El blog de Julián Estévez

Nos mudamos a Substack

2026-03-20T08:37:00.006+01:00

Después de un tiempo publicando aquí (unos 15 años concretamente), es hora de dar el salto a un sitio mejor.

El blog https://jeibros.blogspot.com se traslada a la plataforma Substack, de la cual muchos lectores habréis oído hablar. El nombre del blog seguirá siendo el mismo https://jeibros.substack.com.

Esa web ya lleva unos años en funcionamiento, pero tiene una particularidad, y es que ahí publico las mismas entradas que en este blog, pero en inglés. Pero no os preocupéis, a partir de los siguientes días, comenzaré a publicar en Substack en los dos idiomas (inglés y castellano), y os explicaré cómo os podéis suscribir a recibir unas entradas u otras.

Ahora mismo de hecho, las entradas en castellano ya están cargadas en el nuevo blog. Si entráis en https://jeibros.substack.com, podéis visitar la pestaña "Permanent Future en español", tal y como os recuadro en rojo en la siguiente imagen:

Por lo tanto, ¿qué es lo que tenéis que hacer vosotros, como lectores? De momento, nada. Yo exportaré la lista de suscriptores de correo que tengo en Blogspot a la nueva plataforma, y en unos días recibiréis un artículo desde ahí para explicaros cómo podéis elegir el idioma. Por cierto, el nombre del nuevo blog es Permanent Future, así que cuando recibáis un correo con ese origen, no lo consideréis spam.

Nos vemos al otro lado. 👋

Amazon tiene un problema con sus drones. Y los números no mienten.

2026-03-16T08:30:00.001+01:00

El pasado febrero, los vecinos de un edificio de apartamentos en Richardson, Texas, grabaron algo inquietante: un dron de reparto de Amazon derivando hacia la fachada del edificio, perdiendo fragmentos de hélice en el aire y estrellándose finalmente en la acera, donde comenzó a humear. Nadie resultó herido. Pero lo más relevante no es este incidente en sí, sino que no fue el primero, ni el segundo, ni el tercero.

Desde finales de 2024, el MK30 (el modelo de dron de reparto más avanzado de Amazon Prime Air) ha acumulado al menos siete incidentes significativos documentados públicamente en apenas catorce meses de operación comercial. Para quien trabaja en sistemas autónomos y UAVs, este patrón merece una lectura técnica cuidadosa, más allá del impacto mediático de cada vídeo viral.

El patrón de fallos

El primer gran incidente ocurrió el 16 de diciembre de 2024, en las instalaciones de pruebas de Pendleton, Oregón. Dos drones MK30 cortaron la alimentación de sus motores en pleno vuelo a 66 y 56 metros de altitud respectivamente, y cayeron al suelo en cuestión de minutos. La causa identificada fue un fallo del sensor LiDAR: la lluvia generó ecos que el sistema interpretó como la señal de haber aterrizado, ejecutando el protocolo de apagado de motores en pleno vuelo. La ironía amarga es que el modelo anterior, el MK27, contaba con un sensor mecánico de respaldo (el llamado squat switch) que detectaba el contacto físico con el suelo. Amazon lo había eliminado en el MK30, presumiblemente para reducir peso o coste. La consecuencia fue una pausa nacional en las operaciones comerciales en enero de 2025.

Esta decisión de diseño consistente en eliminar redundancia hardware en un sistema de seguridad crítica es precisamente el tipo de error que la historia de la aviación ha documentado repetidamente. La redundancia no es elegante ni barata, pero en sistemas donde un fallo implica que un objeto de 35-40 kg cae sobre una zona poblada, su ausencia es difícilmente justificable.

El segundo episodio más revelador ocurrió el 1 de octubre de 2025, en Tolleson, Arizona. Dos drones MK30 impactaron contra la pluma de una grúa de construcción con minutos de diferencia entre sí, en vuelos consecutivos. Ambos quedaron destruidos. Una persona fue atendida por inhalación de humo. Lo más llamativo desde el punto de vista de la ingeniería es la secuencia: si el primer dron colisionó con un obstáculo estático y conocido, ¿por qué el segundo repitió exactamente el mismo error minutos después? Esto sugiere que no hubo actualización en tiempo real del espacio aéreo operacional entre vuelos, o que el sistema de detección y evasión de obstáculos (detect-and-avoid) no procesó la información del primer incidente. No es un accidente aleatorio: es un fallo sistémico.

Un mes y medio después, en noviembre de 2025 en Waco, Texas, apenas trece días después de que Amazon inaugurara el servicio en esa ciudad, un MK30 ascendiente enredó una hélice en un cable de internet aéreo, cortó el cable y realizó un aterrizaje de emergencia. La FAA abrió una investigación. Este tipo de obstáculo (cables, tendidos eléctricos, vegetación densa) representa precisamente el entorno no estructurado que cualquier sistema de navegación autónoma en zona urbana debe ser capaz de gestionar. Son obstáculos predecibles en su categoría, aunque impredecibles en su posición exacta.

Entre estos tres incidentes mayores se intercalan otros: un aterrizaje precautorio en un complejo de apartamentos en Tolleson en mayo de 2025, un paquete caído en una piscina en Arizona en julio, un aterrizaje de emergencia a menos de metro y medio de un peatón en Goodyear en octubre, y finalmente el choque en Richardson en febrero de 2026.

Los números que importan

David Ison, investigador en movilidad aérea avanzada, hizo el cálculo que muchos evitan: con aproximadamente 4.000 horas de vuelo acumuladas por Prime Air y al menos 7 incidentes significativos, la tasa resultante es de aproximadamente un incidente cada 570 horas de vuelo. La aviación general estadounidense registra un accidente por cada 100.000 horas; la aviación comercial, uno por cada uno o dos millones.

Es importante matizar: no se trata de categorías comparables. Los drones de reparto operan a bajas altitudes, en entornos urbanos complejos, con tecnologías aún en fase de maduración. La aviación comercial lleva un siglo refinando sus protocolos de seguridad. Nadie esperaría tasas equivalentes en esta etapa. Pero el argumento relevante no es la comparación absoluta, sino la tendencia: estos incidentes están ocurriendo con un volumen de operaciones todavía muy reducido. Si Amazon escala hacia los 500 millones de entregas anuales que ha declarado como objetivo para 2030, incluso una mejora sustancial en la tasa de incidentes implicaría cifras absolutas muy diferentes a las actuales.

La comparativa que incomoda a Amazon

No todos los operadores de drones de reparto tienen el mismo historial. Zipline, que opera principalmente con una arquitectura de ala fija y en corredores aéreos más controlados, ha completado más de dos millones de entregas comerciales y superado los 125 millones de millas autónomas con un perfil de seguridad notablemente diferente. Wing, filial de Alphabet, ha realizado más de 450.000 entregas con un único incidente bien documentado —una colisión con líneas eléctricas en Brisbane en 2022. Walmart, a través de sus socios Wing y Zipline, supera las 150.000 entregas desde 2021.

La diferencia no es solo de escala. Zipline, por ejemplo, opera con una filosofía de diseño en la que la fiabilidad del sistema se construye sobre rutas predefinidas, integración estrecha con el espacio aéreo local y una arquitectura que minimiza la complejidad de las decisiones autónomas en tiempo real. Amazon, en cambio, apunta a una operación más flexible y omnipresente, lo que impone exigencias mucho mayores al sistema de navegación autónoma. Esta ambición es legítima, pero tiene un coste de ingeniería que los incidentes están haciendo visible.

Más allá de Amazon, estos incidentes plantean preguntas relevantes para todo el sector. La detección y evasión de obstáculos no cooperativos (cables, grúas, vegetación) sigue siendo uno de los problemas técnicos más difíciles en navegación autónoma a baja altitud. Los sensores LiDAR son extraordinariamente útiles en condiciones nominales, pero su robustez ante perturbaciones ambientales (lluvia, niebla, polvo) sigue siendo un área activa de investigación. Combinar LiDAR, visión, radar y datos previos del entorno es la dirección correcta, pero añade complejidad de integración que también puede ser fuente de fallos.

La redundancia, además, no es solo una cuestión de añadir sensores. Es una filosofía de diseño que pregunta: ¿qué pasa cuando este componente falla? ¿Y cuando fallan dos a la vez? La eliminación del squat switch en el MK30 no fue un error de ingeniería menor: fue una señal de que la presión por reducir coste o peso estaba compitiendo con la cultura de seguridad. En aviación, esa competencia tiene un historial conocido.

La situación regulatoria añade otra capa de complejidad. La FAA está desarrollando la norma Part 108, que ampliaría significativamente las operaciones comerciales de drones. La AOPA ha citado explícitamente los incidentes de Amazon como evidencia de que esa expansión regulatoria podría estar avanzando demasiado rápido. En Europa, la EASA tiene su propio marco regulatorio (las categorías Abierta, Específica y Certificada) que en principio impone mayores exigencias de certificación para operaciones sobre zonas pobladas. Pero la presión comercial para escalar es global, y los marcos regulatorios siempre van con cierto retraso respecto a la realidad tecnológica.

Conclusión

El problema no es que Amazon esté desarrollando drones de reparto. La logística de última milla tiene desafíos reales, y la tecnología tiene potencial genuino para contribuir a resolverlos. El problema es cuando la velocidad de despliegue supera la madurez del sistema, y los entornos urbanos reales (con su variabilidad, sus obstáculos no mapeados y sus condiciones meteorológicas impredecibles) se convierten en el banco de pruebas de facto.

La seguridad en sistemas autónomos no es un problema que se resuelva principalmente con más datos o más vuelos. Se construye con decisiones de diseño conservadoras, redundancia deliberada, y una cultura organizacional que trate cada incidente como información valiosa,no como un coste de hacer negocio. Por ahora, el historial del MK30 sugiere que Amazon todavía está aprendiendo esa lección.

Ya veremos.

Anthropic, Trump y el gran teatro de los principios en Silicon Valley

2026-03-09T08:30:00.007+01:00

Hay un relato que circula estos días por los medios tecnológicos: Dario Amodei, CEO de Anthropic, es el héroe que sacrificó contratos millonarios con el Departamento de Defensa estadounidense por sus convicciones éticas. Frente a él, Sam Altman como el pragmático sin escrúpulos que se doblegó ante Trump. Blanco y negro. Bueno y malo. Simple y atractivo.

El problema, como siempre, es que la realidad es más incómoda.

El mártir de los principios selectivos

Empecemos por el elefante en la sala: la negativa de Anthropic al espionaje masivo se aplica, según sus propias publicaciones, específicamente a ciudadanos estadounidenses. No a cualquier persona. A ciudadanos de EE. UU.

Esto no es un detalle menor. Significa que el uso de Claude para vigilancia fuera de territorio americano no parece constituir un problema ético para Anthropic. Que los principios tengan pasaporte es, cuanto menos, una información relevante cuando alguien te presenta a esta empresa como modelo de rectitud tecnológica.

Lo mismo ocurre con las armas autónomas. Anthropic se opone actualmente al uso de Claude en sistemas que identifiquen y disparen a objetivos sin intervención humana. La palabra clave es "actualmente", y está escrito en su manifiesto. Dario Amodei ha sugerido en distintas ocasiones que el modelo simplemente no está preparado técnicamente para ese nivel de autonomía todavía. No que se opongan categóricamente a la letalidad autónoma en el futuro. Es una postura técnica disfrazada de postura ética.

Y hay más: Anthropic no es ajena al sector de defensa. Sus modelos ya han sido utilizados en operaciones militares de alto perfil (la captura de Maduro en Venezuela) como herramienta favorita del ejército estadounidense a través de Palantir. El mártir tiene historial.

Kathy Perry apoyó a Anthropic y eso llevó a cientos de memes y una campaña viral

La jugada de OpenAI: Groucho Marx en el Pentágono

Mientras Anthropic era catalogada como "riesgo para la cadena de suministro" (un castigo que recuerda al trato dado a Huawei), Sam Altman navegó la situación con una habilidad que merece análisis. La diferencia entre ambas empresas no es fundamentalmente moral. Es técnica y política.

Anthropic quería que las restricciones éticas estuvieran incrustadas directamente en el modelo, en su "constitución". Esto implica que el Departamento de Defensa no podría saltárselas aunque quisiera: las limitaciones estarían en el código, no en un contrato. Para la administración Trump, esto es inaceptable. No porque quieran espiar ciudadanos americanos necesariamente, sino porque nadie cede el control operativo de una herramienta militar a los ingenieros de una empresa privada de San Francisco.

OpenAI, en cambio, aceptó un modelo radicalmente distinto: salvaguardas por contrato, no por código. "Usad nuestros modelos, os prometemos que respetaréis las restricciones acordadas." La responsabilidad del cumplimiento recae en el Departamento de Defensa, no en la arquitectura de la IA.

Es la diferencia entre un empleado que te dice "tengo principios que no puedo saltarme" y otro que dice "tengo principios, pero confío en que tú tampoco querrás que los violemos." Trump eligió al segundo. Es comprensible.

¿Quién tiene razón?

Esta es la pregunta que los medios no suelen hacer porque no tiene respuesta limpia. El enfoque de Anthropic con restricciones en el modelo, tiene una lógica de seguridad robusta: si las limitaciones son estructurales, no dependen de la buena voluntad del cliente. En un mundo donde los contratos se reinterpretan y las administraciones cambian, esto no es un detalle menor.

Pero también tiene un problema de arrogancia institucional considerable: implica que Anthropic, una empresa privada, decide unilateralmente qué puede y qué no puede hacer el ejército de la primera potencia mundial. Esa es una posición política, no solo técnica, y tiene consecuencias políticas.

OpenAI cedió el control a cambio de relevancia. Anthropic mantuvo el control a costa de ser excluida. Ninguna de las dos posiciones es obviamente correcta.

Lo que sí es obvio es que el relato del "mártir con principios" es, como mínimo, incompleto. Y que en el tablero real de la IA militar, los principios se negocian, se gradúan por geografía y se posponen cuando la tecnología no está lista.

Bienvenidos a la ética en Silicon Valley.

Ya veremos.

Por qué las armas totalmente autónomas no pueden existir legalmente (todavía)

2026-03-02T08:30:00.001+01:00

Cada pocos meses, un titular anuncia que los robots asesinos ya están aquí. Un nuevo dron alcanza un objetivo, un algoritmo identifica una amenaza, un contratista de defensa presenta un prototipo, y la imaginación colectiva salta a escenarios tipo Terminator en los que las máquinas libran guerras por su cuenta. Pero esta es la incómoda verdad que ni Hollywood ni el ciclo de exageración del sector defensa quieren que escuches: bajo los marcos legales y doctrinales que actualmente rigen la guerra entre las democracias occidentales, desplegar armas letales totalmente autónomas es esencialmente imposible desde el punto de vista legal.

No se trata de una limitación tecnológica. Es una limitación legal e institucional. Y las pruebas provienen de los propios documentos, doctrinas y marcos éticos que los aliados de la OTAN y el Departamento de Defensa de EE.UU. han construido meticulosamente durante la última década.

¿Qué entendemos por "totalmente autónomo"?

Primero, aclaremos la terminología. Un sistema de armas totalmente autónomo sería aquel capaz de buscar, identificar, seleccionar y atacar objetivos de forma independiente, sin ninguna intervención humana. Sin humano en el bucle (in the loop). Sin humano sobre el bucle (on the loop). La máquina decide quién muere.

Como han demostrado los investigadores Taddeo y Blanchard en su análisis comparativo de las definiciones de sistemas de armas autónomos, ni siquiera la comunidad internacional se pone de acuerdo en una definición precisa. Pero la línea divisoria fundamental está clara: un sistema en el que un humano mantiene un control significativo sobre la decisión de usar la fuerza, frente a otro en el que la máquina actúa enteramente por su cuenta. Es esta última categoría la que el derecho vigente prohíbe de forma efectiva.

La doctrina de la Kill Chain

El concepto de la "kill chain" (cadena de eliminación) es central para entender por qué la autonomía total es legalmente inviable. La kill chain es el proceso paso a paso que utiliza el ejército para atacar un objetivo: encontrar, fijar, rastrear, apuntar, atacar y evaluar. En cada etapa, se espera que el juicio humano garantice el cumplimiento de los principios del derecho internacional humanitario (DIH): distinción entre combatientes y civiles, proporcionalidad en el uso de la fuerza y precaución en el ataque.

CNAS

Tenemos ya evidencia de que la Fuerza Aérea de EE.UU ya ha desplegado algoritmos de IA en cadenas operativas reales de selección de objetivos Estos algoritmos tenían el objetivo de acelerar la kill-chain. Pero acelerar la kill chain y eliminar a los humanos de ella son cosas fundamentalmente distintas. Sin embargo, el impulso actual hacia una toma de decisiones más rápida y asistida por máquinas evita con demasiada frecuencia la pregunta crítica: ¿en qué punto la velocidad elimina la posibilidad de un juicio humano significativo? El ataque con dron en Kabul de agosto de 2021, que mató a diez civiles, incluidos siete niños, es un doloroso recordatorio de que incluso con humanos en el bucle se producen errores en la selección de objetivos. Eliminar a los humanos por completo haría que la rendición de cuentas por tales tragedias fuera prácticamente imposible.

No obstante, diferentes artículos publicados en medios especializados de tecnología militar desmienten que en el caso de usar algoritmos haya un vacío de responsabilidad, ya que el comandante militar es siempre directa e individualmente responsable del empleo de todos los métodos y medios de guerra. La responsabilidad del comandante impregna el campo de batalla. Este marco de rendición de cuentas, enraizado en el Código Uniforme de Justicia Militar y en el derecho de los conflictos armados, simplemente no puede funcionar si una máquina toma decisiones letales de forma independiente, porque no se puede someter a un consejo de guerra a un algoritmo.

No debemos obviar la importancia de un proceso deliberado de rendición de cuentas: cuando algo sale mal (y en la guerra, siempre sale algo mal) debe existir una cadena rastreable de decisiones humanas que pueda ser investigada. Un sistema totalmente autónomo, por definición, rompe esa cadena.

Los propios principios éticos del Departamento de Defensa dicen que no

En febrero de 2020, el Departamento de Defensa de EE.UU. adoptó cinco principios para el uso ético de la IA: responsable, equitativo, trazable, fiable y gobernable. Este último -gobernable- es el que lo cambia todo. Exige que los sistemas de IA posean la capacidad de desconectar o desactivar sistemas desplegados que muestren un comportamiento no deseado. Un arma totalmente autónoma que selecciona y ataca objetivos sin supervisión humana es, por diseño, ingobernable en el momento que más importa: el instante de la fuerza letal.

Como argumentó Jorrit Kamminga en War on the Rocks, los principios éticos del Departamento de Defensa fueron un compromiso público que ahora obliga a Estados Unidos a informar sobre sus progresos y a rendir cuentas por las discrepancias entre sus políticas y sus prácticas reales. Los principios no son mero escaparate; representan un compromiso performativo que restringe la acción futura. Ya se consideren como una postura ética genuina o como un movimiento estratégico para reclamar la superioridad moral, el efecto práctico es el mismo: el marco institucional no permite la eliminación totalmente autónoma.

Estados Unidos no actúa en solitario. En octubre de 2021, la OTAN adoptó sus propios Principios de Uso Responsable de la IA en Defensa, y en octubre de 2022 publicó un Resumen del Plan de Implementación de Autonomía de la OTAN que dejaba explícita la posición de la Alianza. El plan establece que el uso de sistemas autónomos por parte de la OTAN debe basarse en sus normas, valores y compromiso con el derecho internacional. De forma crucial, se alinea con los principios rectores respaldados por las partes de la Convención sobre Ciertas Armas Convencionales (CCW), que afirman que el derecho internacional humanitario se sigue aplicando plenamente a todos los sistemas de armas, incluido el posible desarrollo y uso de Sistemas de Armas Letales Autónomos (LAWS, por sus siglas en inglés).

La OTAN también estableció una Junta de Revisión de Datos e IA (DARB) para operacionalizar estos principios. El marco de la Alianza exige explícitamente que las fuerzas armadas aliadas dispongan de vías claras para implementar sistemas autónomos habilitados por IA de conformidad con los Principios de Uso Responsable de la OTAN y el derecho internacional. La frase clave que aparece a lo largo de toda la documentación de la OTAN es "niveles adecuados de juicio humano". Una formulación que, aunque deliberadamente flexible, excluye categóricamente el escenario de juicio humano cero que implica la autonomía total.

El muro del Derecho Internacional Humanitario

Incluso sin los principios del Departamento de Defensa o los marcos de la OTAN, las armas totalmente autónomas chocarían contra los cimientos del derecho internacional humanitario. Los principios de distinción y proporcionalidad —codificados en los Convenios de Ginebra y sus Protocolos Adicionales— requieren un juicio humano contextual y situacional que la IA actual simplemente no puede replicar.

