más memoria, más trazas de razonamiento y más autonomía.

Pero el modelo de los FDEs sugiere algo diferente. Si se están enviando ingenieros a los clientes para mapear procesos, comprender restricciones, conectar sistemas, estructurar contexto, gobernar accesos y transformar las salidas de la inteligencia artificial en resultados operativos, entonces la pieza que falta no es simplemente inteligencia. Es arquitectura.

Más concretamente, es la capa que transforma la realidad de la empresa en algo dentro de lo que los sistemas de inteligencia artificial puedan operar:

• contexto persistente
• estructura de procesos
• modelos de permisos
• gestión de restricciones
• bucles de retroalimentación
• estado de los flujos de trabajo
• semántica empresarial
• seguimiento de resultados

Hoy, esa capa suele reconstruirse manualmente en cada despliegue por parte de ingenieros expertos. Mañana tendrá que convertirse en pura infraestructura.

Ahí es donde está la verdadera oportunidad.

Por qué esto es, en la práctica, BPR con agentes

Todo esto conecta directamente con el regreso de la reingeniería de procesos de negocio (Business Process Reengineering).

En 1990, el famoso artículo de Michael Hammer en Harvard Business Review, «Reengineering Work: Don’t Automate, Obliterate«, defendía que las empresas no debían utilizar la tecnología simplemente para acelerar procesos obsoletos. Debían rediseñar los propios procesos. La idea era correcta, pero en muchos casos la tecnología de la época todavía no era capaz de sostener semejante ambición.

La inteligencia artificial cambia eso, pero también hace el problema más exigente. Si las empresas simplemente insertan inteligencia artificial en sus flujos de trabajo actuales, obtienen versiones más rápidas de procesos obsoletos. Si los proveedores simplemente envían ingenieros para personalizar cada despliegue, obtienen una transformación artesanal que no escala.

El verdadero avance llega cuando el propio rediseño se sistematiza: cuando los procesos de negocio no solo se automatizan, sino que además se representan, gobiernan, adaptan y optimizan de forma continua.

Ese es el momento en que la inteligencia artificial empresarial deja de parecerse a un proyecto de consultoría y empieza a convertirse en una plataforma.

El Forward Deployed Engineer es la pista

Por eso la figura del Forward Deployed Engineer resulta tan interesante. El FDE no es el futuro de la inteligencia artificial empresarial. El FDE es la pista de que ese futuro todavía no ha llegado del todo.

El puesto existe porque los sistemas actuales siguen necesitando seres humanos que hagan de puente entre la capacidad general de la inteligencia artificial y la realidad específica de cada organización. Alguien tiene que traducir la empresa a la máquina. Alguien tiene que interpretar las restricciones. Alguien tiene que decidir qué procesos son realmente importantes. Alguien tiene que conectar datos, procesos, acciones y resultados.

Pero la historia sugiere que, una vez aparece una capa repetible, el artesano deja de ocupar una posición central. Los consultores web no desaparecieron cuando la web maduró. Pero el «constrúyeme una página web» dejó de ser un misterioso problema de ingeniería a medida para la mayoría de las organizaciones. Los consultores ERP no desaparecieron cuando SAP maduró. Pero el ecosistema se estandarizó lo suficiente como para que el proveedor no tuviese que desplegar personalmente el producto en todas partes. Los arquitectos cloud no desaparecieron cuando AWS se convirtió en una plataforma. Pero la infraestructura pasó a ser programable, repetible y escalable.

Aquí ocurrirá exactamente lo mismo. Los Forward Deployed Engineers no desaparecerán. Pero si la inteligencia artificial empresarial llega a convertirse en una verdadera categoría de plataforma, dejarán de ser un elemento fundacional para convertirse en algo excepcional.

La verdadera prueba de una plataforma

La prueba es sencilla: ¿puede el sistema funcionar sin enviar al laboratorio? ¿Puede comprender la empresa sin realizar un ejercicio de mapeado específico en cada implantación? ¿Puede operar bajo restricciones sin reconstrucción manual? ¿Puede adaptarse a los flujos de trabajo sin tener un equipo de ingenieros instalado dentro del cliente? ¿Pueden terceros construir sobre él? ¿Pueden los clientes configurarlo? ¿Puede escalar más allá del pequeño grupo de empresas capaces de pagar un despliegue de guante blanco?

Hasta que la respuesta sea sí, deberíamos ser honestos respecto a lo que se está vendiendo. No es inteligencia artificial del grifo: es inteligencia artificial del grifo… pero con los fontaneros incluidos, y facturados aparte.

Y eso está perfectamente bien… por ahora. Todas las categorías atraviesan una fase artesanal. El error consiste en confundir esa fase con el destino final.

Lo que viene después

La siguiente etapa de la inteligencia artificial empresarial no estará definida por quién tenga el modelo más impresionante o el mayor equipo de despliegue. Estará definida por quien construya la capa que haga que esos equipos sean cada vez menos necesarios.

Porque las utilities no escalan enviando ingenieros a cada fregadero: escalan cuando la fontanería ya está instalada.

(This article was previously published on Fast Company)

Hace poco más de tres años, Geoffrey Hinton abandonó Google y lanzó una advertencia que ocupó titulares en todo el mundo: el desarrollo de la inteligencia artificial avanzaba demasiado deprisa y era necesario plantearse algún tipo de moratoria o pausa para comprender mejor sus riesgos. Escribí entonces sobre ello, porque procedía de una de las personas que más había contribuido a hacer posible esa misma tecnología.

¿Qué ocurrió después? Exactamente lo que cabía esperar: nada. No hubo moratoria. No hubo desaceleración. No hubo ni la más mínima aproximación o posibilidad de ningún consenso internacional al respecto. De hecho, ocurrió justamente lo contrario: la inversión se disparó, aparecieron nuevos modelos, aumentó la competencia entre empresas y países, y la velocidad de desarrollo se aceleró hasta niveles que en aquel momento parecían imposibles.

Ahora es Anthropic quien vuelve a plantear esencialmente la misma cuestión. Según un reciente documento del Anthropic Institute de la compañía, y según las declaraciones de algunos de sus responsables, la posibilidad de una desaceleración global coordinada del desarrollo de la inteligencia artificial sería deseable para ganar tiempo en investigación sobre seguridad, gobernanza y alineamiento. El detonante es la preocupación por la denominada recursive self-improvement, la posibilidad de que los sistemas lleguen a funcionar como máquinas de Gödel y comiencen a mejorar sus propias capacidades con una intervención humana cada vez menor.

La preocupación no es nueva. De hecho, forma parte del ADN intelectual de Anthropic desde su fundación. Dario Amodei lleva años advirtiendo de los riesgos potenciales de los sistemas avanzados de inteligencia artificial, al tiempo que defiende una visión extraordinariamente optimista de sus beneficios potenciales. En su ensayo «Machines of Loving Grace« sostiene que una inteligencia artificial suficientemente avanzada podría acelerar décadas de progreso científico en medicina, biología, desarrollo económico o sostenibilidad, hasta el punto de «comprimir» gran parte de los avances de este siglo en unos pocos años.

Pero precisamente ahí aparece la contradicción fundamental: si uno cree realmente que la inteligencia artificial puede curar enfermedades, acelerar el descubrimiento científico, mejorar la productividad global y generar ventajas económicas sin precedentes, ¿qué incentivos existen para detener su desarrollo?

La cuestión nunca ha sido tecnológica: es económica y geopolítica. Cuando Hinton habló de una pausa, el sector estaba compuesto por un número relativamente reducido de actores. Hoy hablamos de cientos de compañías, miles de investigadores, proyectos abiertos, laboratorios estatales, startups financiadas con miles de millones y gobiernos que consideran la inteligencia artificial un elemento central de su competitividad estratégica.