Gunawan et al., en su estudio sobre la responsabilidad de mando de las armas autónomas bajo el derecho internacional humanitario, argumentan que el marco existente del DIH se construyó sobre la premisa de que un comandante humano toma las decisiones críticas en un conflicto armado. La doctrina de la responsabilidad de mando hace a los superiores responsables de las acciones de sus subordinados. Pero cuando el "subordinado" es una máquina que opera de forma autónoma, toda esta estructura se derrumba. ¿De quién es responsable el comandante? ¿De un algoritmo escrito por un ingeniero que dejó la empresa contratista de defensa hace tres años? ¿De un conjunto de datos de entrenamiento compilado a partir de imágenes satelitales de un teatro de operaciones diferente?

Esto no es un mero rompecabezas teórico. El capítulo sobre armas autónomas letales en Disruptive Technology and the Law of Naval Warfare (Oxford University Press) examina cómo el derecho de la guerra naval existente lidia con la autonomía, concluyendo que el régimen legal exige juicio humano en el punto de aplicar la fuerza letal. El trabajo de la Universidad de Duke sobre sistemas de armas letales autónomos, subtitulado Reconciliando el mito de los robots asesinos con la realidad del campo de batalla moderno, llega a una conclusión similar: la brecha entre la imaginación pública y la realidad legal es enorme.

RTVE

Ucrania: la prueba de realidad

Si las armas totalmente autónomas estuvieran listas para el mundo real, seguramente la guerra convencional más intensa en Europa desde 1945 las habría revelado. No ha sido así. Tanto Rusia como Ucrania presumieron en diversos momentos de la guerra de haber desplegado drones guiados por IA capaces de identificar y atacar objetivos sin que un operador humano los guiara hasta el impacto. Sin embargo, la revolución nunca se materializó. Un análisis del Center for a New American Security (CNAS) descartó el impacto de los drones con IA en pocas líneas, y un análisis independiente sugirió que Rusia había desactivado la función de guiado por IA de su dron Lancet tras un rendimiento inadecuado.

El consenso de los expertos fue revelador: la tecnología necesita muchas más pruebas e iteraciones. Ambos bandos quieren hacerlo bien antes de escalar. Pero más allá de la inmadurez técnica, las restricciones legales y doctrinales permanecen. Incluso si la IA funcionara a la perfección, desplegar un dron que decide autónomamente matar colocaría a la nación que lo despliega en violación directa de sus propios principios declarados y, posiblemente, del derecho internacional humanitario.

La dimensión nuclear

Las implicaciones se vuelven aún más vertiginosas cuando consideramos la IA y las armas nucleares. Incluso si la tecnología lo permitiera, la toma de decisiones por IA que afecte directamente a las funciones de mando y control nuclear no debería delegarse en máquinas. Los algoritmos que subyacen en los complejos sistemas autónomos actuales son demasiado impredecibles, demasiado vulnerables a ciberataques, demasiado opacos (el problema de la "caja negra") y demasiado frágiles para confiarles decisiones que podrían desencadenar una escalada nuclear.

La compresión de los plazos de decisión que permite la IA es precisamente lo que la hace peligrosa en un contexto nuclear. Si ambos bandos aceleran sus kill chains hasta el punto de exprimir el juicio humano, el riesgo de un error de cálculo catastrófico se dispara. Esto no es una hipótesis; es la consecuencia lógica de eliminar el control humano de sistemas capaces de desencadenar respuestas a nivel estratégico.

Entonces, ¿dónde nos deja esto?

La situación es paradójica. Todas las grandes potencias militares occidentales están invirtiendo masivamente en IA para defensa. Todas las grandes potencias militares occidentales han adoptado también principios, directrices e interpretaciones legales que prohíben el despliegue de armas letales totalmente autónomas. La doctrina de la kill chain exige juicio humano en los puntos de decisión críticos. El derecho internacional humanitario exige distinción, proporcionalidad y precaución, y estos juicios requieren comprensión contextual humana. La responsabilidad de mando exige una cadena humana de responsabilidad. Y el propio plan de implementación de la OTAN vincula explícitamente los sistemas autónomos al uso responsable y al cumplimiento del derecho internacional.

Esto no significa que la IA en la guerra sea inofensiva, ni que estos principios no puedan erosionarse. La tensión entre velocidad y diligencia ética es real y creciente. La tentación de dejar que los algoritmos se hagan cargo de cada vez más partes del proceso de selección de objetivos, especialmente bajo la presión de la competición entre potencias similares, es enorme. Y la brecha entre los principios declarados y la práctica real podría ampliarse.

Pero a día de hoy, la arquitectura legal, doctrinal e institucional de las democracias occidentales hace que las armas totalmente autónomas (máquinas que deciden por sí solas quién vive y quién muere) no sean solo éticamente cuestionables, sino legalmente inadmisibles. La kill chain sigue requiriendo una mano humana. La pregunta es si tendremos la disciplina para mantenerla ahí.

Ya veremos.

Por qué Amazon y Microsoft quieren poner sus centros de datos en Aragón (y por qué no deberías preocuparte)

2026-02-23T08:30:00.004+01:00

Algo muy gordo está pasando en Aragón y no estoy seguro de que nos hayamos enterado del todo.

Amazon va a invertir 15.700 millones de euros. Microsoft otros 6.600 millones. Blackstone ha anunciado 7.500 millones más. Box2bit, 3.400 millones. Si sumas todos los proyectos anunciados, la cifra supera los 30.000 millones de euros en inversiones comprometidas para los próximos años.

Para ponerlo en perspectiva: el PIB de Aragón ronda los 40.000 millones. Estamos hablando de que una industria va a invertir en una década casi lo que produce toda la comunidad en un año.

La pregunta obvia es: ¿por qué aquí? ¿Qué tiene Aragón que no tenga Baviera, el norte de Italia o el sur de Francia?

Y la segunda pregunta, la que preocupa a mucha gente: ¿van a secarnos los grifos?

Voy a intentar responder a las dos.

La tormenta perfecta aragonesa

Mapa de cobertura 5G

Cuando hablas con gente del sector, te cuentan que Aragón tiene una combinación de factores que no se da en casi ningún otro sitio de Europa.

Primero, la geografía. Zaragoza está en el centro del 80% del PIB español. Madrid, Barcelona, Valencia y Bilbao quedan a unos 300 kilómetros. Para un centro de datos, la latencia (el tiempo que tarda la información en viajar) importa, y estar en el centro del mapa reduce esa latencia para la mayoría de usuarios.

Segundo, el espacio. Aragón es la cuarta comunidad autónoma más grande de España, casi 1,5 veces Bélgica, pero con apenas 1,3 millones de habitantes. Hay suelo industrial disponible a precios razonables. Solo Amazon va a ocupar 150 hectáreas. Intenta encontrar eso cerca de Múnich o Milán.

Tercero, la energía renovable. Aragón produce más energía de la que consume, y buena parte es eólica y solar. Las tecnológicas se han comprometido públicamente con objetivos de cero emisiones, y necesitan ubicaciones donde puedan decir que funcionan con renovables. Aragón les permite cumplir esa promesa.

Cuarto, la administración. El gobierno aragonés ha creado figuras como los PIGA (Proyectos de Interés General de Aragón) que agilizan trámites. Lo que en otras comunidades lleva años, aquí puede resolverse en meses. Cuando manejas inversiones de miles de millones, cada mes de retraso tiene un coste enorme.

Quinto, y esto es más geopolítico de lo que parece: Zaragoza tiene una base aérea de la OTAN. Para ciertos clientes (gobiernos, defensa, infraestructura crítica), saber que sus datos están cerca de instalaciones militares aliadas es un factor de decisión.

Todo esto explica por qué las tecnológicas quieren venir. Pero no responde a la pregunta que mucha gente se hace.

El elefante en la habitación: el agua

Vamos a hablar del agua, porque sé que es lo que preocupa.

He seguido este tema durante meses. He leído los estudios, he analizado los datos de Estados Unidos donde llevan años con esta industria. Y la conclusión a la que he llegado es que .

Pero voy a explicar por qué, porque la intuición nos dice lo contrario.

Los números que nadie cuenta

A nivel nacional en Estados Unidos, los centros de datos consumen aproximadamente el 0,2% del total de agua potable. En estados como Texas, esa cifra cae al 0,005%.

Ahora comparemos con otros usos. En Arizona, uno de los estados con más estrés hídrico del país y también con más centros de datos, la distribución es esta:

Agricultura: 86% del consumo de agua
Campos de golf: 3,8% del consumo de agua
Centros de datos: 0,12% del consumo de agua

Los campos de golf de Arizona consumen 32 veces más agua que todos los centros de datos del estado juntos. Pero nadie pide cerrar los campos de golf.

Y hay otro dato que me parece revelador: por cada litro de agua consumido, los centros de datos generan aproximadamente 50 veces más ingresos fiscales que los campos de golf. Consumen muchísimo menos y aportan muchísimo más.

Virginia: donde más centros de datos hay del mundo

Si los centros de datos subieran los precios de la electricidad (o del agua), el sitio donde deberían notarse más esas subidas es Virginia. El norte de Virginia tiene la mayor concentración de centros de datos del planeta.

¿Qué ha pasado con los precios de la electricidad en Virginia? Han subido, sí. Pero menos que la media nacional estadounidense. Un 28% frente al 35% de media.

Y si miras los 15 estados con más centros de datos de Estados Unidos, 11 de ellos han tenido subidas de precios por debajo de la media nacional. Solo 4 subieron más, y por márgenes pequeños.

Los datos simplemente no apoyan la narrativa de que los centros de datos disparan los precios.

¿Y en Aragón qué va a pasar?

España no es Estados Unidos, y Aragón no es Arizona. Pero hay algunas cosas que juegan a nuestro favor.

Primero, el Ebro. Aragón ocupa cerca del 50% del territorio de la Cuenca Hidrográfica del Ebro. Los recursos hídricos potencialmente utilizables en Aragón ascienden a 15.000 hectómetros cúbicos al año. No es el sureste peninsular ni Almería. Los embalses de la cuenca del Ebro están ahora mismo al 81% de capacidad.

Segundo, la tecnología ha cambiado. Los nuevos centros de datos que se están construyendo en España usan sistemas de refrigeración de circuito cerrado que no consumen agua (o consumen cantidades mínimas). Microsoft, Amazon y los demás saben que en Europa el escrutinio público sobre el agua es mayor, y están diseñando instalaciones con consumo muy reducido.

Tercero, la percepción importa. Las tecnológicas saben que competir por el grifo con la población en un país mediterráneo es una batalla que no pueden ganar en imagen pública. Por eso están invirtiendo en tecnologías de refrigeración por aire y en circuitos cerrados que no dependen del agua local.

Hay algo que me llama la atención en este debate: nos preocupamos mucho por el agua que van a consumir los centros de datos, pero no nos hacemos la pregunta inversa.

Nosotros pasamos, de media, el 50% de nuestro tiempo despiertos utilizando internet. Cada vez que mandas un WhatsApp, ves un vídeo en YouTube, consultas el tiempo o usas Google Maps, estás usando un centro de datos.

Que todas esas comunicaciones y servicios esenciales solo requieran el 0,2% del agua potable de un país es, técnicamente, extraordinariamente eficiente.

¿Preferirías no tener internet para ahorrar ese 0,2%?

Lo que sí debería preocuparnos (y lo que no)

No digo que haya que dar carta blanca a cualquier proyecto. Hay preguntas legítimas que hacer:

¿Los centros de datos van a usar tecnología de refrigeración sin agua?
¿Están ubicados en zonas donde el agua no está ya comprometida?
¿Los beneficios fiscales para la comunidad compensan el uso de recursos?
¿Hay transparencia sobre los consumos reales?
Y para mí la pregunta más importante y difícil, ¿está el sistema eléctrico preparado para abastecer a estos centros de datos?

Pero la idea de que los centros de datos van a secar Aragón no se sostiene con los datos disponibles. Ni en Estados Unidos, donde llevan décadas con esta industria, han visto ese efecto.

Lo que sí vamos a ver es una transformación económica de la región. Miles de empleos durante la construcción (y cientos permanentes después), ingresos fiscales que pueden financiar servicios públicos, y una industria que pone a Aragón en el mapa tecnológico europeo.

¿Es un intercambio justo? Eso es lo que tenemos que decidir como sociedad. Pero decidámoslo con datos, no con titulares que confunden sedimento en pozos con sequías causadas por la nube.

Ya veremos.

Tinder, San Valentín y los patrones oscuros: Cuando el amor es un algoritmo tragaperras

2026-02-14T10:48:00.000+01:00

Es 14 de febrero. Millones de personas entran hoy a una aplicación con la esperanza, o quizás la desesperación, de encontrar una conexión humana. Pero detrás de la interfaz limpia y colorida de Tinder, no hay un cupido digital trabajando para que encuentres el amor y borres la aplicación. Hay un casino. Y como en cualquier casino, la casa siempre gana cuando tú te quedas jugando, no cuando te llevas el premio y te vas.

Para entender por qué nos sentimos tan agotados pero incapaces de dejar de deslizar, hay que hablar de los "patrones oscuros", sobre los cuales ya hablé profundamente en este post. Este concepto de diseño se refiere a interfaces creadas meticulosamente no para ayudar al usuario, sino para explotar sus vulnerabilidades psicológicas. En el caso de Tinder y el ecosistema de Match Group, la estrategia es la "gamificación de la soledad".

El gesto de deslizar a la derecha o a la izquierda, conocido como el swipe, no es una decisión ergonómica inocente; es la traducción digital de la palanca de una máquina tragaperras. Tinder opera bajo un esquema de refuerzo intermitente variable. Si siempre encontraras gente fea, te irías. Si siempre encontraras gente guapa que te corresponde, encontrarías pareja y te irías. La aplicación te mantiene en un limbo calculado: te ofrece perfiles atractivos que te ignoran y perfiles que no te interesan, salpicados ocasionalmente con un "It’s a Match" que libera una dosis de dopamina exacta para mantenerte enganchado. La ansiedad de no saber cuál será la siguiente carta es lo que te mantiene en la mesa de juego.

Además, Tinder monetiza activamente la frustración. Utiliza patrones oscuros de ocultación de información para venderte sus planes Gold o Platinum. Te dice que "tienes 10 likes esperando", pero desenfoca las fotos, creando una brecha de curiosidad dolorosa. Te hace sentir invisible para venderte un "Boost". La lógica es perversa: su modelo de negocio entra en conflicto directo con su promesa de marca. Si son eficientes emparejándote, pierden un cliente recurrente. Por tanto, su éxito financiero depende de su fracaso amoroso.

Hace poco, en 2024, un grupo de usuarios intentó llevar esta realidad ante los tribunales en Estados Unidos, demandando a Match Group por diseñar un algoritmo depredador que fomenta la adicción compulsiva en lugar de las citas reales. Sin embargo, el pasado 13 de diciembre de 2024, la justicia bloqueó la demanda colectiva dando la razón a Match Group. ¿El motivo? La letra pequeña. La sentencia dictaminó que, al crear la cuenta de Tinder, todos estamos firmando una cláusula de arbitraje obligatorio que nos prohíbe ir a los tribunales ordinarios. Tinder no ganó demostrando que su app sea sana; ganó demostrando que ha diseñado una trampa legal perfecta para que no podamos quejarnos de su trampa psicológica.".

Aquí es donde la historia da un giro interesante y nos lleva al caso de ByteDance y TikTok. Seguro que os suena que también su algoritmo adictivo está teniendo problemas con la justicia:

La Comisión Europea acaba de publicar sus conclusiones preliminares contra TikTok. Apunta al “diseño adictivo” y concreta los mecanismos que lo articulan: scroll infinito, autoplay, notificaciones push, recomendador hiperpersonalizado. Según Bruselas, la aplicación "recompensa constantemente" a los usuarios con nuevo contenido, alimentando la urgencia de seguir haciendo scroll y poniendo el cerebro en modo piloto automático.

Señala además que TikTok ha ignorado indicadores importantes de uso compulsivo, como el tiempo que los menores pasan en la app por la noche o la frecuencia con la que la abren. La Comisión aboga por un cambio en el diseño básico del servicio: desactivar el scroll infinito progresivamente, implementar pausas efectivas —incluidas las nocturnas— y modificar el sistema de recomendación. TikTok ha respondido que las conclusiones presentan una descripción "categóricamente falsa" de su plataforma. No estamos ante la decisión final: ahora TikTok puede defenderse. Si se confirma la infracción, la DSA permite sanciones de hasta el 6% de la facturación global y exigir esos cambios en la aplicación.
Casi en paralelo, en California se ha iniciado el primer juicio civil contra Meta (Instagram), Google (YouTube) y ByteDance (TikTok) por la demanda de K.G.M., una joven de 19 años que afirma que su adicción a estas plataformas desde los ocho años le provocó depresión e ideación suicida. Lo central del caso no es qué vídeos vio, sino si el diseño mismo de estas plataformas (de nuevo, el scroll infinito, la reproducción automática, las notificaciones, los algoritmos de recomendación) constituye un “producto defectuoso” que causa daño.

(Blog Error500)

Si Tinder se ha librado, ¿por qué los titulares de las últimas semanas hablan de condenas y demandas masivas contra la empresa china por ser adictiva? ¿No hacen lo mismo?

La respuesta corta es que sí, hacen lo mismo, pero TikTok lo lleva a cabo con una "droga" más potente y, lo que es crucial, vendida a un público diferente. La justicia estadounidense ha puesto a ByteDance contra las cuerdas no solo por usar patrones oscuros, sino por aplicarlos a menores de edad. Mientras que a un adulto en Tinder se le supone responsabilidad propia, la ley considera que un niño de trece años no tiene las herramientas cognitivas para defenderse de un algoritmo diseñado por los mejores ingenieros conductuales del mundo.

Las investigaciones y los documentos internos revelados en el proceso contra TikTok han mostrado lo que los fiscales llaman la "pistola humeante": la empresa sabía que su diseño de scroll infinito impedía que el cerebro humano encontrara un punto de parada natural. Sabían que las notificaciones estaban diseñadas para interrumpir el sueño y sabían, de forma interna, que sus supuestas herramientas de "límite de tiempo" eran poco más que teatro de seguridad, ineficaces y fáciles de ignorar. A diferencia del caso de Tinder, aquí no se juzga la frustración de un usuario, sino el daño deliberado al desarrollo cerebral de una generación y la crisis de salud mental derivada de ello.

TikTok ha sido señalada porque su algoritmo de "interés" es mucho más agresivo y rápido aprendiendo vulnerabilidades que el de cualquier otra red social, actuando como una inyección directa de estímulos sin fricción. Además, no podemos ignorar el factor geopolítico; es mucho más fácil para un fiscal estadounidense atacar a una empresa china que a una local, aunque eso está cambiando.

Source

De hecho, sería un error pensar que esto es una cruzada exclusiva contra TikTok. Meta, la matriz de Instagram y Facebook, enfrenta una demanda conjunta de cuarenta y un estados que es, en esencia, idéntica a la de ByteDance. Se les acusa de haber copiado esos mismos mecanismos adictivos a sabiendas del daño que causaban a los adolescentes, priorizando el crecimiento sobre la seguridad. Por otro lado, Tinder y su matriz, tienen otros problemas bastante serios en la UE por la no-explicabilidad de su algoritmo, pero de eso hablaremos próximamente.

En este San Valentín, la lección que nos deja el panorama legal y tecnológico es clara. Tinder puede seguir jugando con tu soledad porque la ley asume que eres un adulto capaz de marcharte del casino cuando quieras, aunque psicológicamente sea una trampa. Pero cuando esa misma lógica de casino se aplica a los niños en TikTok, la sociedad ha decidido trazar una línea roja. Al final, todos somos ratones en un laberinto digital, solo que algunos laberintos tienen la puerta cerrada con llave y otros simplemente nos han convencido de que no queremos salir.

El modelo car sharing no es rentable en ninguna parte del mundo

2026-02-07T09:30:00.008+01:00

Es 2026 y el discurso sigue siendo el mismo. No necesitarás comprar un coche. No necesitarás ni siquiera conducirlo. Una flota de vehículos autónomos estará disponible 24/7 para llevarte adonde quieras. Más barato que mantener tu propio vehículo, más eficiente que el transporte público, más relajado, más limpio que ambos. Una visión seductora.

Ciudades sin atascos porque los algoritmos optimizan cada ruta. Aparcamientos transformados en parques porque los coches nunca duermen. Accidentes reducidos a anécdotas históricas porque los humanos imperfectos han sido relegados al asiento trasero. Espacios de ciudades reaprovechables para zonas verdes y construcción de viviendas, ya que el espacio para aparcamientos ya no será necesario: los coches estarán continuamente en movimiento.

Pero hay un detalle incómodo en esta historia: la versión simple de este futuro ya existe, y está fracasando estrepitosamente. Y es que el carsharing, o el negocio de compartir coche, no está funcionando en ninguna parte del mundo.

El mal negocio del coche compartido

Durante años, empresas como ShareNow (la fusión de los gigantes Daimler y BMW), Zity, Wible o Free2Move han inundado nuestras ciudades con coches eléctricos relucientes. Nos convencieron de que esto era el futuro. Nos dijeron que estábamos aprendiendo a dejar de comprar coches para empezar a comprar trayectos.

Pero tras estas apps bonitas y coches silenciosos, se esconde una pesadilla contable.

Y es que el carsharing no es rentable en casi ninguna parte del mundo. ShareNow tuvo que huir de Norteamérica y Reino Unido. Bolloré quebró su Autolib en París. Incluso en Madrid, la capital europea del carsharing, las cuentas de resultados se escriben con tinta roja.

Un infierno logístico

Un coche compartido sufre un desgaste acelerado. Pero el verdadero lastre del margen de beneficio es lo que en la industria llaman redistribución de flota (fleet rebalancing). Si todos los usuarios cogen un coche en el centro de la ciudad por la mañana para ir a trabajar a las afueras, a las 10:00 AM tienes todos tus activos parados en polígonos industriales donde nadie los va a usar hasta las 18:00.

Para solucionar esto, las empresas tienen que pagar a empleados para que vayan, recojan los coches y los muevan de nuevo a zonas de alta demanda. A eso hay que añadir el coste de la limpieza, la recarga eléctrica (que requiere inmovilizar el activo), los seguros (carísimos en este sector) y el vandalismo.

El resultado es paradójico: intentamos construir el futuro de la movilidad automatizada utilizando un modelo de negocio que requiere una intervención humana masiva y costosa.

¿El carsharing como preámbulo a la movilidad del futuro?

Aquí es donde la narrativa de "el futuro será autónomo y compartido" choca con la realidad actual.

La promesa de los gurús es que el coche autónomo solucionará esto. Al eliminar al conductor (como en Uber) y eliminar a los operarios de redistribución (porque el coche se irá solo a recargar y a buscar clientes), los costes operativos caerán en picado, haciendo que el viaje sea más barato que un billete de autobús.

Pero estamos atrapados en un valle de la muerte tecnológico. La conducción autónoma total está tardando mucho más de lo que Elon Musk prometió. Y mientras tanto, las empresas de carsharing actuales no pueden sostener las pérdidas eternamente.

Si el modelo de negocio de "flotas compartidas" quiebra hoy por falta de rentabilidad, ¿quién pondrá la infraestructura para los coches autónomos de mañana?

Hay algo más: incluso si mañana resolviéramos todos los problemas técnicos de la conducción autónoma muchos de los costes permanecen. Los vehículos autónomos no eliminan el mantenimiento; de hecho, vehículos operando 24/7 requieren más. No eliminan la limpieza, ni el vandalismo (un coche sin conductor es un objetivo más fácil). No resuelven mágicamente el problema de los picos de demanda que obliga a dimensionar flotas para el peor momento del día.

Entonces, ¿por qué siguen operando marcas como Zity, Wible o Free2Move? En primer lugar, para marcas como Kia (Wible), Renault (Zity) o Stellantis (Free2Move), tener miles de coches rodando por Madrid o París es una campaña de publicidad gigante. Además, consiguen que miles de personas prueben sus coches eléctricos. Si te gusta el coche, quizás te compres uno. Además, ayuda a los fabricantes a cumplir con las normativas de emisiones de la UE. Y por último, estos coches recopilan millones de datos sobre cómo conducimos y cómo nos movemos por las ciudades, lo cual es valioso para el desarrollo de futuros vehículos y conducción autónoma.

Conclusión: ¿El fin de la propiedad de los vehículos?

Nos están vendiendo que en el futuro no tendremos coches, pero el mercado actual nos está diciendo que gestionar una flota de coches ajenos es un negocio ruinoso.

Quizás el futuro no sea esa utopía socialista-tecnológica de flotas estatales o corporativas llevándonos a todas partes. Quizás, mientras los robots aprenden a conducir y los contables intentan cuadrar los números, seguiremos haciendo lo único que, financieramente, sigue teniendo sentido para la mayoría: tener nuestro propio coche aparcado en la puerta.

El futuro necesita hacer las cuentas. Y las cuentas no siempre son fáciles.

Ya veremos.

El alcalde de Londres y el fin de los empleos de niveles junior

2026-02-02T08:39:00.002+01:00

Era una fría tarde de jueves a mediados de enero de 2026 cuando el alcalde de Londres, Sadiq Khan, se subió al estrado de Mansion House y lanzó una bomba retórica que silenció la sala. No habló de la crisis de la vivienda ni de las huelgas de transporte. En cambio, miró a la élite financiera de la ciudad y calificó la inteligencia artificial como un potencial «arma de destrucción masiva para el empleo».

Era el tipo de titular sensacionalista que encanta a los políticos, pero, por una vez, los datos sugieren que podría estar minimizando la situación. Khan advirtió que Londres se encuentra en el «borde más afilado» de un cambio que amenaza con acabar con la economía de cuello blanco, y anunció la creación de un «grupo de trabajo de IA» de emergencia para intentar detener la hemorragia. Pero mientras el alcalde habla en tiempo futuro sobre una crisis inminente, los sectores financiero y tecnológico ya han comenzado silenciosamente la demolición.

Fuente

Si quieres ver el alcance de la explosión, no mires al Ayuntamiento. Mira los balances de las empresas más grandes del mundo. Apenas unos días antes del discurso de Khan, Goldman Sachs publicó un escalofriante informe en el que advertía de que los despidos por «eficiencia impulsada por la IA» que vimos en 2025 eran solo el preludio. Sus analistas predicen que en 2026 se producirá una «nueva ola» de recortes, no porque la economía se esté hundiendo, sino porque es lo suficientemente estable como para que las empresas finalmente lleven a cabo la «reestructuración» que llevan años planeando.

Las pruebas se acumulan a una velocidad brutal. Amazon comenzó el año 2026 eliminando 16.000 puestos corporativos, una medida que, según los expertos, supone un giro directo hacia operaciones más ágiles y potenciadas por la IA. Google siguió la tendencia y recortó cientos de puestos de trabajo en sus unidades globales de negocio y nube, citando específicamente las «ganancias de eficiencia» de sus nuevos modelos de IA. No se trata de empresas en crisis, sino de empresas que se están optimizando para un futuro en el que los seres humanos son el pasivo más caro del balance.

Pero lo más insidioso de esta historia no es quién está siendo despedido, sino quién no está siendo contratado.

En lo más profundo de los debates técnicos de la blogosfera de Substack, voces como la de Gergely Orosz (The Pragmatic Engineer) están documentando un fenómeno más específico y aterrador. Se le llama «la muerte del desarrollador junior».

Durante décadas, la industria tecnológica funcionó con un modelo de aprendizaje sencillo. Se contrataba a recién graduados que no sabían nada, se les pagaba para que arreglaran pequeños errores y redactaran documentación, y cinco años después, se tenía un ingeniero senior. Era una inversión cara e ineficaz, pero era la única forma de formar talento.

Esa escalera ha sido eliminada. A finales de 2025 y principios de 2026, la contratación para puestos de ingeniería de nivel inicial se desplomó casi un 60 % en algunos sectores. La lógica es implacablemente simple: un agente de IA como GitHub Copilot o Claude ahora puede generar código repetitivo, escribir pruebas y depurar errores más rápido y más barato que un graduado de 22 años. El «trabajo pesado» que solía enseñar a los jóvenes cómo ser veteranos se ha automatizado.

Estamos asistiendo a la creación de una «brecha de aprendizaje». Los ingenieros sénior se están convirtiendo en superhumanos, utilizando la IA para hacer el trabajo de tres personas, lo que justifica la congelación de las contrataciones. Pero esto crea una bomba de relojería demográfica. Si hoy nadie contrata a jóvenes, en 2030 no habrá sénior. Estamos, en efecto, comiéndonos nuestras propias semillas, cambiando la mano de obra futura por ganancias de eficiencia trimestrales.

Esta es la «destrucción» que preocupa a Sadiq Khan, aunque quizá no se da cuenta de lo quirúrgica que es en realidad. No solo estamos perdiendo puestos de trabajo, sino también el camino hacia la competencia. El peligro no es que los robots nos sustituyan a todos mañana. El peligro es que estamos construyendo una «economía de barra»: una pequeña élite de arquitectos que manejan la IA en la cima, una enorme clase baja de trabajadores temporales que verifican los resultados de la IA en la base y absolutamente nada en el medio.

Mientras miramos fijamente hacia 2026, la pregunta no es si estamos preparados para el futuro. Es si ya estamos viviendo en el pasado. El arma ha sido detonada, las consecuencias son invisibles y el único mensaje de error que recibimos es «Puesto de nivel inicial: cerrado».

Ya veremos.

¿Es realista un Muro Antidrones para defender Europa?

2026-01-19T08:30:00.001+01:00

Durante décadas, la frontera oriental de Europa se definió por barreras tangibles, minas y alambre de espino. Hoy, esa línea divisoria se ha vuelto tridimensional, invisible y terriblemente porosa. La propuesta de seis países de la OTAN de levantar un "muro antidrones" no surge del vacío teórico, sino de un mes de septiembre frenético que encendió todas las alarmas en Bruselas.

La urgencia se materializó cuando un dron militar ruso se estrelló en la parroquia de Gaigalava, en el este de Letonia. Las fuerzas armadas confirmaron que era un Shahed cargado de explosivos que simplemente se adentró en la OTAN y cayó. Casi simultáneamente, Rumanía tuvo que emitir alertas de combate tras detectar grupos de drones atacando infraestructura ucraniana a escasos metros de su frontera fluvial, y en Polonia, un objeto volador penetró 25 kilómetros antes de desaparecer, desencadenando una búsqueda de diez días sin resultados.

Ante este caos, la idea de un escudo de drones en toda la frontera Este de Europa, propuesta por 6 países de la OTAN, suena reconfortante. Pero antes de diseccionar por qué es una pesadilla de ingeniería, hay que entender qué se está planteando realmente. No hablamos de ladrillos. El "muro" es, en teoría, una red integrada de vigilancia masiva: miles de radares, sensores acústicos, sistemas ópticos, drones de reconocimiento y satélites, todo atado por una inteligencia artificial central que coordine la intercepción. El objetivo es crear una burbuja de negación de área desde Finlandia hasta el Mar Negro. Sin embargo, cuando se baja de la retórica política al barro de la operativa real, el proyecto choca contra ocho barreras formidables que amenazan con convertirlo en el que sería uno de los proyectos militares más caros de la historia.

BBC

La tiranía de la geografía y el "ruido"

El primer enemigo de este muro no es Rusia, sino el mapa. La frontera oriental es una cicatriz geográfica inmensa y variada que alterna bosques densos, cadenas montañosas y costas marítimas. La física del radar es implacable: para detectar drones pequeños que vuelan a ras de los árboles (tácticas nap-of-the-earth), necesitas una línea de visión directa. Esto obliga a una densidad de nodos sensores absurda para evitar los "puntos ciegos".

Si en tierra es difícil, en el mar es un infierno técnico. Las zonas costeras añaden el problema del "clutter" (ruido de fondo) marino y la dificultad de mantener radares estables sobre el agua. Además, el objetivo a detectar no es un caza bombardero metálico, sino drones de materiales compuestos o espuma con una firma de radar (RCS) minúscula. Distinguir un dron de vigilancia Orlan-10 o un Shahed pintado de negro mate de un pájaro grande o una ola, requiere una sensibilidad que multiplica los falsos positivos. Un sistema que alerta de un ataque cada vez que sopla el viento en los Cárpatos es un sistema que acaba siendo ignorado.

Drone Shahed

Disparar en un continente lleno de gente

Supongamos que la red de sensores funciona y detecta un enjambre. Ahora viene el problema: Detectar no es suficiente; hay que neutralizar. Y aquí entran en conflicto la seguridad y la demografía. Europa es un continente densamente poblado. Derribar un dron cargado de explosivos sobre una zona habitada, o cerca de aeropuertos civiles, conlleva un riesgo de daños colaterales y responsabilidad legal que paraliza a los mandos.

Las reglas de enfrentamiento en tiempos de paz (o de "guerra híbrida", esa zona gris donde nos movemos) son una pesadilla legal. ¿Quién autoriza el disparo? La latencia burocrática es el talón de Aquiles de la defensa occidental. Mientras los diferentes ejércitos coordinan la verificación y la decisión de fuego -cruzando barreras de idioma, protocolos de diferentes estados y normativas de aviación civil- , un dron que vuela a 180 km/h ya ha alcanzado su objetivo o ha desaparecido. La interoperabilidad real, donde un radar polaco guíe a un interceptor alemán en tiempo real sin fricción política, es algo que la OTAN lleva décadas persiguiendo sin éxito total.

Incluso si resolvemos la física y la burocracia, nos queda la economía. La guerra de drones es una guerra de costes asimétricos. Construir, desplegar y mantener esta infraestructura 24/7 requiere un presupuesto faraónico, no solo en inversión inicial, sino en las actualizaciones y el mantenimiento. Y todo para enfrentarse a una amenaza que muta cada semana.

El adversario es adaptativo. Si construimos un muro optimizado para detectar los Shahed actuales, Rusia cambiará a enjambres más pequeños, usará navegación puramente óptica inmune al jamming (interferencias), o lanzará señuelos de contrachapado que cuestan 500 dólares para que la OTAN gaste misiles de medio millón. Existe el riesgo real de que el "Muro Antidrones" se convierta en lo que los expertos llaman "Teatro de Seguridad": una medida visible y carísima que ofrece una falsa sensación de invulnerabilidad, mientras el enemigo simplemente cambia de táctica o satura el sistema por fuerza bruta. Técnicamente, no es imposible construir algo parecido, pero es imposible que sea infalible.

Parte de toda esta urgencia lo demuestra el hecho de que el pasado 18 de diciembre, el Parlamento Europeo aprobó un informe sobre drones y nuevos sistemas de guerra, en cuyo punto 37 se hace referencia explícita a la necesidad de actualizar el manual del Manual de Sistemas de Protección de Infraestructuras Críticas contra Drones (publicado en 2023).

Así que estoy convencido que por todo esto, y algunas otras razones que se me quedan en el tintero, que el teórico Muro Antidrones de Europa no es más que una gran quimera.

Ya veremos.

La guerra con drones de Ucrania. Una actualización de lo que trajo 2025.

2026-01-10T09:00:00.001+01:00

En la madrugada del 1 de junio de 2025, 117 drones First Person View (FPV) emergieron simultáneamente de contenedores de madera ocultos en camiones ordinarios dispersos por todo el territorio ruso. Algunos estaban en el Ártico, cerca de Murmansk. Otros en Siberia oriental, a más de 4,300 kilómetros de la frontera ucraniana. No habían volado desde Ucrania. Habían sido contrabandeados, pieza por pieza, durante 18 meses de planificación meticulosa.

Lo que siguió fue la Operación Spiderweb (Tela de Araña): el ataque con drones más audaz de la guerra, y posiblemente de la historia militar moderna. Cada dron costaba menos de 1,000 $. Los objetivos valían miles de millones. Cuando las explosiones cesaron, entre 12 y 41 bombarderos estratégicos rusos - incluyendo los venerables Tu-95 y Tu-22M3, fuera de producción desde la disolución de la Unión Soviética - yacían destrozados en sus pistas. Los pilotos, operando desde el interior de Ucrania con gafas FPV inmersivas, habían apuntado con precisión quirúrgica a los tanques de combustible en las alas, maximizando el daño explosivo.

"Entrenamos la IA con aviones soviéticos desmantelados de un museo", reveló más tarde el Servicio de Seguridad de Ucrania (SBU). Los sistemas de inteligencia artificial habían aprendido a identificar los puntos vulnerables de cada modelo de aeronave. El resultado: Siete mil millones de dólares en daños estimados. Un tercio de la capacidad de bombardeo estratégico de Rusia, neutralizada en una sola mañana.

Los blogueros militares rusos lo llamaron "el Pearl Harbor de Rusia". Y no estaban del todo equivocados.

Lo malo que tiene el pasado es que nunca lo puedes negar. Pero las declaraciones a posteriori, hay que cogerlas con pinzas, ya que la guerra de la propaganda y del dominio tecnológico impera, y yo no me creería al pie de la letra todas las reivindicaciones tecnológicas de ninguno de los dos ejércitos.

Aún así, la presencia de los drones en el conflicto ucraniano está siendo indudable. Así que aprovechando el estrenado año, este post pretende ser un pequeño resumen de toda la tecnología de drones militares que se ha visto sobre el campo de batalla en Ucrania durante 2025. No hubiera sido posible sin toda la cobertura y excelentes descripciones que hace puntualmente la bloguera Olena Kryzhanivska, del blog Ukraine's Arms Monitor.

El Arma que lo cambió todo

Si hay algo que ha quedado claro en 2025 es esto: los drones no son el futuro de la guerra. Son el presente. Y nadie lo entiende mejor que los soldados que pelean en las trincheras del este de Ucrania.

"Antes de que llegaran los drones, Pokrovsk parecía unas vacaciones", bromea con amargura un operador de drones ucraniano. "Después, dejamos de estirar las piernas". No es exageración. Los informes médicos militares rusos sugieren que más del 75% de las heridas que sufren sus soldados durante combates de baja intensidad son causadas por ataques de FPV. De los 31 tanques M1 Abrams que Estados Unidos envió a Ucrania, 27 fueron destruidos por drones.

El campo de batalla se ha transformado. La "zona de muerte" - ese espacio letal donde ningún movimiento queda sin castigar- se ha expandido de los tradicionales 5 kilómetros a entre 15 y 40 kilómetros detrás de la línea del frente. Viajar por carretera en estas zonas equivale a jugar a la ruleta rusa con explosivos guiados por IA.

Ucrania produjo más de 2 millones de drones en 2024. En 2025, la cifra alcanzó los 3 millones, con capacidad teórica para fabricar hasta 10 millones. Rusia, por su parte, incrementó su producción de drones Shahed (Geran) de origen iraní a más de 6.000 unidades por mes -potencialmente 75.000 al año.

El volumen es brutal: de un promedio de 90 armas aéreas lanzadas diariamente contra Ucrania en enero de 2025, la cifra se disparó a 140 por día en agosto. Los ataques más pesados de la guerra —con más de 500 misiles y drones en un solo día— ocurrieron todos después de la Operación Spiderweb. En septiembre, Rusia lanzó su mayor ataque combinado: 823 proyectiles en total.

La Paradoja de la Alta y Baja Tecnología

Aquí es donde la historia se vuelve fascinante. Mientras los titulares hablan de inteligencia artificial, aprendizaje automático y enjambres autónomos, la innovación más devastadora de 2025 ha sido... un cable.

Sí, un cable de fibra óptica.

Cuando la guerra electrónica se intensificó hasta niveles que ningún manual militar había anticipado, los ingenieros rusos dieron un paso atrás y recordaron las lecciones del pasado soviético. El misil antitanque Fagot de los años 70 utilizaba cables de control para guiar proyectiles. ¿Por qué no aplicar el mismo principio a los FPV modernos?

El resultado: drones FPV conectados físicamente a sus operadores mediante cables de fibra óptica ultrafinos que se desenrollan durante el vuelo. Completamente inmunes al jamming. Capaces de operar hasta 40-65 kilómetros de distancia. Letales en emboscadas.

"Un dron de fibra óptica no está diseñado para realizar 30-40 misiones por día", explica un veterano ucraniano. "Está diseñado para una sola misión y un impacto preciso. Contrarrestarlo es extremadamente difícil".

Para el verano de 2025, tanto Ucrania como Rusia producían decenas de miles de estos sistemas cada mes. Ucrania fabrica al menos 20.000 al mes; Rusia, alrededor de 50.000. La fábrica de Saransk opera seis líneas de producción que fabrican 12.000 kilómetros de cable de fibra óptica al día: unos 4 millones de kilómetros al año.

Las contramedidas son necesariamente físicas: ametralladoras, redes de pesca tendidas a lo largo de carreteras, e incluso otros drones FPV que cortan los cables con sus hélices en pleno vuelo. Videos de primera línea muestran las carreteras ucranianas bordeadas de túneles de malla protectora, transformando las rutas de suministro en laberintos fortificados.

El Factor Humano: Donde la IA todavía falla

Existe un mito creciente: que la guerra de drones es una guerra de robots. No lo es. Al menos, no todavía. "El 80% del éxito de un dron depende de la habilidad del piloto", afirma categóricamente Oleksandr Yakovenko, CEO de TAF Industries, uno de los principales fabricantes de FPV de Ucrania. "Los productores ucranianos ahora fabrican drones de calidad comparable. Lo que marca la diferencia es el operador".

Los números lo respaldan. La tasa de impacto promedio de un FPV pilotado manualmente oscila entre el 30% y el 50%. Para pilotos novatos, puede caer al 10%. Las proyecciones indican que los drones controlados por IA podrían alcanzar tasas del 80%. Pero eso es teórico. En 2025, ningún bando ha logrado la producción masiva de sistemas verdaderamente autónomos.