La historia de la tecnología está llena de llamamientos a la prudencia, pero también está llena de ejemplos en los que la prudencia perdió frente a los incentivos. La energía nuclear pudo ser regulada porque requiere instalaciones gigantescas, materiales escasos y una trazabilidad relativamente sencilla. Las armas biológicas son más difíciles. El software, muchísimo más. La inteligencia artificial se parece mucho más al software que a los reactores nucleares.

De hecho, la propia Anthropic reconoce el principal problema de cualquier hipotética moratoria: verificar su cumplimiento. ¿Cómo comprobar que una empresa, un laboratorio militar o un gobierno no siguen entrenando modelos mientras el resto se detiene? ¿Cómo detectar una carrera clandestina cuando los recursos necesarios para participar en ella son cada vez más accesibles?

La propia compañía utiliza una comparación reveladora: mientras que los silos de misiles pueden localizarse, los entrenamientos de modelos son mucho más fáciles de ocultar. Y, además, quien continúe desarrollando mientras los demás se detienen heredará automáticamente una ventaja competitiva gigantesca.

Ese es precisamente el núcleo del problema. Una pausa sólo funciona si todos paran. Pero para cualquier actor individual, no parar siempre resulta más atractivo que parar. Es el dilema del prisionero aplicado a la inteligencia artificial.

Y cuanto mayor es la recompensa potencial, más difícil resulta alcanzar acuerdos colectivos. Si Amodei tiene razón cuando habla de una futura «nación de genios en un centro de datos», capaz de generar descubrimientos científicos, ventajas militares o crecimiento económico extraordinario, entonces la tentación de seguir adelante será prácticamente irresistible.

Por eso estas llamadas a la pausa generan una sensación extraña. Son intelectualmente interesantes, incluso necesarias. Nos obligan a discutir riesgos que muchos prefieren ignorar. Introducen cuestiones de gobernanza que claramente no estamos abordando con suficiente profundidad. Y contribuyen a que la conversación pública no se limite a la próxima funcionalidad espectacular o al próximo récord en un benchmark. Pero como propuesta práctica tienen muy pocas posibilidades de prosperar.

La razón es sencilla: los actores que construyen inteligencia artificial compiten entre sí, pero también compiten países enteros. Estados Unidos compite con China. China compite con Estados Unidos. Europa intenta no quedarse completamente fuera de juego. India, Emiratos Árabes, Arabia Saudí y muchos otros países están invirtiendo cantidades enormes para desarrollar capacidades propias. En ese contexto, pedir una pausa global equivale a pedir un nivel de confianza internacional que ni siquiera existe en ámbitos mucho más maduros y regulados.

Lo que sí puede tener sentido no es detener el desarrollo, sino aumentar radicalmente la transparencia sobre él. Exigir auditorías independientes. Desarrollar estándares de seguridad verificables. Crear mecanismos de supervisión internacional. Obligar a divulgar capacidades y riesgos de los modelos más avanzados. Financiar investigación en alineamiento y seguridad a una escala comparable a la inversión destinada a mejorar prestaciones. Eso es difícil, pero resulta infinitamente más realista que imaginar una parada coordinada del progreso tecnológico.

Quizá la verdadera utilidad de estos llamamientos no sea conseguir la moratoria que proponen, sino recordarnos una realidad incómoda: que estamos en plena adolescencia de la tecnología, construyendo algo cuyo impacto potencial podría ser enorme mientras nuestras instituciones siguen funcionando a velocidad burocrática. Y además, compitiendo en lugar de colaborar.

Hinton intentó provocar esa conversación. Nadie le hizo demasiado caso. Ahora Anthropic vuelve a intentarlo. Probablemente tampoco consiga detener nada. Pero eso no significa necesariamente que esté equivocada.