¿Por qué? Porque la visión por computadora en el campo de batalla real es extraordinariamente compleja. Las cámaras de calidad inferior, las condiciones climáticas variables, el humo, la niebla, el polvo, la necesidad de distinguir entre tanques amigos y enemigos, de apuntar a puntos débiles específicos en vehículos blindados —todo esto sigue siendo un desafío formidable para los algoritmos. Y entrenar a un piloto de drones competente lleva al menos tres meses.

Y aquí está el problema estratégico: cuando la OTAN habla de adquirir miles de drones de última generación, habla poco de entrenar a los miles de pilotos necesarios para operarlos.

Rubikon: El Contraataque Ruso

Durante gran parte de la guerra, Ucrania mantuvo una ventaja tecnológica clara en guerra de drones. Su ecosistema descentralizado (más de 500 productores, desde grandes fabricantes hasta operaciones de garaje) permitió una innovación rápida y adaptativa. Rusia, con su estructura militar tradicional, parecía torpe, burocrática, siempre un paso atrás.

Eso cambió en agosto de 2024 con la creación del Centro Rubikon de Tecnologías No Tripuladas Avanzadas.

No es una unidad de drones convencional. Es un híbrido: centro de adquisición, desarrollo, entrenamiento y operaciones, todo en uno. Con aproximadamente 5,000 efectivos organizados en al menos siete destacamentos de 130-150 personas cada uno, Rubikon opera como una startup tecnológica dentro de una maquinaria militar de estilo soviético.

"Tienen una gestión brillante, trabajan sistemáticamente, seleccionan al mejor personal, proporcionan entrenamiento y suministran todos los recursos necesarios", admite Maria Berlinska, directora del Centro de Apoyo de Reconocimiento Aéreo de Ucrania. "Vierten dinero en ello. Todos los que saben cómo funciona Rubikon están de acuerdo en una cosa: es muy eficaz".

Los resultados hablan por sí solos. Cuando Rubikon apareció en diferentes sectores del frente, algunas brigadas ucranianas perdieron entre el 40% y el 70% de sus posiciones de UAV en una semana. En Kursk, donde las fuerzas ucranianas habían logrado incursiones exitosas en territorio ruso, Rubikon cortó sistemáticamente las líneas de suministro mediante ataques de drones coordinados desde múltiples ángulos, forzando la retirada ucraniana.

Su arsenal incluye drones FPV con cámaras térmicas para ataques nocturnos, sistemas de fibra óptica, y drones "mothership" como el Molniya —construido en contrachapado— que puede transportar dos FPV más pequeños hasta 30 kilómetros detrás de las líneas enemigas antes de liberarlos.

Pero su arma más devastadora es la guerra electrónica. Los equipos Rubikon son expertos en rastrear señales de drones ucranianos hasta sus fuentes, permitiendo ataques contra los propios pilotos. Eliminar al piloto es más valioso que destruir un dron individual.

"No tienen días libres", dice un soldado ucraniano. "Pueden trabajar 24 horas... Antes de que llegara Rubikon, esto parecía unas vacaciones".

El comandante de drones ucraniano Yurii Fedorenko es directo: "Rubikon puede escalar rápidamente unidades de drones usando ventajas en mano de obra y recursos financieros que Ucrania no puede replicar". Es el reconocimiento honesto de que, en esta dimensión específica del conflicto, Rusia ha logrado ponerse al día.

Interceptores: La nueva frontera de la Defensa

Quizás la innovación defensiva más notable de 2025 ha sido el surgimiento de los drones interceptores: FPV kamikazes especializados en perseguir y destruir otros drones en pleno vuelo.

Con forma de cúpula, capaces de alcanzar velocidades superiores a 300 km/h, estos interceptores se han convertido en una categoría completa de armamento. Cuestan alrededor de $5.000 cada uno - lo cual es barato, comparado con misiles antiaéreos tradicionales, que pueden costar millones - y en el récord de ataque ruso del 7 de septiembre (810 drones), derribaron aproximadamente una quinta parte.

Los expertos afirman que los interceptores de drones son la mejor respuesta de Europa a la creciente amenaza de drones rusos. El problema: Europa aún no tiene ni los sistemas ni los recursos humanos necesarios para operarlos a escala.

The Economist

Lecciones para el Mundo

La guerra en Ucrania es un laboratorio vivo del futuro del combate. Más de 400 tipos diferentes de drones se utilizan actualmente en el conflicto. El ecosistema descentralizado de Ucrania ha permitido innovación rápida. La estructura centralizada de Rusia ha permitido sistematización a escala.

Para Occidente, las lecciones son incómodas. En septiembre de 2025, múltiples incursiones de drones se registraron en países vecinos a Ucrania, con el caso más impactante en Polonia. Drones rusos modificados específicamente para alcanzar tales rangos largos penetraron el espacio aéreo polaco, algunos reportados como armados.

Estados Unidos ha anunciado su doctrina "Unleashing American Drone Dominance", centrada en FPVs desechables con planes de desplegar hasta 10,000 vehículos aéreos de bajo costo en 12 meses. El Reino Unido está reestructurando sus capacidades militares, con el 80% enfocándose en sistemas no tripulados. La Unión Europea ha discutido planes para un "muro de drones" a lo largo de sus fronteras con Rusia y Ucrania. Aunque este último punto me provoca muy serias dudas técnicas.

Pero el énfasis está en el hardware, no en el humanware. Los gobiernos pueden proporcionar a sus fuerzas miles de drones avanzados, pero sin personal entrenado para operarlos, el equipo se vuelve inútil.

El Peso del Equilibrio Tecnológico

Mientras escribo estas líneas, los enjambres de drones surcan los cielos de Donetsk, los cables de fibra óptica se desenrollan sobre campos de batalla helados, y en algún lugar, un piloto de 20 años con gafas FPV inmersivas persigue un objetivo a 30 kilómetros de distancia con un dron que costó menos que su smartphone.

La paradoja de 2025 es que la guerra más tecnológicamente avanzada de la historia está siendo librada, en gran medida, con tecnología accesible. Drones comerciales modificados. Cables del siglo pasado. Software de código abierto. Y la habilidad irremplazable de seres humanos entrenados.

La verdadera revolución no es la IA - aunque está llegando -. Es la democratización de la letalidad a distancia. Es el hecho de que $1,000 en componentes y tres meses de entrenamiento pueden neutralizar un vehículo blindado de $4 millones. Es que una pequeña nación puede infligir daños estratégicos masivos a una superpotencia nuclear con ingenio, planificación y audacia.

"La integración masiva de inteligencia artificial en la guerra de drones podría marcar un punto de inflexión en el futuro cercano", concluye un análisis del Center for Strategic and International Studies. "Mejorando el procesamiento de datos, reconocimiento de objetivos y toma de decisiones autónoma, con humanos involucrados solo en la etapa final de compromiso".

Puede ser. Pero por ahora, en enero de 2026, cuando el mundo observa con fascinación y horror el cielo sobre Ucrania, lo que vemos es algo más fundamental: la prueba de que la guerra ha cambiado para siempre, y que el factor humano - creatividad, adaptabilidad, coraje - sigue siendo el arma más letal de todas.

Incluso cuando se controla desde una pantalla, a miles de kilómetros de distancia.

2025, un año de lecturas

2025-12-22T13:26:00.004+01:00

Sí, otra lista más con los mejores lo-que-sea de 2025. En esta ocasión, como viene siendo habitual en mi blog, os traigo una lista de algunas buenas lecturas que tuve en 2025. No es una lista que aspire a ser mejor que la otras. Simplemente es la mía.

El poder de los sin poder (Václav Havel)

Este libro explora la naturaleza del gobierno totalitario en Checoslovaquia durante la ocupación soviética. Havel ofrece una reflexión profunda sobre las formas en que la persecución política conduce al silencio, la complicidad y la obediencia entre la población. Este comportamiento, a su vez, profundiza y amplía el alcance y el poder del control despótico. Aquellos que se niegan a repetir como loros lo que dice el régimen, que dicen la verdad y viven con autenticidad, representan una amenaza existencial para el gobierno totalitario y la ideología que lo sustenta.

Es decir, cuando empieza a caer un régimen, ¿qué es lo que lo impulsa? ¿Qué ha estado haciendo la población mientras se percibía que el régimen no tenia fisuras? ¿Es repentino que de un día para otro el pueblo proteste masivamente contra un gobierno, o son tareas silenciosas y opiniones fuera del sistema las que alimentan estas revoluciones?

Como castigo por escribir este libro, Havel fue perseguido, acosado, interrogado repetidamente y, finalmente, pasó casi cuatro años en prisión como disidente político. Tras su salida de prisión, continuó escribiendo y hablando con valentía en contra de las violaciones de los derechos individuales en su país. Poco después de la Revolución de Terciopelo (otoño de 1989), Havel se convirtió en presidente de Checoslovaquia y, posteriormente, en 1993, en presidente de la recién formada República Checa.

Material world: Arena, sal, acero, cobre, petróleo y litio (Ed Conway)

Material World parece un libro anodino. Uno de esos oscuros, pesados y solitarios libros esperando en alguna biblioteca especializada, que ocasionalmente puede ser consultado por algún científico despistado. Además, el título comienza en inglés. Buf, vaya chapa.

Pero no.

Ha sido una de las lecturas de divulgación más interesantes del año. Tal y como promete el título, la obra consiste en la descripción, exploración, industria y comercio de los 6 materiales más importantes para la Humanidad. Arena, sal, acero, cobre, petróleo y litio.

No es un libro de química básica ni se entretiene en dar descripciones aburridas sobre las propiedades de los materiales. Más bien, el autor narra qué se encontró en los diferentes viajes que realizó por el mundo persiguiendo las minas y lugares de extracción de estos materiales, y lo enlaza con la historia que hubo detrás de su descubrimiento, de su industrialización, de cómo nos afecta a nuestra vida, de qué personajes o empresas hubo detrás de ellos... Me ha recordado bastante al recomendable libro El mundo está en venta: La cara oculta del negocio de las materias primas, donde habla más del dominio de diferentes empresas y países de los materiales, desde un punto de vista más político y financiero.

Todo esto, contado de un modo muy ameno y entretenido para los que disfrutamos de un buen libro de divulgación, en un momento donde la "crisis" de las materias primas está más en el candelero que nunca en los medios.

Cómo dejamos de pagar por la música (Stephen Witt)

El relato que ha llegado hasta nuestros días es que muchas discográficas del siglo pasado, al comienzo del nuevo quebraron. La respuesta habitual es que cobraban demasiado por los discos, y que piratear y descargar música en el clásico Kazaa, eMule o sucedáneos había sido una buena lección para que espabilasen. ¿Cómo surgió el Kazaa, cómo fue posible reducir archivos de música de discos compactos de 700 MB de almacenamiento, en archivos manejables y capaces de descargarse a través de nuestras vetustas conexiones de módems 54k?

En esto y mucho más en lo que se centra este libro. No solo eso, sino que -para mi sorpresa- el pilar fundamental de toda esta revolución tecnológica fue la creación del formato MP3 por parte de investigadores del Instituto Fraunhöfer alemán. Pero una vez creada esta poderosa herramienta que reducía las canciones de 100MB a solo 3MB, ¿quién se dedicó a colgar música pirata en la Red? ¿Cómo se organizaban? ¿Por qué lo hicieron? ¿A qué se enfrentaban? ¿Cómo era su vida? ¿Y cómo era la vida de los grandes directivos de la industria musical mientras todos estos cambios estaban estallando?

La obra que acabo de leer me ha resultado deliciosa, y estructura todo lo que he mencionado, en una forma de novela donde los diferentes personajes (industria, piratas, investigadores...) terminan cruzándose a lo largo de sus páginas, mientras todos ellos han ido construyendo lo que será un gran castillo final. Este libro no está salpicado de lírica ni flujos de conciencia, y es el tipo de obra donde el pretérito simple es el rey de la trama. Aún así, el autor intercala los diferentes frentes de forma muy entretenida, y logrando que la vida de los personajes nos interese y queramos conocer qué es lo que les pasa.

El hilo cronológico de los acontecimientos llega hasta 2010 aproximadamente, en los albores del modelo de pago musical actual, en forma de licencias, royalties y modelo de Spotify.

La ciudad de los vivos (Nicola Lagioia)

Es una maravilla de libro, escrito con rigor, con criterio, con ritmo y que deja, a la vez, un poso muy amargo y una senda para reflexionar sobre nosotros mismos y sobre la sociedad y las ciudades en la que vivimos.

¿Qué cuenta La ciudad de los vivos? Cuenta Roma y cuenta el asesinato de Luca Varani ocurrido en 2016. Lagioia hace de Truman Capote para intentar entender porqué ocurrió el asesinato y que llevó a los asesinos, Manuel Foffo y Marco Prieto a cometerlo. Lagioia quiere saber qué sociedad, la romana, la italiana, la europea, la occidental ,crea el caldo de cultivo para un crimen así y después lo devora como carnaza, como espectáculo. Lagioia disecciona como desde la prensa, las redes sociales, la sociedad se juzgan los crímenes, y cualquier otra cosa, desde la atalaya a la que nos subimos todos, el pedestal del «yo no lo haría» y el «son monstruos».

La realidad que Lagioia nos muestra, descubre para nosotros y para sí mismo es que un crimen así lo puede realizar cualquiera, ninguno estamos a salvo de convertirnos en eso que juzgamos tan alegremente y con tanta superioridad moral. El ritmo de la novela es trepidante, empiezas a leer y no puedes dejarlo. Vamos saltando de testimonio en testimonio, de noticia en noticia hasta contarlo todo, como si recompusiéramos un espejo roto. Además de todo esto, Lagioia es un personaje de la historia contando su propio enganche con el asesinato, todos los implicados y con Roma. Del crimen consigue distanciarse, de Roma no.

El suicidio de Occidente (Alicia Delibes)

Ha sido uno de los libros de educación que más me ha enseñado. Trata sobre la deriva política, y cómo los diferentes gobiernos y sociedades han echado a perder el sistema educativo en todo el mundo.

Con Rousseau como pilar ideológico, la autora explica cómo los sucesivos cambios de leyes han dilapidado y desincentivado la meritocracia, la excelencia, la disciplina y otra serie de valores.

¡Felices Fiestas a todos!

¿Por qué estoy en contra del aprendizaje personalizado con la IA?

2025-12-16T14:30:00.004+01:00

En 2013, Max Ventilla, un ejecutivo estrella de Google, decidió que el sistema educativo era un algoritmo ineficiente que necesitaba ser refactorizado. Su solución fue AltSchool. Con 170 millones de dólares en capital de riesgo (respaldados por Mark Zuckerberg y Peter Thiel), AltSchool prometió el santo grial de la educación: la personalización total a través del Big Data.

Las aulas de AltSchool parecían el sueño húmedo de un ingeniero de visión por computador. Cámaras y micrófonos grababan cada interacción. Sensores rastreaban el movimiento. Los estudiantes no seguían un currículo; seguían "listas de reproducción" (playlists) generadas por software. La promesa era seductora: usar la misma tecnología que recomienda tu próxima serie en Netflix para recomendar tu próxima lección de matemáticas.

En 2019, AltSchool cerró sus puertas, admitiendo que el modelo era "económicamente insostenible" y pedagógicamente cuestionable. Los padres se quejaron de que sus hijos pasaban el día mirando pantallas; los profesores sufrieron un burnout masivo intentando alimentar a la máquina de datos.

¿Por qué falló una de las startups mejor financiadas de la historia EdTech? Porque cometieron el error clásico de la ingeniería aplicada a las humanidades: confundieron la optimización de la eficiencia con el acto de educar.

El Sueño Aristócrata y la Falacia de la Escala

La obsesión con el "Aprendizaje Personalizado" no es nueva. De hecho, es la forma más antigua y elitista de educación.

Piensen en John Stuart Mill o en Alejandro Magno. Ellos tuvieron la versión original del aprendizaje personalizado: un tutor humano experto (su padre o Aristóteles, respectivamente) dedicado enteramente a ellos. El tutor conocía sus debilidades, adaptaba el tono a su estado de ánimo y aceleraba o frenaba según la curiosidad del alumno.

El objetivo de la tecnología educativa (EdTech) siempre ha sido noble: democratizar ese privilegio aristocrático. Escalar a Aristóteles. Si pudiéramos darle a cada niño pobre un tutor digital en su bolsillo, cerraríamos la brecha de desigualdad.

HackEducation

Pero aquí es donde la industria nos vendió gato por liebre. Lo que Silicon Valley llama "personalización" hoy en día no es un tutor socrático. Es, en palabras de los investigadores Neil Selwyn y Caroline Pelletier, una estandarización disfrazada.

El software no te permite explorar caminos divergentes (como haría un tutor humano). El software optimiza la ruta más rápida entre el punto A (ignorancia) y el punto B (pasar el test). Si tardas más, el sistema no asume que estás reflexionando; asume que eres un bug en el proceso de ingestión de datos.

La Torre de Babel Semántica

Si preguntas a cinco ingenieros qué es el "Aprendizaje Personalizado", obtendrás cinco respuestas diferentes. Una revisión sistemática reveló un caos absoluto: la industria usa indistintamente términos como "adaptativo", "individualizado" y "personalizado".

Paradójicamente, el pasado mes de noviembre se produjo un repentino aumento de las búsquedas en Google de términos relacionados con la «educación personalizada», probablemente debido al anuncio de ChatGPT para educadores.

Es realmente curioso cómo Bill Gates ha definido el aprendizaje personalizado a lo largo de los últimos años.

La cruda realidad técnica es esta: el 90% de lo que se vende como "IA Personalizada" es simplemente instrucción individualizada. Es el mismo menú para todos los comensales, la única diferencia es que unos lo mastican rápido y otros lento. No hay adaptación real del contenido ni del método, solo del ritmo. Es el fordismo aplicado a la mente, pero con una interfaz de usuario más bonita.

Para entender por qué la EdTech moderna se siente tan fría, tenemos que mirar bajo el capó, hacia un paper que cambió la industria para siempre.

Hasta 2015, los sistemas de tutoría inteligente usaban modelos estadísticos transparentes (como el Bayesian Knowledge Tracing), basados en teorías cognitivas sobre cómo aprendemos. Pero en la conferencia NeurIPS 2015, Chris Piech y su equipo de Stanford presentaron el artículo titulado "Deep Knowledge Tracing".

Propusieron usar Redes Neuronales Recurrentes (LSTMs) para modelar el conocimiento del estudiante. Al alimentar a la red neuronal con millones de datos de aciertos y fallos, el modelo "Deep Learning" logró predecir con una precisión asombrosa (un 25% mejor que los modelos anteriores) si un estudiante fallaría la siguiente pregunta.

Desde el punto de vista de Computer Science, fue un triunfo. Pero desde el punto de vista pedagógico, fue una tragedia.

Al pasar al Deep Learning, convertimos al estudiante en una "caja negra". El sistema representa el conocimiento del alumno como un vector de números en un espacio latente de alta dimensión. La máquina sabe que vas a suspender, pero matemáticamente no puede decirnos por qué. ¿Es por falta de atención? ¿Por dislexia? ¿Por un mal concepto base? El vector no tiene explicabilidad.

Pasamos de intentar entender la mente del estudiante a simplemente predecir su comportamiento click a click. Ganamos eficiencia predictiva, pero perdimos la capacidad de diagnóstico humano.

Educase

La Realidad: El Profesor como Gestor de Datos

La narrativa de ventas, impulsada por figuras como Bill Gates, es que la IA "liberará" a los profesores de las tareas repetitivas para que puedan "conectar" con los alumnos. La realidad en las aulas es la opuesta.

Al introducir estas plataformas de caja negra, no hemos liberado a los docentes; los hemos convertido en técnicos de soporte de IT y analistas de datos de bajo nivel. En lugar de mirar a los ojos a un alumno para detectar si está triste (algo que ningún LSTM puede vectorizar), el profesor pasa la clase mirando dashboards que le dicen quién está en rojo y quién en verde.

El aprendizaje real es un proceso caótico, social y profundamente ineficiente. Requiere tropezar, divagar y conectar emocionalmente. Al intentar "optimizar" la educación como si fuera una cadena de suministro, AltSchool y sus sucesores olvidaron la lección más importante de la computación:

Hay cosas que son features, no bugs. La necesidad humana de conexión, la imprevisibilidad de la curiosidad y la lentitud del pensamiento profundo no son problemas de latencia que debamos eliminar. Son la razón por la que aprendemos.

Mientras sigamos intentando codificar a Aristóteles en una red neuronal, seguiremos fracasando. La verdadera educación personalizada escalable no vendrá de un mejor algoritmo, sino de usar la tecnología para potenciar, y no reemplazar, la ineficiente y maravillosa conexión humana.

Conclusión

Lo que yo creo es que el camino a seguir para la tecnología educativa (o cualquier software para usar en clase, independientemente de si persigue el aprendizaje personalizado) debería ser combinar la experiencia del profesor, por ejemplo, en motivar a los alumnos y evaluar ideas complejas, con la capacidad de la tecnología para hacer cosas como ampliar las clases, involucrar a los alumnos en prácticas espaciadas y repetitivas, y aplicar reglas de forma coherente para que la calificación sea justa. Además, los profesores deberían recibir formación en el uso de las nuevas tecnologías. Antes de adoptar nuevas tecnologías educativas, los educadores deberían investigar cómo la tecnología personaliza la experiencia de aprendizaje, cómo construye la memoria a largo plazo, cómo favorece la atención y qué pruebas hay sobre su eficacia.

Ya veremos.

El robot de 39.000 millones de dólares tiene arañazos

2025-12-01T08:00:00.001+01:00

Cuando Brett Adcock publicó las fotos este noviembre que acabamos de dejar atrás, nadie esperaba ver eso. Sus robots humanoides Figure 02, recién retirados tras 11 meses trabajando en la planta de BMW en Carolina del Sur, estaban cubiertos de arañazos, rozaduras y suciedad industrial. El acabado negro brillante con el que habían llegado a la fábrica se había convertido en un mapa de marcas de guerra. "Despliegue en el mundo real", escribió Adcock en el post.

Y tenía razón. Porque esos arañazos valían exactamente 36.400 millones de dólares.

En febrero de 2024, Figure AI levantó 675 millones de dólares con una valoración de 2.600 millones. Dieciocho meses después, en septiembre de 2025, la empresa recaudó más de mil millones con una valoración de 39.000 millones. Un crecimiento del 1.400% impulsado, en gran parte, por la narrativa de que sus robots no eran humo de laboratorio, sino máquinas capaces de trabajar en una línea de producción real junto a 11.000 empleados humanos. Y eso, sin que la empresa Figure declare ingresos de ningún tipo. Esa es parte de la historia. Es pura apuesta especulativa basada en el potencial futuro, no en rentabilidad actual.

La tarea que realizaban no era particularmente glamurosa. Los humanoides levantaban piezas de chapa metálica de contenedores y las colocaban en dispositivos de soldadura con una tolerancia de 5 milímetros. Después, brazos robóticos tradicionales completaban la soldadura. Ciclo de 84 segundos. Repetir. Durante 10 horas al día, de lunes a viernes. Al final del proyecto, habían cargado más de 90.000 piezas y contribuido a la producción de más de 30.000 BMW X3.

Los inversores lo adoraron. Microsoft, NVIDIA, Jeff Bezos, Intel Capital: todos apostaron. Goldman Sachs proyecta que el mercado de robots humanoides podría alcanzar los 38.000 millones para 2035, y Figure AI se posiciona como el líder inevitable de esa revolución. Adcock habla de vender "millones, quizás miles de millones" de humanoides.

Pero hay un problema con las narrativas de Silicon Valley: tienden a adelantarse a la realidad.

En junio de 2025, la revista Fortune decidió verificar las afirmaciones de Adcock sobre su "flota" de robots realizando "operaciones de extremo a extremo" en BMW. El portavoz de BMW, Steve Wilson, reveló que solo había un único robot Figure operando en la planta en un momento dado, y que inicialmente trabajaba solo durante horas no productivas. No era exactamente la revolución manufacturera que los titulares prometían.

Figure AI no respondió a las solicitudes de aclaración de Fortune. En su lugar, dejaron que los datos hablaran: 1.250 horas de tiempo operativo, con mínimos fallos de hardware. Precisión superior al 99%. Y sí, esos arañazos que demostraban que las máquinas habían sobrevivido al entorno industrial más duro que existe.

El mayor dolor de cabeza técnico fue, irónicamente, uno de los aspectos más humanos del diseño. El antebrazo emergió como el principal punto de fallo debido a la complejidad de tener tres grados de libertad, gestión térmica y cableado en una extremidad de tamaño humano. El movimiento constante alteraba y hacía sufrir los microcontroladores y el cableado. Resulta que imitar la anatomía humana en metal y silicio es más complicado de lo que parece en los renders 3D.

Esas lecciones alimentaron el diseño del Figure 03, que elimina la placa de distribución y el cableado dinámico en la muñeca. Los controladores de motor ahora se comunican directamente con el ordenador principal. Más simple, más robusto, más preparado para escalar. O eso es lo que Figure promete.

Interesting Engineering

Conclusiones y viabilidad económica

Mientras tanto, la pregunta sigue en el aire: ¿estamos ante el nacimiento de una industria multimillonaria o ante una burbuja espectacular? Dos robots trabajando en una sola fábrica no son exactamente la singularidad robótica. Pero tampoco lo era el primer iPhone.

No hay información pública sobre el coste operativo específico del Figure 02 en BMW. Pero podemos inferir que si completaron un ciclo de carga en 84 segundos (incluyendo 37 segundos para la carga), un humano probablemente haría esa tarea en tiempo similar o más lento, pero solo trabajaría 8 horas vs las 10 que trabajó el robot.

BMW pagó (presumiblemente) cientos de miles de dólares por robots experimentales que hacen un trabajo que un humano haría por 40.000-50.000 dólares al año. La apuesta es que dentro de 2-3 años, ese mismo robot costará 50.000 dólares y trabajará el triple de horas.

Hay quienes pensamos que un brazo robótico actual ya realiza mucho mejor y más rápido la tarea del robot humanoide en este experimento. Y es verdad. Pero al mismo tiempo, también es verdad que introducir en las fábricas muchísimos brazos robóticos obligaría a transformar sustancialmente el entorno, mientras que meter miles de robots humanoides no lo requeriría.

Una de las claves (en teoría) de la tecnología de Figure es la capacidad de enseñarle nuevas tareas, a través de LLMs e información visual, gracias a su sistema Helix. Pero ojo, porque no es oro todo lo que reluce y enseñar nuevas órdenes a un robot no es tan fácil como hacerlo con un empleado humano y puede que haya mucho marketing en esas promesas.

Los arañazos en esos Figure 02 retirados cuentan una historia diferente a la de los renders perfectos y los pitch decks de capital riesgo. Cuentan la historia de máquinas que realmente trabajaron, que fallaron, que aprendieron. Y en Silicon Valley, donde la diferencia entre realidad y ficción se mide en valoraciones de mercado, eso podría valer 39.000 millones de dólares.

O quizás solo valga unos cuantos arañazos.

Ya veremos.

El mito del derroche de agua en los centros de datos

2025-11-24T10:09:00.003+01:00

Probablemente hayas visto los titulares: la IA está consumiendo mucha agua. Los centros de datos están agotando los pozos. Las comunidades se están quedando sin agua mientras los gigantes tecnológicos entrenan a sus chatbots. Un libro muy popular incluso afirmaba que un solo centro de datos de Google en Chile consumiría mil veces más agua que toda una ciudad.

Solo hay un problema: los cálculos son completamente erróneos.

Considera estas afirmaciones comunes:

«Los centros de datos de Texas están obligando a los residentes a ducharse menos tiempo». ¿La realidad? Los centros de datos aumentaron en torno al 0,005 % la demanda de agua de Texas, lo que equivale a que 1600 personas se mudaran a un estado de 30 millones de habitantes.

«Los centros de datos se construyen en zonas con escasez de agua». En el condado de Maricopa, Arizona, una de las zonas con mayor escasez, los centros de datos consumen el 0,12 % del agua del condado. Los campos de golf consumen el 3,8 %. Por cada galón consumido, los centros de datos generan 50 veces más ingresos fiscales que los campos de golf.

¿Cuál es el impacto real?

Esto es lo que no han encontrado las investigaciones: ni un solo caso en el que el funcionamiento de los centros de datos haya aumentado las facturas de agua de los hogares en Estados Unidos.

Ni en el condado de Loudoun, Virginia, donde se concentra el mayor número de centros de datos del mundo.

Tampoco en The Dalles, Oregón, donde el 29 % del agua de la ciudad se destina a un centro de datos de Google. Cuando las tarifas aumentaron en 2025 para mejorar las infraestructuras, las tarifas de Google redujeron el impacto. Sin los ingresos del centro de datos, las facturas domésticas habrían aumentado un 23 %. En cambio, solo aumentaron un 7,3 %.

Tampoco en Mesa, Goodyear ni en ninguna de las otras doce localidades en las que los periodistas han dado la voz de alarma.

¿El motivo? Estados Unidos separa los mercados residenciales y comerciales del agua específicamente para evitar que las industrias compitan con los hogares. Cuando los centros de datos requieren mejoras en la infraestructura, suelen financiarlas, como la contribución de 31 millones de dólares de Microsoft a una planta de reciclaje de agua en Quincy, Washington, que ahora da servicio a toda la comunidad.
Zutacore

Zutacore

La única historia real, que no tenía que ver con el consumo de agua

El New York Times publicó una noticia sobre el centro de datos de Meta en Social Circle, Georgia, donde se secaron los pozos cercanos. Lo que no se mencionaba en el artículo era que el centro de datos aún no se había puesto en marcha. El problema eran los sedimentos de la construcción, algo que podría ocurrir en cualquier proyecto de edificación.

El subtítulo seguía diciendo: «Los gigantes tecnológicos están construyendo centros de datos que consumen mucha agua. Esto ha causado problemas a las personas que viven cerca».

Eso no es engañoso, es falso.

Por qué las cifras dan miedo

A los periodistas les encanta comparar los centros de datos con los hogares, pero estos solo representan alrededor del 1 % de la huella hídrica total de los estadounidenses. El 99 % restante se destina a la producción de alimentos, la generación de electricidad y la fabricación de productos.

Todos los centros de datos juntos utilizan alrededor del 0,05 % del agua dulce de Estados Unidos, menos que la huella hídrica de Paterson, Nueva Jersey. Pasamos la mitad de nuestras horas de vigilia conectados a Internet. Es casi milagroso que esta infraestructura utilice una fracción tan pequeña de nuestros recursos.

Otro truco: informar del consumo máximo de agua permitido como consumo real. Los permisos cubren los peores escenarios posibles: todos los servidores a plena capacidad en el día más caluroso. El consumo real suele ser entre un 20 % y un 50 % inferior.

¿Qué pasará en el futuro?

NYTimes

Los centros de datos están creciendo rápidamente. Algunas estimaciones sugieren que el consumo de agua podría cuadruplicarse para 2028. Pero incluso cuadruplicado, estamos hablando del 0,2 % del consumo nacional de agua dulce, lo que sigue siendo menos que la huella del estilo de vida de 800 000 personas en un país que suma 1,6 millones de personas al año.

La verdadera pregunta no es si los centros de datos utilizan agua, ya que todo la utiliza. La pregunta es si la utilizan de manera eficiente en relación con el valor creado. Los centros de datos generan aproximadamente 20 000 $ en ingresos por cada mil galones consumidos. La agricultura genera 19 $. La generación de energía eléctrica genera 312 $.

La realidad al completo

Las comunidades locales deben examinar minuciosamente los proyectos de centros de datos y negociar condiciones justas. Existen preocupaciones medioambientales legítimas sobre la IA: consumo de energía, residuos electrónicos, huella de carbono de los modelos de entrenamiento. En algunos casos, como las instalaciones de xAI en Memphis, existen preocupaciones reales sobre la contaminación atmosférica.

Pero cuando los errores matemáticos se multiplican por miles, cuando los accidentes de construcción se informan erróneamente como fallos operativos, cuando impactos del 0,005 % se presentan como catástrofes, hemos perdido el norte.

¿La ironía? Este alarmismo dificulta abordar los problemas medioambientales reales. Cuando la gente descubre que la «crisis del agua» era tremendamente exagerada, se vuelve escéptica ante todas las preocupaciones medioambientales sobre la IA, incluidas las legítimas.

La crisis del agua de la IA es real en un sentido: es una crisis en la forma en que verificamos las fuentes e informamos sobre la tecnología. Hasta que no solucionemos eso, lo más derrochador de la IA podría no ser su consumo de agua, sino toda la atención que estamos desperdiciando en un problema que apenas existe.

El Drone de Reparto: De la Promesa de Amazon a la Cruda Realidad de los Balances

2025-11-17T09:00:00.001+01:00

Dicen que el futuro de la logística es silencioso, sobrevuela el tráfico y llega a tu puerta en media hora. La visión de Amazon Prime Air, Walmart o Wingcopter prometiendo la entrega de última milla con drones (ese paquete de cinco libras o menos que te saca de un apuro) es, sin duda, seductora. Es la quintaesencia de la eficiencia: evitar el colapso urbano, reducir las emisiones en un 80-85% por paquete respecto a un vehículo de combustión, e ignorar los atascos.

En el corazón de esta transformación se encuentran gigantes del comercio minorista y la logística, como Amazon y Walmart, que han invertido considerablemente en la materialización de esta utopía aérea. El proyecto más emblemático, Amazon Prime Air, fue concebido no solo como una mejora logística, sino como un intento radical de redefinir el comercio electrónico, ofreciendo un servicio de entrega instantánea inigualable. Jeff Bezos postuló, ya en 2013, que ver drones de Amazon sería tan común como ver camiones de correos en la carretera.

Pero si el modelo es tan brillante, ¿por qué no estamos ya enterrados bajo un manto de drones zumbadores? La respuesta no está en la tecnología, sino en la regulación y, más crudamente, en la economía de la unidad operativa.

Para diseccionar esta brecha entre la promesa y la rentabilidad, no se me ha ocurrido nada mejor que analizar el modelo de negocio y resultados financieros de una empresa cotizada en Bolsa (en este caso, canadiense) que está luchando en esta arena: Volatus Aerospace Inc. (TSXV: FLT). Sus estados financieros y su estrategia revelan los desafíos que gigantes como Amazon o DHL deben superar para que sus proyectos de reparto sean algo más que costosos ejercicios de marketing. Es importante conocer que Volatus Aerospace es el resultado de la fusión que culminó en 2024, entre dos empresas del sector: Drone Delivery Canada (DDC) y Volatus Aerospace, de cuyo resultado nació Volatus Aerospace Inc.

Este post será un poco más largo que los habituales, pero pretendo demostrar en qué punto de este escenario tecnológico de ciencia ficción estamos, y más allá de los grandes titulares, cómo se puede hacer una empresa de reparto de mercancías con drones, alcance la tan deseada rentabilidad. Y sobre todo, ¿cómo se justifica este comportamiento en Bolsa de la acción de Volatus, capaz de estremecer a los inversores más calmados?

El cuello de botella regulatorio: la clave del negocio

El obstáculo principal de la logística con drones es el requisito de la Línea Visual (VLOS). Durante años, la normativa exigía que un operador mantuviera el control visual directo de su aeronave. Esto limita las misiones a distancias cortas y obliga a tener un operador por dron (o, con suerte, por un puñado de drones en una zona pequeña), disparando el coste operativo.

La verdadera viabilidad económica y la escalabilidad del negocio residen en el BVLOS (Beyond Visual Line of Sight).

Volatus Aerospace ha logrado convertir esta dificultad en su principal ventaja competitiva. Han obtenido un Certificado de Operaciones de Vuelo Especial (SFOC) de Transport Canada que autoriza operaciones BVLOS escalables a nivel nacional.

Su secreto está en la tecnología de Detección y Evitación (DAA). Volatus utiliza una integración de tres componentes:
1. Radar MatrixSpace: Un sistema ligero que detecta aeronaves pequeñas y no cooperativas (otros drones).
2. Kongsberg IRIS Terminal: Una plataforma de software para la conciencia del espacio aéreo.
3. Operations Control Center (OCC): Un centro neurálgico para la gestión remota.

Al certificar un sistema DAA robusto, Volatus ha convencido al regulador de que la seguridad ya no depende del ojo humano, sino de la tecnología, permitiendo a la empresa reducir drásticamente la proporción de personal por dron. Esto es lo que se traduce en rentabilidad.

Tal y como mencionaba antes, Volatus se fusionó con Drone Delivery Canada (DDC) para consolidar el mercado canadiense. DDC se centraba en la logística y entrega de mercancías autónoma, especialmente en el suministro a comunidades y áreas remotas del norte de Canadá. La lógica de esta consolidación es simple: en un sector donde la regulación es la barrera más alta, la unión de permisos regulatorios y la eficiencia del capital son las estrategias de supervivencia.

La principal debilidad de DDC y de la industria en general era el complejo y lento marco regulatorio que impide una rápida escalabilidad, junto con los altos costos iniciales. Sus gastos operativos superan los ingresos, resultando en pérdidas netas continuas.

Al unirse a Volatus, DDC pudo combinar su tecnología propietaria (software FLYTE, drones como el Sparrow) y su enfoque en nichos rentables (suministros médicos y carga de alto valor/urgente en comunidades remotas) con la ventaja regulatoria BVLOS y la infraestructura OCC certificada de Volatus. La fusión consolida un liderazgo regulatorio y tecnológico en el nicho geográfico canadiense. De hecho, Volatus es especialista en la entrega de paquetería en zonas de difícil acceso y poblaciones mal comunicadas, precisamente, el nicho que más sentido cobra en este negocio.

Lección para los Gigantes (Amazon, UPS): El moat de la logística aérea no es el dron más rápido, sino la certificación regulatoria y la infraestructura tecnológica DAA que permite la automatización total.2 Aunque la FAA ha aumentado las exenciones BVLOS (190 a octubre de 2024, frente a solo 6 en 2020) 5, el camino hacia una operación verdaderamente escalable y sin observadores visuales fuera de sitios de prueba designados sigue siendo lento y complejo.

El negocio real: cuando los sueños se estrellan contra el excel

Un error común es asumir que la rentabilidad vendrá solo del reparto de paquetes de última milla. Los documentos de Volatus revelan una estrategia de negocio diversificada, diseñada para generar flujo de caja mientras se construye la infraestructura BVLOS de alto valor.

Volatus Aerospace no es Amazon. Es una empresa canadiense-americana que opera en tres frentes: vende drones de otros fabricantes, ofrece servicios aéreos (inspecciones, vigilancia, transporte) y forma pilotos. En el segundo trimestre de 2025 facturaron 10,6 millones de dólares canadienses. Para ponerlo en perspectiva: Amazon gasta más que eso en café corporativo cada semana.

Pero precisamente por ser pequeña, Volatus nos muestra la anatomía económica del sector sin el maquillaje de las grandes corporaciones. Y los números son brutales.

El margen bruto del 32% que consiguieron en Q2 2025 esconde dos realidades muy distintas. Los servicios aéreos (vuelos de inspección, transporte de carga) generan márgenes entre el 40% y el 50%. Respetable. Rentable, incluso. Pero la venta de equipos (drones físicos) apenas roza el 20-25%, típico de cualquier negocio de distribución.

Y aquí viene lo interesante: en el trimestre analizado, el 48% de sus ingresos vino de vender cacharros, no de volar. ¿Por qué? Porque las guerras —concretamente, la demanda de la OTAN por drones militares tras la invasión rusa de Ucrania— han disparado las ventas de hardware. Volatus vendió un 114% más de equipos que el año anterior. Pero ese boom defensivo no dice nada sobre la viabilidad del reparto comercial.

El agujero negro operativo

Aquí está el problema estructural que Amazon no cuenta en sus keynotes: Volatus perdió casi 4 millones de dólares en el trimestre. Y no es una startup quemando capital para crecer: llevan operando desde 1987 (originalmente como empresa de aviación tripulada). Han volado 75.000 horas. Tienen certificaciones regulatorias que Amazon pagaría millones por conseguir. Y aun así, pierden dinero.

Desglosemos sus gastos operativos trimestrales:

Personal: 2,2 millones
Costes de oficina: 714.000
Marketing y publicidad: 428.000
Partners externos: 473.000
Depreciación: 1,4 millones

Sumemos: 5,6 millones en costes operativos contra 3,4 millones de beneficio bruto. Pérdida operativa: 2,2 millones. ¿Se entiende ahora la gráfica de la cotización de Bolsa?

Pero lo fascinante está en la nota a pie en los documentos financieros de la compañía: "certain costs increased due to termination expenses, legal fees". Traducción: están despidiendo gente y peleando en tribunales mientras intentan ser rentables. Y también es revelador un dato en la página 13 de estos documentos financieros: comparando con el mismo periodo de 2024 (sumando las dos empresas que se fusionaron para crear Volatus), redujeron gastos operativos en 2,7 millones. Es decir, están adelgazando brutalmente la estructura para no desangrarse.

Veamos los costes estructurales que Volatus nos revela:

Gasto operativo: Gastaron 411.000 dólares en seis meses solo en equipamiento. Cada dron cuesta entre 50.000 y 300.000 dólares según capacidad. Se deprecian en 3-5 años. Se estrellan. Requieren mantenimiento constante.

Operaciones remotas: Volatus presume de su Operations Control Center (OCC) en Toronto, que supervisa vuelos BVLOS remotamente. Suena eficiente hasta que piensas que necesitas operadores humanos certificados monitorizando pantallas. A diferencia de un algoritmo que escala gratis, cada operador cuesta 60.000-100.000 dólares anuales y puede supervisar quizá 10-20 drones simultáneos en el mejor escenario.