This article is also available in English on my Medium page, «Anthropic says it wants to slow down AI. Here’s why it won’t happen.«

Hace unas semanas escribí sobre cómo Google estaba empezando a considerar como «consejo experto» lo que, en realidad, no es más que gente opinando en internet. Me refería a Reddit, una plataforma con una valoración absurdamente inflada en bolsa porque resulta que se ha convertido progresivamente en una de las fuentes favoritas tanto para Google como para todos los modelos de inteligencia artificial . Ahora empezamos a ver las consecuencias previsibles de esa decisión.

La señal de alarma ha llegado desde algunos de los propios moderadores de Reddit. En comunidades relacionadas con temas especialmente sensibles, como la salud, los suplementos o los tratamientos hormonales, están denunciando un aumento significativo de intentos de manipulación por parte de empresas interesadas en influir en las conversaciones. No hablamos del spam tradicional, ese que todos sabemos identificar a simple vista, sino de algo bastante más sofisticado: cuentas aparentemente legítimas, conversaciones diseñadas para parecer espontáneas y recomendaciones de productos o servicios integradas de manera aparentemente natural en los debates.

¿La razón? Muy sencilla: Reddit ya no es simplemente Reddit. Durante años, aparecer en los primeros resultados de Google justificó la creación de una gigantesca industria dedicada a manipular algoritmos de búsqueda. El SEO acabó convirtiendo buena parte de la web en una inmensa colección de páginas escritas para máquinas más que para personas. Google intentó combatir ese problema buscando señales más auténticas, más humanas y más difíciles de falsificar. Y encontró Reddit.

Pero al hacerlo, ha creado exactamente el mismo incentivo que intentaba evitar: si las respuestas generadas por Google utilizan Reddit como fuente, si ChatGPT, Claude, Gemini o cualquier otro sistema conversacional consideran las conversaciones de Reddit una señal relevante, y si millones de usuarios empiezan a tomar decisiones basándose en respuestas construidas parcialmente a partir de esos contenidos, entonces influir en Reddit pasa a tener un valor económico enorme. Y cuando algo adquiere valor económico, alguien encuentra la manera de manipularlo.

La paradoja es fascinante. Google recurrió a Reddit porque la web se había llenado de contenido optimizado para Google. Pero al convertir Reddit en una fuente privilegiada para sus sistemas de inteligencia artificial, ha puesto en marcha el nacimiento de una nueva industria dedicada a optimizar Reddit para Google y para la inteligencia artificial. La diferencia es que ahora ya no se manipulan páginas web. Se manipulan conversaciones. Y si tienes responsabilidades corporativas relacionadas con ese área, lo sabrás ya, porque ya te lo estará ofreciendo tu agencia de toda la vida.

Además, el problema es mucho más complejo de detectar. Una página creada para posicionar una palabra clave suele dejar rastros evidentes, pero una conversación aparentemente auténtica entre usuarios resulta mucho más difícil de distinguir de una interacción genuina. Los modelos de lenguaje tampoco ayudan demasiado: son extraordinariamente buenos encontrando patrones, pero mucho menos eficaces distinguiendo entre experiencia real y teatro cuidadosamente diseñado para parecer experiencia real. Y a medida que más y más personas empiezan a utilizarlos para encontrar lo que necesitan, los niveles de manipulación de sus respuestas mediante técnicas cada vez más depuradas van creciendo.

Todo esto debería llevarnos a replantearnos algunas ideas sobre la supuesta autenticidad de las comunidades online. Reddit sigue siendo uno de los espacios más interesantes de internet precisamente porque alberga conversaciones reales, experiencias personales y conocimiento práctico acumulado durante años. Pero cuanto más importante se vuelve una fuente directa para buscadores e inteligencias artificiales, más atractiva resulta para quienes quieren influir en esas mismas herramientas.

Es una dinámica que hemos visto repetirse una y otra vez. Cada vez que una plataforma se convierte en un intermediario relevante para la atención, la visibilidad o la influencia, aparece una industria dedicada a explotar sus mecanismos. Ocurrió con los buscadores. Ocurrió con las redes sociales. Ocurrió con los sistemas de recomendación. Y está ocurriendo ahora con las fuentes utilizadas por la inteligencia artificial generativa.