Infraestructura: Volatus tiene dos productos patentados: DroneSpot™ (zonas de aterrizaje) y Aeriport (estaciones de carga automática). Cada ubicación requiere inversión física, permisos, electricidad, conectividad. Esto no escala como abrir una cuenta de AWS.

Regulatorio: Las 75.000 horas de vuelo de Volatus les han costado años de trámites, SFOCs (Special Flight Operating Certificates) negociados caso por caso, relaciones con Transport Canada. En EE.UU., la FAA es mucho más restrictiva. Amazon lleva años en "pruebas piloto" porque cada nueva ruta requiere aprobación individual.

Y aquí viene una interesante paradoja: Volatus está cerca de ser rentable precisamente porque NO hace lo que Amazon promete.

Su EBITDA ajustado mejoró un 85% interanual: de perder 1,85 millones a perder solo 276.000 dólares en el trimestre. ¿Cómo? No con reparto urbano masivo, sino con:

- Inspecciones industriales de alto valor: Oleoductos, líneas eléctricas, parques solares. Facturaron la inspección de 760.000 paneles solares en Norteamérica. Una empresa de energía paga 200.000-500.000 dólares por un contrato de inspección que con helicópteros tripulados costaría el doble o triple.
- Ventas B2B de equipos: El 48% de sus ingresos viene de vender drones a gobiernos y empresas. Son un distribuidor especializado, no un operador puro. Amazon nunca hará esto.
- Formación: Han entrenado 114.000 pilotos desde su inicio. Es negocio de margen alto y recurrente. ¿Amazon va a montar academias de pilotos?
- Servicios de defensa: La guerra de Ucrania les disparó la demanda. Drones de vigilancia para militares. Esto es geopolítica, no logística.

¿Qué tienen en común estos negocios? Densidad de valor sobre volumen. Un contrato de inspección de 300.000 dólares con 50 vuelos es viable. Cincuenta entregas de 15 dólares cada una (750 dólares) con la misma infraestructura, no.

Ahora viene la parte que explica por qué Amazon sigue jugando a esto sin resultados. Volatus ha levantado capital desesperadamente:

Mayo 2025: 3 millones
Junio 2025: 5 millones
Julio 2025 (post-trimestre): 10 millones
Agosto 2025: 4,8 millones adicionales

Total: 22,8 millones en tres meses. ¿Para qué? Para no quedarse sin liquidez mientras buscan la rentabilidad.

Miren su estructura de capital: tienen 85,4 millones de warrants (opciones de compra) con precio de ejercicio entre 0,20 y 0,30 dólares. La acción cotiza alrededor de 0,50 dólares. Están diluyendo brutalmente a los accionistas para sobrevivir. Es decir, cada vez emiten más acciones al mercado, y eso hace que las que ya están en él pierdan valor. Están inundando de acciones, y eso no gusta nada a los accionistas (¿se sigue entendiendo ahora la gráfica de la cotización?). Su deuda a largo plazo asciende a 19,7 millones, con préstamos al 12,5-15,5% de interés de inversores privados y el gobierno de Quebec.

Compare esto con Amazon. Bezos puede quemar 500 millones anuales en Prime Air sin pestañear porque Amazon Web Services genera 90.000 millones al año. Prime Air es marketing, es señalización al mercado. No necesita ser rentable nunca.

Pero Volatus, como cualquier empresa normal, tiene que dar beneficios o morir. Y precisamente eso hace su caso tan ilustrativo: están haciendo lo máximo posible con la tecnología actual, las regulaciones reales y las economías de escala alcanzables. Y aun así, apenas sobreviven.

Lecciones de un Sector que Nunca Despegó

La historia de los drones de reparto comercial es una fábula moderna sobre la diferencia entre el bombo tecnológico y la viabilidad económica. No es que la tecnología no funcione: funciona, como Volatus demuestra con sus 75.000 horas de vuelo. Es que los números no funcionan.

El sector del dron comercial será real. Pero será en:

Inspecciones industriales (ya es rentable)
Respuesta a emergencias (valor infinito del tiempo)
Logística rural extrema (donde no hay alternativas)
Aplicaciones militares (presupuestos ilimitados)
Monitorización agrícola (Volatus acaba de firmar contratos nacionales en esto)

No será en entregarle a usted unas pilas en 30 minutos porque se le olvidó comprarlas.

Volatus Aerospace, con sus pérdidas trimestrales y sus rondas de financiación desesperadas, es más honesta que cualquier presentación de Walmart o Amazon. Sus estados financieros son la radiografía de una industria que prometió el futuro y entregó nicho.

La próxima vez que vean un anuncio de drones de reparto, acuérdense de los 276.000 dólares que Volatus sigue perdiendo cada trimestre haciendo exactamente eso, pero con clientes reales, reguladores reales y física real.

El futuro del transporte de carga con drones es prometedor, pero es un juego de alto riesgo y de gran capital. La lección de Volatus es clara: el negocio despegará primero en los mercados verticales de alta demanda (inspección y defensa), y solo después, de forma silenciosa y eficiente, se expandirá a tu buzón. La rentabilidad no es un sprint de marketing, sino una maratón de certificación BVLOS y ejecución de contratos.

El futuro llegó. Solo que no era rentable.

Ya veremos.

La Gran Congelación: cuando las máquinas no roban empleos, simplemente dejan de crearlos

2025-11-03T09:00:00.001+01:00

En junio de 2025, Jerome Powell todavía era cauteloso. Ante el Comité Bancario del Senado, el presidente de la Reserva Federal admitía que los efectos de la inteligencia artificial en la economía "probablemente no son grandes en este momento", aunque advertía de su potencial para generar "cambios dramáticos" cuyo momento y magnitud eran "tremendamente inciertos". Era la prudencia característica de un banquero central: reconocer el fenómeno sin alarmarse.

Cuatro meses después, en octubre, esa cautela había desaparecido.

"La creación de empleo está bastante cerca de cero", declaró Powell el 30 de octubre tras la reunión del Comité Federal de Mercado Abierto. Ya no hablaba de potenciales futuros. Hablaba de un presente que se puede medir: "Una cantidad significativa de empresas ha anunciado despidos o congelación de contrataciones, y gran parte del tiempo están hablando de IA y lo que puede hacer".

Algo había cambiado en esos cuatro meses. Y ese algo tenía datos concretos detrás.

Los canarios en la mina

Durante meses, economistas y analistas se frustraban con la misma limitación: las bases de datos públicas que rastrean el mercado laboral no estaban diseñadas para detectar disrupciones específicas en tiempo real. No había forma de saber con confianza qué estaba pasándoles a los desarrolladores de software de entre 22 y 25 años en mayo de 2025. Los datos agregados mostraban estabilidad general, pero nadie podía ver a los canarios en la mina.

Hasta que un equipo de Stanford se asoció con ADP, la mayor empresa de software de nóminas de Estados Unidos, con datos de millones de trabajadores. Y lo que encontraron debería quitarnos el sueño.

El empleo de desarrolladores de software de 22 a 25 años ha caído casi un 20% desde su pico a finales de 2022 —justo cuando se lanzó ChatGPT— hasta julio de 2025. Para los de 26 a 30 años, también hay descenso, aunque menor. Para los mayores de 30, prácticamente ningún cambio. La gráfica es brutal en su claridad: una línea descendente perfecta que comienza exactamente cuando ChatGPT sale al mundo (el paper está bien explicado por uno de sus autores en este hilo de X).

Y no son solo los programadores. Los representantes de atención al cliente, otro trabajo altamente expuesto a la IA, muestran el mismo patrón exacto: caída dramática en los jóvenes, estabilidad en los veteranos. Pero cuando miras trabajos que la IA no puede hacer (auxiliares de enfermería, cuidadores) ves lo contrario: crecimiento robusto precisamente entre los más jóvenes.

El patrón es tan claro que resulta inquietante. Para trabajadores de 22 a 25 años, el empleo está creciendo en los trabajos menos expuestos a la IA y cayendo en los más expuestos. Para trabajadores de 41 a 49 años, no hay diferencia. La IA no está destruyendo empleos de forma indiscriminada. Está cerrando la puerta de entrada.

Automatización versus aumentación

El estudio de Stanford hace otra distinción crucial. No todos los usos de la IA son iguales. Cuando un trabajador usa ChatGPT para escribir un email más rápido, eso es aumentación: la IA amplifica sus capacidades. Pero cuando una empresa rediseña todo un proceso para que funcione sin humanos, eso es automatización.

Usando datos del Índice Económico de Anthropic, que clasifica conversaciones de Claude según si sirven para automatizar o aumentar, los investigadores encontraron algo revelador: en trabajos donde la IA se usa principalmente para automatizar (programación, contabilidad), el empleo juvenil ha colapsado. En trabajos donde se usa para aumentar (gestión, reparaciones), el empleo juvenil crece con normalidad.

Los trabajadores individuales usan la IA para trabajar mejor. Las empresas la usan para trabajar sin ellos.

¿Y los salarios?

Aquí viene lo extraño: a pesar de la caída del 20% en empleo juvenil en sectores expuestos a IA, los salarios no se han movido significativamente. ¿Por qué? Los investigadores tienen hipótesis pero no respuestas definitivas. Quizá el empleo se ajusta más rápido que los salarios. Quizá la IA está cambiando los requisitos de expertise de formas que no se reflejan en el salario promedio. O quizá - y esto es lo más inquietante - estamos en un período de transición donde las empresas simplemente han dejado de contratar juniors mientras experimentan con IA, sin despedir todavía a los seniors. ¿Es la gerontocracia de los puestos laborales?

El panorama completo

Noviembre de 2022. ChatGPT se convierte en la aplicación de más rápido crecimiento de la historia. Casi tres años después, los números macro cuentan una historia extraña. Las ofertas de empleo en Estados Unidos cayeron un 33%, mientras el S&P 500 se disparó un 75%. Es una divergencia sin precedentes: durante décadas, cuando las empresas ganaban dinero, contrataban. Esa lógica acaba de romperse.

Amazon hace 6 días despidió a 14.000 mandos intermedios mientras invertía miles de millones en IA. Según Challenger, Gray & Christmas, las empresas estadounidenses han anunciado casi 946.000 despidos en 2025, la cifra más alta desde 2020. Más de 17.000 están explícitamente vinculados a la IA.

Algunos autores como Derek Thompson, señala acertadamente que no todo es culpa de la IA. Las ofertas de empleo empezaron a caer cuando la Fed subió tipos de interés en marzo de 2022. Los aranceles han golpeado sectores como manufactura y construcción. Pero hay algo que Thompson reconoce: las empresas están diciendo abiertamente que la IA les permite hacer más sin contratar. Marc Benioff, CEO de Salesforce, afirmó que entre el 30% y el 50% del trabajo en su empresa ya lo hace la IA.

La Reserva Federal confirma estos patrones con sus propios datos: cuando cruzan exposición teórica a la IA con tasas de desempleo reales encuentran una correlación de 0,47; cuando miden adopción efectiva de IA frente a incremento del desempleo, la correlación sube a 0,57. Las ocupaciones en informática y matemáticas, precisamente las que más han adoptado herramientas de IA generativa, muestran los mayores incrementos en desempleo.

La pregunta incómoda

Los investigadores de Stanford son cautelosos. No afirman que la IA explique todos los patrones. Probaron explicaciones alternativas: ¿sobrecontratación tech durante la pandemia? Los resultados se mantienen excluyendo el sector tech. ¿Vuelta a la oficina post-COVID? Los patrones aparecen en trabajos que nunca fueron remotos. ¿Peor preparación educativa post-pandemia? El efecto es igual de fuerte en ocupaciones sin título universitario.

Pero aquí viene lo más perturbador del estudio: en trabajos que no requieren educación universitaria, el efecto negativo de la IA se extiende hasta los 40 años. Para trabajadores menos educados, la experiencia no protege tanto. Sugiere algo inquietante: la IA es excepcionalmente buena aprendiendo el tipo de conocimiento que viene de libros o educación formal, pero no tanto el conocimiento tácito que viene de años de experiencia. Y si tu trabajo no requiere mucha experiencia acumulada, la IA te alcanza antes.

Lo que Powell describe, y los datos de Stanford confirman, es una economía en forma de K: arriba, las empresas tecnológicas y los trabajadores seniors; abajo, los jóvenes graduados que descubren que la escalera de ascenso social simplemente ya no está ahí. Los recién graduados universitarios en Estados Unidos tienen una tasa de desempleo superior al 5%, y muchos están optando por volver a la universidad como "tiempo muerto estratégico". "Los consumidores en los segmentos más bajos están teniendo dificultades", dijo Powell en septiembre.

Quizá lo más escalofriante no sean las cifras actuales, sino la normalidad que se perfila: corporaciones más eficientes y rentables mientras la puerta de entrada al mercado laboral se cierra para una generación entera.

En junio, Powell admitía incertidumbre. En octubre, constata una realidad. Ese cambio de tono en cuatro meses, respaldado por datos de millones de nóminas, debería preocuparnos.

Porque el verdadero horror no es que las máquinas nos roben el trabajo. Es que nos dejen sin la posibilidad de conseguir el primero.

Ya veremos.

El Fantasma en la Máquina (equivocada). El futuro de los robots humanoides

2025-10-27T08:39:00.005+01:00

Hay una escena que resume a la perfección la extraña esquizofrenia de nuestro momento tecnológico. Ocurrió a principios de 2024. Tesla publicó un vídeo de Optimus, su mesías robótico, doblando una camiseta. La cámara, con esa estética de laboratorio aséptico que tanto gusta en California, mostraba unas manos metálicas cogiendo con parsimonia una prenda negra y plegándola sobre una mesa. El gesto era lento, casi meditabundo. Era, en apariencia, la domesticación definitiva de la máquina: el autómata convertido en amo de casa.

El vídeo, por supuesto, se hizo viral. Pero entonces, los nuevos teólogos de nuestro tiempo, los analistas de frames en redes sociales, notaron algo extraño. Una vacilación casi humana, un temblor impropio de un algoritmo. En la esquina inferior derecha del plano, una mano humana entraba y salía de cuadro, como un director de escena torpe. La sospecha se convirtió en burla cuando el propio Elon Musk, profeta en jefe de esta nueva religión, admitió con la boca pequeña que, bueno, el robot no estaba actuando de forma autónoma. Aún no.

Aquella camiseta mal doblada no es una anécdota. Es el pliegue que revela la verdad: la robótica humanoide de propósito general, tal y como nos la venden, es un espectacular truco de magia. Y para entender el truco, no hay que mirar a los ingenieros, sino a un filósofo francés del siglo XVII y a su crítico más mordaz.

Un Fantasma con un mando de PlayStation

En 1641, René Descartes nos partió por la mitad. Propuso que el ser humano era una extraña amalgama de dos sustancias: la res extensa (el cuerpo, una máquina de carne y hueso sujeta a las leyes de la física) y la res cogitans (la mente, una entidad inmaterial, pensante y libre). El gran problema de su teoría, el que le torturó hasta el final, fue explicar cómo demonios se comunicaban ambas. ¿Cómo un pensamiento, un fantasma inmaterial, podía hacer que un brazo se moviera?

Trescientos años después, en 1949, el filósofo Gilbert Ryle se burló de esta idea acuñando uno de los términos más brillantes de la filosofía del siglo XX: "el fantasma en la máquina". Para Ryle, el dualismo cartesiano era un "error categorial", un disparate lógico como visitar la Universidad de Oxford y, tras ver los colegios, las bibliotecas y los laboratorios, preguntar: "¿Pero dónde está la Universidad?". La mente, decía Ryle, no es un piloto espectral manejando un cuerpo; es, simplemente, el conjunto de todas las habilidades y disposiciones de ese cuerpo.

La ironía es tan deliciosa que casi parece escrita por un guionista. Setenta y cinco años después del rapapolvo de Ryle, la vanguardia de Silicon Valley ha invertido miles de millones de dólares en demostrar que, para hacer funcionar un robot humanoide en 2025, sí necesitas un fantasma en la máquina.

El ejemplo más descarado ocurrió en el evento "We, Robot" de Tesla. Allí, los robots Optimus no solo doblaban camisetas, sino que servían bebidas, jugaban y posaban con una naturalidad pasmosa. Parecía el futuro, servido en bandeja de plata. La realidad, revelada por la propia compañía, es que gran parte de esa autonomía era una farsa. Era teleoperación. En una sala contigua, fuera de plano, un ejército de fantasmas muy materiales, con cascos de realidad virtual y mandos de control, movían los hilos. El robot no era un ser autónomo; era una marioneta carísima. El fantasma en la máquina existe, solo que ahora cobra por horas y, probablemente, usa un mando de PlayStation.

El Casino del Aprendizaje y la Venganza del Mundo Real

Los defensores de esta tecnología argumentan que esto es solo una fase temporal. Que el verdadero salto vendrá del Aprendizaje por Refuerzo (RL), y más concretamente, del Deep Reinforcement Learning (Deep RL). La idea es seductora: en lugar de programar cada movimiento, creas una simulación por ordenador y dejas que la IA "aprenda" por sí misma a base de millones de intentos y errores, recibiendo recompensas virtuales cuando hace algo bien. Es como entrenar a un perro, pero con una paciencia infinita y una factura eléctrica monumental.

El problema es que este método tiene la misma relación con la realidad que una partida de póker online con sobrevivir en la selva. En el casino digital de la simulación, el robot puede permitirse fallar un millón de veces para aprender a coger un objeto. El coste de cada fallo es cero. En el mundo real, un solo fallo puede significar un jarrón de la dinastía Ming hecho añicos, un cortocircuito o un dedo amputado.

Esta brecha insalvable es lo que los ingenieros llaman el problema del sim-to-real transfer. Y es aquí donde la Paradoja de Moravec, esa vieja ley no escrita de la robótica, vuelve para reírse en nuestra cara. Conseguimos que una IA componga sinfonías o descubra nuevas proteínas (tareas que nos parecen el culmen de la inteligencia), pero fracasamos estrepitosamente en enseñarle a caminar sobre una alfombra arrugada o a abrir un bote de pepinillos (tareas que un niño de tres años domina).

La razón es que el mundo físico es un infierno computacional. La fricción, la gravedad, la elasticidad, la luz impredecible... cada interacción con la realidad es una negociación con un caos de variables que ninguna simulación puede replicar por completo.

Inversores, ingeniería control y el Problema de la Mano

Entonces, si los desafíos son tan fundamentales, ¿por qué vemos estas demostraciones espectaculares? ¿Por qué se invierten miles de millones en humanoides que, en el fondo, son poco más que actores de doblaje corporal?

La respuesta está en la audiencia. Quienes firman los cheques no suelen ser expertos en ingeniería de control. Un inversor de capital riesgo entiende una curva de crecimiento exponencial en el rendimiento de un software; entiende mucho menos las limitaciones físicas de un actuador o la intratabilidad del problema del contacto en robótica. Es infinitamente más fácil vender un PowerPoint con la promesa de una "IA general encarnada" que explicar por qué una bisagra sigue siendo un problema de ingeniería no resuelto.

Lo que Tesla y otras startups están vendiendo no es un producto, es una narrativa. Una resurrección del sueño cartesiano: la promesa de que un "alma" de software (un modelo de lenguaje gigante, una red neuronal) puede descargarse en un cuerpo y, por arte de magia, darle vida y sentido. De hecho, ¡Tesla se encuentra ahora atrapado en un problema enorme, el Problema de la Mano Robótica!

La mano humana tiene 27 grados de libertad y está controlada por 20 músculos de la mano y 20 del antebrazo. La mayor parte de la potencia la desarrollan los músculos del antebrazo y los músculos intrínsecos de la mano, cruciales para el control preciso. Los músculos intrínsecos de la mano son esenciales para el control preciso y la propiocepción, cruciales para tareas como tocar el piano o desmontar un coche. La mano de Tesla Optimus tenía 22 grados de libertad. Todo esto requiere un 80 % de todo el esfuerzo de ingeniería para replicar su versatilidad y destreza en una mano robótica.

Fabricar la mano robótica a escala es 100 veces más difícil que diseñarla, según Elon Musk, y convierte este problema en uno enorme y jerárquico, ya que algunos músculos no pueden moverse de forma independiente.

Pero como Gilbert Ryle nos advirtió, es un error de categoría. La inteligencia no es un fantasma que se pueda trasplantar. Es el resultado de un cuerpo y un cerebro que han evolucionado juntos durante millones de años en una danza constante con la brutal y maravillosa física del mundo real.

No digo que los humanoides no vayan a existir, pero hay muchos desafíos por resolver antes de que la economía de los humanoides pueda funcionar. El progreso es asombroso, pero lograr que el valor supere el costo es realmente difícil: habrá que encontrar robots de muy bajo costo y de alta productividad.