La cuestión, por tanto, no es si Reddit contiene información valiosa. Por supuesto que puede contenerla, aunque mezclada con muchas otras cosas. La cuestión es cuánto tiempo seguirá siendo razonable asumir que las opiniones que encontramos allí reflejan de manera espontánea la experiencia colectiva de una comunidad. La decadencia de Reddit es algo que se podía predecir desde hace mucho tiempo.

Porque el problema de Reddit no es Reddit. El problema son los incentivos. Cuando una conversación aparentemente humana puede terminar influyendo en las respuestas que reciben cientos de millones de personas, esos incentivos son enormes. Tan enormes que resulta ingenuo pensar que no van a ser explotados de forma sistemática.

Google creyó haber encontrado una vía de escape frente a una web contaminada por un SEO que ella misma había creado. Lo que quizá no anticipó es que, con sus elecciones, estaba creando las condiciones perfectas para industrializar algo mucho más valioso: la autenticidad.

This article is also available in English on my Medium page, «Google’s Reddit problem is really an incentives problem«

María José Pérez-Barco, del ABC, me escribió para enviarme unas preguntas para un artículo que estaba preparando sobre la muchas veces comentada posibilidad de aplicar impuestos a los robots o a la inteligencia artificial, y el pasado lunes publicó su artículo titulado «¿Llegará la IA a pagar impuestos?» (pdf).

Mi opinión sigue siendo la misma que cuando se empezaron a comentar estos temas allá por 2017 a raíz de unas declaraciones de Bill Gates, más calificables como «ocurrencias» que como ideas realmente pensadas y maduras. Y es que la cuestión, aunque parezca muy sencilla y casi intuitiva por eso de que «un robot se parece a una persona» (que no siempre), la realidad es que no es en absoluto tan sencillo, y que el planteamiento es prácticamente populista.

En primer lugar, porque es absurdo gravar las cosas dos veces: si un empresario aplica tecnología, sea en forma de robots o de otro tipo, lógicamente, pasará a ganar más dinero (si no, no lo haría) y, por tanto, pasará a pagar más impuestos. Aplicar además un gravamen adicional «por ser un robot» o «por usar tecnología» es desincentivar la innovación, y carece completamente de sentido.

En segundo, ¿qué es un robot? ¿Un programa de software es un robot? ¿Un procesador de textos es un robot? ¿Un GPS? ¿Una calculadora? ¿Un brazo mecánico es un robot, o solo es un trozo de uno, porque falta el resto del cuerpo? Como vemos, a todo el razonamiento le falta un hervor: parece sencillo, pero se queda en idea no madurada. Y si pretendemos escudarnos en el fenómeno de la sustitución, el problema se complica todavía más: ¿dónde empezamos a contar? ¿En qué generación tecnológica? Sustituimos a una persona si trabaja con determinadas herramientas, pero seguramente a tres si trabajan solo con su cerebro… ¿nos inventamos una unidad, el «cro-magnon», y planteamos «cuántos cro-magnones harían falta para llevar a cabo una tarea determinada? En el mejor de los casos, pintoresco. Y sobre todo, arbitrario.

Estoy completamente a favor de plantear cualquier idea que pretenda distribuir la riqueza, incluyendo posibilidades que van desde gravar la acumulación de riqueza hasta el universal basic capital mencionado recientemente por Gavin Newson, pero pretender aplicar impuestos a los robots no es una forma adecuada ni lógica de hacerlo, y quien lo afirme es simplemente que no se lo ha planteado con todas sus consecuencias.

A continuación, el listado completo de preguntas y respuestas que intercambié con María José:

• ¿Será necesario gravar la automatización, sistemas de IA y robots? ¿Por qué?

No lo creo. La idea de “poner impuestos a los robots”  parte de una visión profundamente equivocada de la innovación tecnológica. Históricamente, cada avance importante ha destruido determinados empleos y creado otros nuevos, normalmente más productivos. Pretender penalizar la automatización es como haber querido gravar el tractor para proteger a los agricultores que trabajaban con mulas. La tecnología aumenta la productividad, y esa productividad genera beneficios, crecimiento y, por tanto, más recaudación fiscal por las vías tradicionales: impuesto de sociedades, IVA, rentas del trabajo derivadas de nuevas actividades, etc. Si una empresa gana más dinero gracias a la automatización, ya pagará más impuestos. Crear un impuesto específico contra la tecnología sería castigar precisamente aquello que mejora la competitividad y la eficiencia.

• ¿Cómo cuantificar el trabajo que realizan estas tecnologías? ¿Cómo mides el trabajo de sistemas que no tienen nómina y no están sujetos a una regulación laboral? ¿Cómo gravar a un software?

Ahí aparece otro problema enorme: la arbitrariedad. ¿Qué es exactamente un “robot”? ¿Un brazo mecánico en una fábrica? ¿Un chatbot? ¿Una hoja de cálculo que automatiza tareas? ¿Excel sustituyó empleos administrativos? Sin duda. ¿Deberíamos haberlo gravado? El concepto se vuelve absurdo en cuanto intentas definirlo. La tecnología siempre ha sustituido tareas humanas: una calculadora reemplaza operaciones manuales, un GPS sustituye parte del trabajo de orientación, un software contable automatiza procesos administrativos. ¿Dónde trazas la línea? Además, la IA no “trabaja” como un empleado: es una herramienta que multiplica capacidades humanas. Gravar software sería abrir un melón regulatorio prácticamente imposible de cerrar.

• ¿Qué fórmulas se están planteando para gravar estas tecnologías?

Se han propuesto varias ideas, desde impuestos directos a robots industriales hasta tasas asociadas al ahorro de costes laborales derivado de la automatización. También se habla de aumentar cotizaciones empresariales cuando una compañía reduce plantilla mediante automatización o incluso de crear figuras fiscales específicas para sistemas de IA. El problema es que todas esas propuestas parten de una lógica defensiva y reaccionaria: intentar frenar el cambio en lugar de adaptarse a él. En muchos casos, además, serían muy fáciles de esquivar trasladando operaciones a otros países o redefiniendo tecnológicamente los procesos.

• Gravar la IA y avanzadas tecnologías con impuestos y cotizaciones, ¿podría desalentar la innovación?

Claramente sí. La innovación necesita incentivos, no castigos. Si desarrollar o implementar IA implica automáticamente una penalización fiscal, muchas empresas retrasarán su adopción o simplemente decidirán innovar en otros mercados con regulaciones más racionales. Europa ya tiene un problema serio de competitividad tecnológica frente a Estados Unidos y China. Añadir más capas fiscales a las tecnologías emergentes sería otra manera de autoimponernos irrelevancia. La historia demuestra que las economías que prosperan son las que abrazan la innovación, no las que intentan ponerle barreras para proteger estructuras productivas obsoletas.

• ¿Qué impacto tendría en las empresas?

Dependería mucho del sector, pero en general supondría un desincentivo claro a la modernización. Las grandes multinacionales probablemente podrían absorber esos costes o mover determinadas operaciones a otras jurisdicciones. Las más perjudicadas serían las pymes, que necesitan precisamente automatizar procesos para ganar eficiencia y competir. En muchos casos, la IA no sustituye trabajadores, sino que permite que pequeñas empresas hagan más con menos recursos. Penalizar eso sería reducir su capacidad de supervivencia y crecimiento.

• ¿Podría restar competitividad al tejido empresarial frente a grandes como Estados Unidos y China?