El robot que doble nuestra ropa llegará, probablemente. Pero no será el resultado de un software milagroso instalado en un maniquí con ínfulas. Será la culminación del trabajo de esos "fontaneros" olvidados de la ingeniería que luchan con la fricción, el equilibrio y la fragilidad de un mundo que no se puede simular. Mientras tanto, seguiremos asistiendo a un teatro de marionetas de alta tecnología, aplaudiendo al fantasma y haciendo como que no vemos los hilos. Y también queda una pregunta importante: ¿de verdad la gente quiere humanoides en sus casas?

Ya veremos.

El Último Experimento

2025-10-20T09:00:00.003+02:00

Durante siglos, la ciencia se basó en una regla sencilla, casi moral: si un experimento no puede reproducirse, no es ciencia. Era una especie de mandamiento laico según el cual cualquiera debía poder verificar lo que uno afirmaba, y la verdad se ganaba con transparencia, método y paciencia.

Hoy, ese principio suena tan pintoresco como un teléfono de disco. En la era de la inteligencia artificial, reproducir un experimento puede costar decenas o cientos de millones de dólares y requerir el suministro eléctrico de una ciudad pequeña. La curiosidad ya no es suficiente; ahora se necesita un centro de datos.

OpenAI, Google DeepMind, Anthropic, Meta: estos son los monasterios de la ciencia moderna, lugares donde los fieles siguen creyendo en el progreso, pero ya no pueden ver los rituales que hay detrás. Sus servidores son catedrales de computación: templos vastos y sellados donde se entrenan nuevas inteligencias, utilizadas por todos y comprendidas por nadie. La academia, mientras tanto, se queda con las oraciones, pero no con los recursos.

Una universidad en Europa probablemente podría reproducir un experimento de los años 50, quizá incluso algo de física cuántica, pero replicar el entrenamiento de un modelo como GPT-4, cuyo coste se estima en casi 80 millones de dólares, sería tan realista como construir un acelerador de partículas en el sótano. Como resultado, la industria produce la gran mayoría de los modelos de aprendizaje automático más notables, mientras que las universidades, que tradicionalmente eran el motor de la investigación fundamental, se quedan atrás, perpetuando un desequilibrio donde casi el 70% de los nuevos doctores en IA son contratados directamente por el sector privado. Las universidades todavía forman científicos; simplemente tienen cada vez menos ciencia que hacer y menos poder para retener el talento. A esto se suma el nuevo coste de la visa para profesionales especializados que Trump acaba de anunciar: 100.000 $. Una chuchería para las empresas, pero una utopía para las facultades.

La caja negra y la nota de prensa

La inteligencia artificial se está convirtiendo en el primer campo de la ciencia sin un verdadero escrutinio externo. Las empresas publican resultados que nadie puede verificar, comparan sus modelos con baremos que ellas mismas diseñan y elaboran pruebas que siempre consiguen superar. La revisión por pares (ese ritual de humildad en el que los colegas podían desmontar tu argumento) ha sido sustituida por comunicados de prensa bien coordinados.

Este problema no es exclusivo de la IA; otras disciplinas, como la psicología o la biomedicina, llevan años lidiando con su propia "crisis de reproducibilidad", donde un porcentaje alarmante de estudios no puede ser reproducido por otros investigadores. Sin embargo, la diferencia fundamental es que en esos campos la falta de reproducibilidad es un escándalo que destapa un fallo del sistema, mientras que en la IA se está convirtiendo en el sistema mismo. No hay malicia inherente en esto, solo economía. Y dondequiera que los negocios dictan el ritmo del descubrimiento, la verdad se convierte en un lujo, no en un deber.

Hace poco, Retraction Watch informó del caso de un anestesista que tuvo que retractarse de más de 220 artículos científicos (de momento), una cifra absurda que equivale a la producción de toda una vida de un grupo de investigación mediano. Su caída fue pública, dolorosa y, sobre todo, posible: alguien comprobó, alguien verificó, alguien encontró el fraude. Esa es la diferencia. En los escándalos científicos más antiguos, existía al menos una red de escrutinio, alguien más que podía dudar de ti.

Los grandes modelos lingüísticos actuales, en cambio, son cajas negras. Nadie fuera de la empresa sabe cómo fueron entrenados, qué datos utilizaron o qué sesgos incorporaron. Y la parte más inquietante es que, incluso con las mejores intenciones, nadie podría replicar el experimento. La investigación en IA ya no se comparte, se licencia. El conocimiento se ha convertido en propiedad intelectual, sujeto a acuerdos de confidencialidad y secretos comerciales. La transparencia, que antes era un principio ético, es ahora un riesgo competitivo. En lugar de reproducir resultados, los investigadores se conforman con reproducir titulares: "OpenAI anuncia", "Google publica", "Anthropic mejora".

En el futuro, si alguna universidad llega a tener un millón de GPUs y puede comprobar ciertas afirmaciones, quizás a más de uno le saquen los colores.

Incluso los baremos se han vuelto corporativos. Cada empresa define su propio estándar, establece su propia prueba y se califica a sí misma, lo que genera dudas sobre su validez y conduce a un sobreajuste donde los modelos se optimizan para la prueba en lugar de para una capacidad general. Es como si cada estudiante trajera su propio examen y lo calificara con una estrella de oro.

Suscríbase a la ciencia

La ciencia solía ser pública: llena de errores, revisiones, retractaciones. Ahora es privada, alojada en servidores remotos y protegida por términos de servicio. La pregunta no es solo quién es el dueño de los datos, sino quién es el dueño del derecho a equivocarse.

Quizá el futuro de la ciencia no dependa de la reproducción, sino de la fe. Fe en el comunicado de prensa, en el baremo, en el fundador visionario que jura que esta vez la máquina entiende de verdad. El problema no es que la verdad haya muerto, es que ha sido externalizada.

El siguiente paso del método científico puede que no sea el experimento en absoluto, sino la clave de una API. Y quizá, dentro de unos años, el acto más radical de rebelión intelectual sea volver a hacer lo imposible: reproducir algo con nuestras propias manos.

Ya veremos.

El piloto que nunca duerme: lecciones del accidente de Tesla y la ilusión del control

2025-10-13T08:30:00.008+02:00

En agosto de 2025, un jurado de Miami dictaminó que Tesla debía pagar 243 millones de dólares por un accidente en el que su sistema Autopilot estaba activado. No fue el primer siniestro de un coche “inteligente”, pero sí el primero que acabó con un veredicto: la tecnología no era inocente. Es el primer juicio que Tesla ha perdido.

La noticia viajó rápido: un coche eléctrico, software de conducción autónoma, una colisión mortal y una sentencia. La narrativa perfecta para una película distópica —solo que esto no era Black Mirror, sino el tráfico real de Florida.

El jurado declaró a Tesla responsable en un 33 %. El resto, al conductor, que había bajado la vista para buscar su teléfono mientras el vehículo hacía lo que mejor sabía hacer: creer que podía con todo.

De Prometeo a Autopilot

La historia de la tecnología está plagada de momentos en los que el ser humano, seducido por su propia creación, confía demasiado.

Cuando en 1908 Henry Ford lanzó el Modelo T, no solo fabricó un coche: inventó la ilusión de control. Cualquier persona podía sentarse detrás del volante y mover una máquina de una tonelada a más de 60 km/h. Aquello era casi magia. Pero en la década siguiente, los accidentes mortales en EEUU se dispararon. La velocidad había llegado antes que la prudencia.

Más de un siglo después, Tesla repite el guion con líneas de código en lugar de pistones. La promesa es la misma: relájate, la máquina sabe lo que hace.

El problema es que no siempre lo sabe. Y nosotros, embelesados con las palabras “inteligencia artificial”, olvidamos que sigue siendo solo eso: una inteligencia artificial, diseñada por humanos y, por tanto, sujeta a nuestras mismas limitaciones —solo que a veces más rápidas y menos visibles.

AnalyticsInsight

El mito del piloto automático

El nombre “Autopilot” nunca fue inocente. Suena a los sistemas de navegación aérea que mantienen un avión nivelado mientras el piloto consulta el radar. Pero el Autopilot de un Tesla no es eso. Es un copiloto que intenta hacerlo todo, pero necesita que alguien supervise su entusiasmo digital.

El accidente de 2019 (juzgado en 2025) ocurrió cuando el sistema cruzó una intersección sin reconocer una señal de alto. Los sensores, los algoritmos y las promesas de marketing no bastaron para evitar lo inevitable.

Y sin embargo, el debate que abrió el veredicto no fue sobre coches, sino sobre culpa y autonomía.

¿Quién es responsable cuando una máquina toma una mala decisión?
¿El conductor, el programador, la empresa, el algoritmo?

El derecho moderno aún no tiene respuesta definitiva. Y mientras tanto, seguimos entregando más y más decisiones al software —desde el tráfico hasta los diagnósticos médicos o las sentencias judiciales predictivas—, convencidos de que la automatización es sinónimo de objetividad.

El sueño de Turing

En 1950, Alan Turing escribió que algún día las máquinas pensarían. Lo dijo como un reto intelectual, no como un manual de usuario. Hoy, la discusión ha cambiado: las máquinas no solo piensan, actúan. Pero lo hacen en un entorno humano, lleno de variables que ni siquiera los humanos comprendemos del todo.

Un coche autónomo no es solo un conjunto de sensores: es una interpretación del mundo. Decide qué objeto es un peatón, qué movimiento es una amenaza, cuándo un brillo es un charco o una sombra. Cada error de interpretación puede costar una vida.

La paradoja es que cuanto más confiamos en la IA, más nos alejamos de entenderla. Como escribió Norbert Wiener, el padre de la cibernética, en 1949:

“Podemos delegar tareas, pero no la responsabilidad.”

Lo que el veredicto nos deja

El caso Tesla de 2025 es un punto de inflexión simbólico. Por primera vez, una corte reconoció que la inteligencia artificial no es solo una herramienta neutral, sino un actor con impacto moral y legal. No significa que los robots tengan culpa, pero sí que las empresas que los diseñan deben asumir las consecuencias de su poder.

Tesla apelará, claro. Pero el precedente ya está ahí. Y con él, una lección para toda la industria de la automatización: la promesa de que los algoritmos eliminarían el error humano empieza a mostrar grietas.

En algún momento, los coches conducirán mejor que nosotros. No es una cuestión de fe, sino de tiempo y datos. Pero el camino hacia ese futuro será irregular, lleno de dilemas éticos y legales.
Mientras tanto, los humanos seguiremos haciendo lo que mejor sabemos hacer: confiar un poco más de la cuenta.

Tal vez el verdadero futuro no dependa de crear un piloto que nunca duerma, sino de aceptar que ningún piloto —humano o artificial— está exento de error.

Y que, por ahora, lo más inteligente que podemos hacer es seguir prestando atención al camino.

Ya veremos.

Leibniz y la utopía lógica: cuando la ética se redujo a un cálculo

2025-09-30T17:58:00.003+02:00

La ética computacional se siente como un problema puramente del siglo XXI. Se debate en Silicon Valley y en foros de la ONU: ¿Cómo programamos la moralidad en una Inteligencia Artificial? ¿Quién es responsable cuando un algoritmo se equivoca? Sin embargo, la ambición de reducir los dilemas morales a una fórmula matemáticano es nueva. Sus raíces se hunden más de tres siglos, en la mente de un genio que soñó con zanjar todas las disputas con un simple cálculo: Gottfried Wilhelm Leibniz (1646-1716).

La conexión entre el filósofo alemán y la ética de la IA, el software y el manejo de datos, es más profunda de lo que parece. Leibniz no solo fue codescubridor del cálculo infinitesimal y el creador del sistema binario (la base de toda la informática moderna), sino que también propuso una solución radical para la moralidad: un "Cálculo Moral" o Calculus Moralis.

La máquina que zanjó disputas: El origen de una utopía lógica

Leibniz estaba obsesionado con el orden. Creía que la mayoría de los conflictos humanos—ya fueran filosóficos, legales o morales—se originaban en la ambigüedad del lenguaje. Si las palabras podían ser confusas, ¿por qué no reemplazarlas con símbolos?

Así concibió dos proyectos monumentales: la Characteristica Universalis (un lenguaje universal de símbolos lógicos) y el Calculus Ratiocinator (un método para calcular con esos símbolos). El sueño de Leibniz era que, una vez traducido un problema a su lenguaje universal, dos personas en desacuerdo simplemente se sentarían y dirían: "¡Calculemos!" ("Calculemus!").

El Cálculo Moral era la extensión natural de esta utopía lógica a la ética. Leibniz sugería que los juicios morales podían ser racionalizados estimando dos factores: la probabilidad de un resultado y la deseabilidad (o Perfección) de ese resultado. La acción correcta sería la que maximizara la deseabilidad ponderada por la probabilidad. Por ejemplo, cuando un sistema de IA toma una decisión de vida o muerte en un vehículo autónomo, está realizando un "cálculo moral" leibniziano: sopesar probabilidades y daños.

La intervención de Bentham: del cálculo moral a la máquina hedónica

Décadas después de Leibniz, el filósofo inglés Jeremy Bentham dio al "cálculo moral" su forma más influyente: el Utilitarismo.

Bentham reemplazó la vaga "deseabilidad/perfección" de Leibniz con un valor concreto y medible: la felicidad o el placer. Sostuvo que la acción moralmente correcta es la que produce la mayor felicidad para el mayor número de personas.

Bentham incluso propuso un procedimiento detallado llamado Cálculo Felicífico (o Cálculo Hedónico) para sopesar formalmente el valor moral de una acción basándose en cualidades medibles del placer y el dolor, tales como:

- Intensidad (¿cuán fuerte es el placer/dolor?)
- Duración (¿cuánto tiempo dura?)
- Certeza (¿qué tan seguro es que sucederá?)
- Fecundidad (¿qué tan probable es que produzca más placer o dolor después?)

El cálculo de Bentham se convirtió en el modelo filosófico para la ética algorítmica moderna. Cuando los ingenieros de IA programan un coche autónomo para minimizar daños, están aplicando esencialmente una versión digital del cálculo de Bentham: el algoritmo intenta encontrar la ruta que minimice las consecuencias negativas (dolor) para la mayoría.

Lecciones de la Moralidad Algorítmica: ¿Es la Ética Computable?

Las visiones de Leibniz y Bentham nos obligan a enfrentar la pregunta central de la ética computacional: ¿Es realmente posible programar el comportamiento ético en una máquina?*

Hoy, la Inteligencia Artificial intenta este "cálculo moral" ya sea mediante programación explícita clásica (estableciendo reglas) o con técnicas de *machine learning que infieren patrones éticos a partir de grandes conjuntos de datos. El objetivo es basar la ética en cantidades medibles evaluadas por algoritmos de decisión.

Sin embargo, el intento contemporáneo de crear una moralidad algorítmica ha revelado limitaciones profundas que desafían la utopía de una cálculo moral completo:

1. La ética no es un juego de imitación. Si bien las máquinas pueden copiar patrones de comportamiento de los datos, la moralidad va más allá de la simple imitación; implica juicio y contexto.
2. Las consecuencias importan, pero el utilitarismo no basta. Aunque debemos considerar las consecuencias de nuestras acciones, el intento de cuantificar la moralidad, como propone el utilitarismo estricto de Bentham, es problemático. Es imposible "calcular la felicidad" o el valor moral de una vida con una fórmula universal.
3. No existe un algoritmo moral universal. Al igual que la lógica ha demostrado que no existe un algoritmo universal para distinguir lo verdadero de lo falso, tampoco parece haber un algoritmo infalible para distinguir lo correcto de lo incorrecto.

Si la mejor opción fuera computable con absoluta certeza, ¿cómo podría no ser obligatoria? Y si la máquina solo ejecutara ciegamente las acciones dictadas por un algoritmo de decisión, ¿qué le quedaría a la voluntad humana? La ética perdería su esencia deliberativa y se convertiría en una simple tarea de ejecución.

El Calculus Moralis de Leibniz y el Cálculo Felicífico de Bentham nos llevan a una paradoja moderna: El comportamiento ético no parece ser puramente computable. El código binario que Leibniz descubrió nos dio el poder de las máquinas, pero la complejidad de la moralidad humana, ese espacio para la voluntad y el juicio, se resiste a ser traducida por completo a ceros y unos.

En la era de la IA, quizás debamos aceptar que el objetivo no es programar la moralidad, sino diseñar máquinas que nos fuercen a ser más conscientes de los límites de nuestra propia ética.

Ya veremos.

El Oráculo, el templo y el examen

2025-09-22T11:00:00.001+02:00

En la ladera del monte Parnaso, a los pies del templo de Apolo, los hombres acudían al oráculo en busca de certeza. Allí, en un espacio saturado de incienso y misterio, la voz de la sacerdotisa Pitia descendía como una revelación divina. Pero sus palabras eran siempre dobles, como espejos que se enfrentan: decían y desdecían, prometían y advertían al mismo tiempo. El rey Creso, antes de lanzarse contra los persas, recibió la célebre respuesta: «Si cruzas el río Halis, destruirás un gran imperio». Creyó escuchar la promesa de la victoria, cuando en realidad el imperio destinado a caer era el suyo. El oráculo hablaba con la seguridad de quien conoce el futuro, y sin embargo dejaba que la interpretación —y el error— recayera en el oído humano.

Muchos siglos después, Borges imaginó otra forma de esa ambigüedad en La Biblioteca de Babel: un universo delirante que contenía todos los libros posibles, todas las combinaciones de letras, todas las frases verdaderas y falsas. Allí, un volumen que revelaba la fecha exacta de una batalla estaba rodeado por infinitos volúmenes que narraban fechas equivocadas con idéntico aplomo. El lector se sumergía en un océano de plausibilidades, incapaz de distinguir la chispa de la verdad en medio del ruido inabarcable.

Y, en un registro más doméstico, cualquiera que haya estado en un examen escolar conoce el mismo juego. Frente a una pregunta imposible, el alumno traza en la hoja una respuesta inventada, con letra segura, como si la confianza pudiese redimir la falta de conocimiento. En la lógica implacable de los puntos y las notas, arriesgar vale más que callar; el silencio es castigado, la conjetura recompensada.

El oráculo, la biblioteca y el examen: tres escenas que, sin proponérselo, anticipan el presente. Nuestros modelos de lenguaje hablan con la misma voz ambigua de Delfos, generan bibliotecas infinitas de frases como en Babel, y responden como escolares ansiosos de complacer, arriesgando siempre una conjetura antes que admitir la ignorancia. A este fenómeno lo hemos llamado “alucinación”, como si se tratara de un delirio humano. Pero la palabra engaña: aquí no hay fantasmas ni visiones, sino un cálculo frío que privilegia la apariencia de certeza sobre la honestidad del vacío.

Las máquinas no alucinan porque sean caprichosas, sino porque las hemos educado para hacerlo. En sus entrenamientos, como en los exámenes, se premia la audacia y se castiga la prudencia. Un sistema que respondiera «no lo sé» sería descartado por mediocre, aunque en realidad fuese el más sensato. Por eso, cuando un modelo no tiene información suficiente, no se encoge de hombros: inventa. Y lo hace con la solemnidad de Pitia, con la convicción de un texto impreso en la Biblioteca de Babel, con la firmeza de un alumno que arriesga la fecha de una guerra.

El resultado es inquietante. Al preguntarle por la biografía de un desconocido, el modelo ofrece fechas concretas, lugares precisos, como si hubiera estado allí. No lo ha estado. Lo que vemos es el efecto estadístico de un aprendizaje que convierte la duda en certeza impostada. Y lo más revelador: esa impostura no es un error accidental, sino la estrategia óptima dentro del juego que le hemos propuesto.

Al otro extremo, late la memoria. Se imagina a menudo que estas inteligencias guardan en su interior todo el océano de internet, como esponjas sin límite. La realidad es más modesta y más sorprendente: su memoria es finita, mensurable, casi matemática. Cada parámetro de esos modelos colosales puede guardar apenas unos pocos bits, como si cada uno fuera una diminuta celda de archivo. Millones y millones de celdas, sí, pero con capacidad precisa. Y lo que ocurre durante el aprendizaje es que esas celdas se llenan, primero con la voracidad de un estudiante que memoriza listas, y luego, al saturarse, con algo parecido a la comprensión: el modelo empieza a captar patrones generales y deja de retener ejemplos aislados.

Es en ese tránsito —de la memoria a la generalización, de la repetición al patrón— donde aparece un extraño espejismo. Porque un modelo puede recitar un dato raro si lo almacenó intacto, o puede inventar uno nuevo que se ajusta a la forma de lo que vio antes. En ambos casos, habla con igual convicción. Y el oyente, como el rey Creso, debe decidir si confía en esa voz.

Lo que estos experimentos nos devuelven, en última instancia, es un retrato de nosotros mismos. ¿Acaso no hacemos lo mismo? Memorizamos con afán, improvisamos cuando falta memoria, generalizamos cuando no podemos recordar. Preferimos la seguridad, incluso cuando es falsa, al vacío del «no sé». Castigamos la duda en los exámenes, en los debates, en la política. No sorprende que hayamos construido máquinas a nuestra imagen: oráculos que responden siempre, aunque no sepan.