Sin ninguna duda. Mientras Estados Unidos y China compiten por liderar el desarrollo de IA y atraer talento e inversión, Europa parece obsesionada con regular antes incluso de entender completamente la tecnología. Si además añadimos impuestos específicos, el mensaje es devastador: “innovar aquí sale caro”. El resultado sería previsible: menos inversión, menos startups tecnológicas, menos desarrollo propio y mayor dependencia tecnológica externa. Es difícil imaginar una estrategia más contraproducente.

• ¿Qué tareas, empleos y puestos de trabajo está ya sustituyendo la IA? ¿Y qué previsiones hay a futuro?

La IA ya está automatizando tareas rutinarias cognitivas: atención al cliente básica, generación de textos simples, traducciones estándar, análisis documental, programación repetitiva, diseño básico, gestión administrativa o procesamiento de datos. Pero hablar de “sustitución de empleos” suele simplificar demasiado. Lo que desaparecen son tareas concretas dentro de muchos empleos. La mayoría de los trabajos cambiarán antes de desaparecer completamente. Lo mismo ocurrió con internet, con los ordenadores o con la automatización industrial. Habrá profesiones que se reduzcan mucho y otras nuevas que ni siquiera imaginamos todavía. La clave no es intentar impedir ese cambio, sino preparar a la sociedad para adaptarse: educación, formación continua y capacidad de reinventarse profesionalmente. Penalizar la tecnología nunca ha sido una solución inteligente.

Using this link, you can access the article in English on Medium bypassing the paywall, «Why taxing robots and AI is the wrong answer«

Mi columna de esta semana en Invertia se titula «Te limpian la casa gratis. Y eso debería preocuparte…» (pdf), y trata sobre una de esas historias que, a primera vista, parecen una simple curiosidad empresarial, pero que en realidad dicen mucho sobre la evolución de toda una industria.

La protagonista es Shift, una startup que ha comenzado a ofrecer limpiezas gratuitas de apartamentos en Nueva York. En una ciudad en la que una sesión de limpieza puede costar fácilmente varios cientos de dólares, la propuesta parece desafiar cualquier lógica económica. Sin embargo, la empresa no está realmente en el negocio de la limpieza: está en el negocio de la recopilación de datos.

Los trabajadores realizan sus tareas equipados con cámaras que registran sus movimientos y la forma en la que interactúan con el entorno doméstico. Posteriormente, esas grabaciones son procesadas y utilizadas para entrenar sistemas de inteligencia artificial y, especialmente, robots capaces de desenvolverse en entornos reales. Lo que la compañía obtiene no es una vivienda limpia, sino algo mucho más valioso: datos de entrenamiento para máquinas que deberán aprender a desenvolverse en un mundo físico complejo e impredecible.

La historia resulta especialmente interesante porque pone de manifiesto hasta qué punto los datos se han convertido en uno de los recursos estratégicos más importantes de la economía de la inteligencia artificial. Mientras los modelos generativos pudieron alimentarse durante años de enormes cantidades de texto extraídas de internet, los sistemas robóticos necesitan observar cómo los seres humanos realizan tareas cotidianas: limpiar una cocina, recoger objetos dispersos, vaciar un lavavajillas o desenvolverse en espacios desordenados. Actividades aparentemente triviales para una persona, pero extraordinariamente difíciles para una máquina.

Además, el caso recuerda inevitablemente a los modelos de negocio que caracterizaron la era de la burbuja puntocom. Durante aquellos años vimos compañías que regalaban acceso a internet, almacenamiento, transporte o servicios financieros con la esperanza de construir posiciones dominantes que pudiesen monetizar más adelante. Hoy empezamos a ver algo parecido, pero con una diferencia fundamental: el activo que se intenta acumular ya no son usuarios o cuota de mercado, sino datos para entrenar sistemas de inteligencia artificial.

La pregunta, como ocurrió entonces, es cuánto de ese valor futuro es real y cuánto responde a expectativas todavía especulativas. Nadie sabe con certeza qué empresas dominarán la futura economía robótica ni qué modelos de negocio terminarán imponiéndose. Lo que sí parece claro es que existe una carrera frenética por acumular activos considerados estratégicos, y que los datos del mundo físico se han convertido en uno de los más codiciados.

Un fenómeno que, más allá de la anécdota de una limpieza gratuita en Manhattan, ofrece una ventana muy interesante para entender cómo está evolucionando la economía de la inteligencia artificial y hasta qué punto algunas de las dinámicas que definieron el auge de internet podrían estar repitiéndose hoy bajo nuevas formas.

Read this article in English on Medium with no paywall using this link, «How some AI companies are looking to clean up, literally»

Una compañía ha recibido, de acuerdo con un consultor que ha comentado el tema con Axios, una descomunal factura de quinientos millones de dólares de Anthropic, en concepto de tokens de Claude. Como comenta alguien, eso son cinco jets privados, dos superyates o una isla, vaporizados en la nada y convertidos en simples tokens. O como dice otro usuario, «me gustaría estar en la reunión con el responsable«…

La reacción inmediata supongo que sería pensar que alguien ha cometido un error, que algún empleado se ha vuelto loco con los prompts, que algún departamento ha perdido el control o que la inteligencia artificial es muchísimo más cara de lo que parecía. Pero aparentemente, y con todas las reservas que precisa una noticia así, venida de un simple comentario casual, alguien ofreció licencias de Claude a todos los usuarios de la compañía y no fijó ningún tipo de límites. En pleno contexto de tokenmaxxing, en el que el consumo de tokens es supuestamente algún tipo de prueba de tu valía, las cosas se acumulan rápidamente, hasta terminar con semejante factura demencial.

Después de algunos meses de entusiasmo, muchas compañías están comenzando a analizar con más detalle sus costes reales de inteligencia artificial y, sobre todo, su retorno. No porque hayan dejado de creer en la tecnología, sino porque empiezan a tratarla como cualquier otra inversión empresarial y a poner un mínimo de sentido común en las cosas. Microsoft, por ejemplo, ha empezado a cancelar licencias de Claude Code a miles de sus trabajadores y a pedirles que utilicen las de su GitHub Copilot CLI, y no simplemente por apostar por un producto propio, sino porque la idea original de ofrecer Claude Code a todos sus trabajadores, independientemente de su experiencia en desarrollo de software, tenía una muy difícil justificación. Incluso una compañía que ha apostado miles de millones por la inteligencia artificial empieza a evaluar con más rigor qué herramientas utiliza, cuánto cuestan y qué valor aportan realmente.

La inteligencia artificial generativa tiene un problema curioso: parece barata. La interfaz es una simple caja de texto y formular una pregunta resulta tan sencillo que cuesta percibir toda la infraestructura y recursos que existen detrás. Pero cada interacción consume recursos computacionales, almacenamiento, contexto, herramientas externas y modelos cada vez más complejos. Durante mucho tiempo, ese coste permaneció relativamente oculto. Ahora empieza a aparecer en las cuentas de resultados.

Las compañías que obtendrán verdadero valor de la inteligencia artificial no serán necesariamente las que más la utilicen, sino las que sean capaces de integrarla en procesos concretos, medir resultados y eliminar todo aquello que genere consumo sin aportar impacto. En la práctica, la pregunta está cambiando. Ya no es si estamos usando inteligencia artificial, sino si realmente merece la pena usar inteligencia artificial para una tarea determinada.

Puede parecer una diferencia menor, pero en realidad marca el final de la fase de entusiasmo y el comienzo de la fase de gestión. Y eso suele ser una buena noticia. Porque las tecnologías verdaderamente importantes sobreviven precisamente a ese momento: cuando dejan de venderse mediante promesas y empiezan a justificarse mediante resultados.

Las facturas de quinientos millones de dólares no demuestran que la inteligencia artificial esté fracasando: demuestra que, por primera vez, alguien está empezando a contar.

Read this article in English on Medium with no paywall using this link, «What a $500 million Claude bill means: the AI accountants have taken over«