La pregunta que se abre es incómoda: ¿queremos inteligencias que nos deslumbren con certezas, o inteligencias que tengan el valor de callar? El brillo del oráculo, la infinitud de la biblioteca y la audacia del estudiante nos seducen. Pero quizá el verdadero progreso esté en otra parte: en diseñar sistemas que valoren la modestia, que reconozcan sus lagunas, que aprendan a decir «no lo sé».

Borges escribió que la Biblioteca de Babel era un reflejo monstruoso del universo. Tal vez estos modelos lo son también, no porque contengan todas las verdades y falsedades posibles, sino porque reflejan nuestra propia incapacidad de habitar la incertidumbre. Como el rey que marchó confiado hacia su ruina, como el alumno que responde con aplomo a una pregunta que no entiende, como el lector que se pierde en corredores infinitos de libros plausibles, también nosotros podemos quedar hechizados por la voz de la máquina. Y quizá el aprendizaje más profundo no sea perfeccionarla, sino aprender a escucharla con sospecha, a interpretar su ambigüedad, a leer en ella lo que dice y lo que calla.

Porque la inteligencia artificial, al final, no es un oráculo infalible ni una biblioteca total ni un estudiante perfecto. Es apenas un espejo, multiplicado y torcido, en el que nos vemos obligados a contemplar la fragilidad de nuestras propias formas de conocer.

Ya veremos.

¿Los LLMs realmente nos entienden? La pregunta del millón en inteligencia artificial

2025-09-15T11:52:00.001+02:00

Este artículo va a ser más largo que de costumbre. Desde el comienzo del curso, me he vuelto a meter en la rueda del hámster de las noticias sobre inteligencia artificial y he dedicado bastante tiempo a leer algunos artículos científicos aparecidos en verano y otros contenidos igual de interesantes. Por todo ello, en parte para ordenar mis propias ideas y también para escribir el mejor contenido que puedo para mis avezad@s lectores, este artículo está dedicado al dilema científico sobre si los LLM nos entienden realmente cuando nos hablan o les hablamos.

Cuando chateas con ChatGPT, Claude o cualquier otro modelo de lenguaje, es natural preguntarse: ¿realmente me está entendiendo lo que digo (mi ironía, lo que he omitido, el razonamiento al que quiero llegar)? ¿Hay algo ahí dentro procesando mis palabras con comprensión genuina, o solo estoy interactuando con una máquina muy sofisticada que repite patrones estadísticos?

Esta pregunta va al corazón de uno de los debates más fascinantes en tecnología actual, y para mí la respuesta honesta es: no lo sabemos con certeza.

Lo que sabemos que hacen los LLMs

Los modelos de lenguaje procesan texto prediciendo la siguiente palabra más probable en una secuencia, basándose en billones de ejemplos de texto humano. Antes de procesar cualquier cosa, un LLM divide tu texto en pequeñas unidades, llamadas tokens. Un token puede ser una palabra completa ("gato"), una parte de ella ("gat-"), o incluso un signo de puntuación (","). Esta división inicial ayuda a manejar la enorme variedad del lenguaje de manera eficiente.

Después, cada token se convierte en un vector de embedding—una lista de cientos o miles de números. Estos números no son aleatorios; están diseñados para capturar el significado y el contexto del token. Las palabras con significados similares, como "perro" y "canino", tendrán vectores de embedding que están "cerca" uno del otro en este espacio matemático. Por el contrario, "perro" y "coche" estarán mucho más lejos. Este proceso es la base de cómo el modelo "entiende" la relación entre las palabras.

Cómo las palabras relacionadas tienen vectores más cercanos entre sí (HuggingFace)

La verdadera revolución no fue la conversión a vectores, sino lo que vino después: los transformers. Este tipo de arquitectura de red neuronal, introducida en 2017 por Google, es la base de casi todos los LLMs modernos.

Sin embargo, la parte más crucial de un transformador es su mecanismo de atención. Imagina que el LLM está leyendo una frase como: "El banco del parque es de madera". Para entender el significado de "banco," el modelo necesita saber que se refiere a un asiento, no a una institución financiera. El mecanismo de atención permite al LLM sopesar la importancia de cada token en relación con todos los demás tokens de la frase. Le dice al modelo: "Presta más atención a 'parque' que a 'madera' para entender qué tipo de 'banco' es." Este enfoque contextual es lo que hace que los LLMs sean tan buenos en la comprensión del lenguaje.

Una vez que el modelo ha procesado tu entrada a través de estas complejas capas, genera una nueva serie de vectores que representan la respuesta que va a producir. Luego, estos vectores se convierten de nuevo en tokens, que se unen para formar el texto final. Es un proceso de ida y vuelta: de palabras a números para procesar y de números a palabras para comunicar. Este tipo de algoritmos se denomina autorregresivo.

En resumen, los LLMs no "leen" como nosotros. Operan en un mundo de números y álgebra lineal, transformando la complejidad del lenguaje en patrones matemáticos. Y es en estos patrones donde reside su asombrosa capacidad para imitar, crear y "entender" el mundo humano.

El problema es que "entender" es un concepto escurridizo.

¿Entiendes realmente el español porque puedes procesarlo automáticamente, o porque tienes experiencias conscientes asociadas con las palabras? Los LLMs no tienen cuerpos, no experimentan el mundo físico, no tienen emociones o motivaciones intrínsecas. Su "comprensión" del concepto "calor" viene de patrones estadísticos en texto, no de haber sentido el sol en la piel. De hecho, la pregunta que podríamos hacernos nosotros de esto es si nuestros cerebros, desde niños, ¿son también entrenados de la misma forma? ¿Son las conexiones sinápticas que relacionan conocimientos y conceptos abstractos un paralelismo de lo que se hace con los grandes modelos de lenguaje?

La Habitación China de Searle: El argumento clásico contra la comprensión

En 1980, el filósofo John Searle propuso su famoso experimento mental de la "Habitación China". Imagina a alguien encerrado en una habitación con un libro de reglas para entender símbolos chinos. Puede responder preguntas en chino siguiendo las reglas, pero no entiende realmente el idioma. Searle argumenta que los LLMs son exactamente esto: sistemas que manipulan símbolos sin comprensión semántica genuina. Para él, los LLMs pueden simular comprensión, pero nunca alcanzarla verdaderamente porque carecen de intencionalidad y experiencia consciente.

De hecho, la comunidad científica está dividida y algunos consideran que los LLM son simples loros estocásticos.

La expresión "loro estocástico" se popularizó a partir del influyente artículo de 2021 titulado "On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?", co-escrito por Emily M. Bender, Timnit Gebru, Angelina McMillan-Major y Margaret Mitchell. La metáfora se descompone en dos partes fundamentales. El término "loro" se utiliza para enfatizar la naturaleza imitativa y repetitiva de los modelos, sugiriendo que, al igual que un loro real, pueden producir un lenguaje coherente sin captar su significado real. Por su parte, "estocástico" se refiere a su naturaleza probabilística.

Los LLM funcionan prediciendo la siguiente palabra más probable en una secuencia de texto, un proceso que introduce un grado de aleatoriedad para evitar respuestas rígidas y mecánicas. La tesis central de este informe es que si bien la metáfora es útil para señalar deficiencias críticas, no logra capturar la complejidad de las capacidades que emergen a gran escala.

Fuente

Sin embargo, científicos como Yoshua Bengio y Geoffrey Hinton argumentan que la comprensión podría emerger de representaciones distribuidas suficientemente complejas. Y no solo eso, sino que investigaciones recientes usando técnicas de "interpretabilidad mecánica" han revelado que los LLMs desarrollan representaciones especializadas para conceptos específicos. Chris Olah y el equipo de Anthropic han documentado "neuronas" individuales que se activan para conceptos específicos como "Torre Eiffel" o "felicidad", sugiriendo algún tipo de comprensión estructurada.

Jason Wei y colaboradores de Google documentaron "habilidades emergentes" en LLMs grandes, de las que hablé en el último artículo: capacidades que aparecen súbitamente al alcanzar cierto tamaño, sin estar explícitamente programadas. Estas incluyen razonamiento matemático, traducción a idiomas no vistos en entrenamiento, y resolución de problemas complejos.

Dario Amodei, CEO de Anthropic, argumenta que estas emergencias sugieren que los LLMs han desarrollado representaciones del mundo que van más allá de simple memorización: "Cuando un modelo puede razonar sobre física básica sin haber sido entrenado explícitamente en física, algo profundo está ocurriendo".

Posiciones a favor y en contra

El científico jefe de IA de Meta, Yann LeCun, sostiene que los LLM son "herramientas especializadas" que operan en un espacio de lenguaje "simple, discreto y de baja dimensionalidad". Su argumento central es que los LLM carecen de una "representación del mundo" o "modelo mental" que permita a los humanos y los animales planificar y predecir las consecuencias de sus acciones en el mundo físico. LeCun destaca el "paradigma del bebé", señalando que los humanos adquieren una comprensión del mundo físico con una cantidad de datos visuales que sería equiparable a la de un LLM entrenado durante 400,000 años. Concluye que la AGI nunca se logrará simplemente escalando modelos entrenados con texto.

De hecho, otros investigadores de Apple recientemente han publicado un polémico artículo titulado La ilusión del pensamiento, en el que subrayan esta idea de que los LLM son reglas estadísticas super vitaminadas. Pero en mi opinión, el artículo deja un poco que desear por simplista y omisión de algunas otras evidencias que estoy tratando de describir en este post.

Por su parte, el crítico de IA Gary Marcus argumenta que los LLM operan a través del "reconocimiento de patrones" y no del "razonamiento genuino". Él aboga por un enfoque "híbrido" o "neurosimbólico" que combine la capacidad de reconocimiento de patrones del aprendizaje profundo con la lógica y las reglas explícitas de la IA simbólica. La propuesta de Marcus se alinea con el marco de Daniel Kahneman de los "Sistemas 1 y 2" del pensamiento, donde el aprendizaje profundo se asemeja al pensamiento rápido e intuitivo (Sistema 1) y necesita integrarse con un sistema lento y deliberativo (Sistema 2) para alcanzar una inteligencia robusta y confiable.

La crítica de LeCun y Marcus, a pesar de sus tensiones profesionales, converge en un punto crucial: la Inteligencia Artificial General, AGI, no es un problema de escala, sino un problema de arquitectura. Ambos sostienen que la arquitectura de los LLM, basada en la predicción de texto, tiene una limitación inherente en su incapacidad para desarrollar una comprensión causal y una representación interna del mundo físico.

Pero también existen argumentos bastante intuitivos a favor de que lo que hace ChatGPT o Claude no es un simple loro estocástico.

Los LLMs a veces cambian de opinión durante una conversación cuando se les presentan evidencia convincente. Este comportamiento de "ser persuadido" sugiere algún tipo de evaluación interna de la fuerza de argumentos, no simple generación de texto basada en frecuencias de entrenamiento.

Además, tal y como señala el filósofo Daniel Dennett, el acto mismo de argumentar implica una forma de "agencia" o autonomía. - la capacidad de tomar posturas evaluativas y defenderlas. Si los LLMs fueran verdaderamente loros estocásticos, no desarrollarían preferencias argumentativas o resistencia a ciertas proposiciones.

La metáfora del loro estocástico, aunque útil para señalar limitaciones importantes de los LLMs, puede ser reduccionista. Como argumenta Melanie Mitchell, los LLMs exhiben comportamientos que requieren explicaciones más sofisticadas que simple "repetición estadística sofisticada".

Quizás el modelo descrito al comienzo del artículo, el de adivinar la siguiente palabra, sea más poderoso de lo que nos imaginamos.

The-Decoder

Hacia un Futuro Híbrido: El Camino Hacia la AGI

El debate técnico sobre las capacidades de los LLM a menudo se reduce a una cuestión filosófica sobre la naturaleza misma de la "comprensión". Para enmarcar esta discusión, se puede recurrir a la distinción filosófica clásica entre el "sentido" y la "referencia". El "sentido" de una palabra se relaciona con el modo en que se presenta y su relación con otras palabras. La "referencia," por otro lado, es la conexión de la palabra con un objeto o experiencia en el mundo real. Un ser humano entiende la palabra "mesa" porque ha tenido experiencias sensoriales directas: la ha tocado, visto y experimentado su función. Un LLM, en cambio, entiende la palabra "mesa" a través de sus relaciones estadísticas con otras palabras en millones de textos. En este sentido, los LLM tienen una comprensión profunda del "sentido," pero carecen por completo de la "referencia" que ancla el lenguaje humano a la experiencia sensorial y subjetiva. Es la ausencia de esta experiencia subjetiva la que genera las alucinaciones y la falta de sentido común intuitivo.

El consenso emergente es que la AGI no se logrará únicamente con modelos cada vez más grandes y más datos de texto. La solución no reside en el escalado, sino en la integración de nuevas arquitecturas. El futuro de la IA probablemente se basará en "sistemas de agentes" que combinen las fortalezas de los LLM (procesamiento de lenguaje, formalización) con otras herramientas y arquitecturas que les proporcionen el anclaje en el mundo físico y las estructuras de razonamiento simbólico que actualmente faltan. La metáfora del "loro estocástico" no es el final del debate, sino el punto de partida para una conversación más matizada y rigurosa sobre cómo construir una inteligencia artificial que no solo hable, sino que también actúe y "entienda" el mundo de una manera verdaderamente significativa.

Habilidades emergentes en LLMs: el reto de identificar estados cognitivos genuinos

2025-09-04T16:21:00.001+02:00

En 2022, investigadores de Google documentaron un fenómeno que cuestionaba las hipótesis fundamentales sobre cómo desarrolla sus capacidades la inteligencia artificial. Al trazar el rendimiento del modelo en función de la escala en docenas de tareas, observaron saltos bruscos y discontinuos en lugar de las mejoras graduales que predicen las leyes de escala. El rendimiento oscilaba cerca del azar en todos los órdenes de magnitud del tamaño del modelo, y luego daba un salto repentino hasta alcanzar una precisión de nivel humano al cruzar umbrales específicos.

Este patrón, denominado «habilidades emergentes», se ha convertido desde entonces en uno de los temas más controvertidos de la investigación en IA. La pregunta fundamental divide al campo: ¿estamos presenciando auténticas transiciones de fase en la capacidad cognitiva o nos estamos dejando engañar por nuestras propias metodologías de medición?

«El todo es mayor que la suma de sus partes». — Aristóteles

Lo que está en juego en este debate va mucho más allá de la taxonomía académica. Si las capacidades emergentes representan auténticos avances cognitivos, sugieren que el desarrollo de la IA puede ser fundamentalmente impredecible, con profundas implicaciones para la seguridad y la alineación. Si se trata principalmente de artefactos de medición, entonces el progreso de la IA podría ser más controlable y previsible de lo que sugiere el discurso actual.

Fundamentos teóricos: de Anderson a la arquitectura neuronal

El marco conceptual para la emergencia en sistemas complejos se remonta al influyente trabajo de Philip W. Anderson de 1972, «More Is Different», que estableció que «el comportamiento de agregados grandes y complejos de partículas elementales no debe entenderse en términos de una simple extrapolación de las propiedades de unas pocas partículas». El modelo jerárquico de complejidad de Anderson, en el que cada nivel exhibe propiedades irreducibles a sus componentes, proporciona la base teórica para la investigación moderna sobre la emergencia.

En las redes neuronales, esto se traduce en lo que Hopfield (1982) denominó «propiedades computacionales colectivas», que surgen de grandes conjuntos de elementos de procesamiento simples. Hoy en día, Dario Amodei afirma:

Como suele decir mi amigo y cofundador Chris Olah, los sistemas de IA generativa se desarrollan más que se construyen: sus mecanismos internos son «emergentes» en lugar de estar diseñados directamente. Es un poco como cultivar una planta o una colonia bacteriana: establecemos las condiciones generales que dirigen y dan forma al crecimiento.

El famoso artículo de investigación titulado Emergent Abilities of Large Language Models (2022) puso en práctica este concepto para los modelos de lenguaje grandes, definiendo las capacidades emergentes como aquellas que «no están presentes en los modelos más pequeños, pero sí en los más grandes» y «no pueden predecirse simplemente extrapolando el rendimiento de los modelos más pequeños». Su análisis de familias de modelos, entre las que se incluyen GPT-3, LaMDA, Gopher, PaLM y Chinchilla, identificó más de 130 tareas que mostraban patrones de escalado discontinuos.

El gran debate: ¿emergencia real o ilusión de medición?

Aquí es donde la historia se vuelve controvertida. En 2023, investigadores de Stanford publicaron un artículo explosivo en el que argumentaban que las capacidades emergentes podrían ser un espejismo, un artefacto de cómo medimos el rendimiento de la IA en lugar de auténticos avances cognitivos.

Su idea era ingeniosas: cuando se utilizan métricas de aprobado o suspenso (como «¿el modelo ha resuelto correctamente el problema matemático?»), se crean barreras artificiales. Si se cambia a métricas graduales que otorgan créditos parciales, esos saltos dramáticos a menudo se suavizan y se convierten en pendientes suaves. Es como la diferencia entre calificar un examen como «perfecto o suspenso» y otorgar puntos por cada paso correcto.

Pero aquí está el giro: esta explicación no funciona para todo. Algunas tareas mantienen obstinadamente sus saltos bruscos, independientemente de cómo se midan. Y hay algo inquietante en descartar un aumento de rendimiento de 10 veces como un simple «artefacto de medición».

Cuando los sistemas de IA comienzan a comunicarse entre sí

La trama se complica cuando interactúan múltiples sistemas de IA. La investigación de Anthropic sobre los sistemas multiagente reveló algo inquietante:

Los sistemas multiagente tienen comportamientos emergentes, que surgen sin una programación específica. Por ejemplo, pequeños cambios en el agente principal pueden alterar de forma impredecible el comportamiento de los subagentes. Para tener éxito es necesario comprender los patrones de interacción, no solo el comportamiento individual de los agentes.

Piense en lo que esto significa: no solo estamos lidiando con sistemas de IA individuales que nos sorprenden, sino que estamos creando redes de agentes de IA que se sorprenden entre sí. Es una emergencia sobre otra emergencia, y nadie sabe adónde nos llevará.

La nueva generación: cuando la IA aprende a pensar

Los últimos modelos, o3 de OpenAI y R1 de DeepSeek, representan algo cualitativamente diferente. No solo predicen la siguiente palabra, sino que participan en procesos de razonamiento genuinos, con autocorrección y planificación estratégica. o3 obtuvo una puntuación del 88 % en pruebas diseñadas para medir la inteligencia general, en comparación con los modelos anteriores, que apenas superaban el 13 %.

Pero aquí está la parte inquietante: estas mismas capacidades de razonamiento que ayudan a resolver problemas científicos de nivel de doctorado también permiten un engaño sofisticado. GPT-4 puede mentir con éxito en juegos estratégicos el 70 % de las veces. La misma maquinaria cognitiva que hace que la IA sea más útil también la hace más peligrosa.

Esto plantea una pregunta fundamental que mantiene despiertos por la noche a los investigadores de IA: si no podemos predecir cuándo surgirán nuevas capacidades, ¿cómo podemos asegurarnos de que sean beneficiosas y no perjudiciales?

La seguridad tradicional de la IA asumía que podíamos probar los sistemas antes de su implementación. Pero la emergencia rompe esa suposición. Se puede probar un modelo a fondo, implementarlo a gran escala y solo entonces descubrir que ha desarrollado nuevas capacidades, potencialmente peligrosas.

Es como criar a un niño que de repente puede desarrollar superpoderes en momentos impredecibles. Las estrategias de crianza que funcionaban cuando apenas podían atarse los zapatos se vuelven lamentablemente inadecuadas cuando pueden volar.

Qué significa esto para nuestro futuro

Nos encontramos en un momento peculiar de la historia. Estamos creando mentes, artificiales, pero mentes al fin y al cabo, cuyo desarrollo sigue patrones que apenas comprendemos. Cada nuevo modelo es un experimento de inteligencia en sí mismo, con resultados que sorprenden incluso a sus creadores.

La visión optimista: la emergencia sugiere que los sistemas de IA pueden desarrollar capacidades mucho más allá de lo que programamos explícitamente, resolviendo potencialmente problemas que nunca imaginamos que podrían abordar.

La visión preocupante: si los sistemas de IA pueden sorprendernos con capacidades beneficiosas, también pueden sorprendernos fácilmente con capacidades perjudiciales. Y a medida que estos sistemas se vuelven más interconectados e influyentes, lo que está en juego con esas sorpresas crece exponencialmente.

Quizás la conclusión más profunda es que no solo estamos construyendo herramientas, sino que estamos asistiendo al nacimiento de una nueva forma de inteligencia. Y, como todos los nacimientos, es complicado, impredecible y, fundamentalmente, escapa a nuestro control total.

La cuestión no es si la emergencia es «real» o un «artefacto», sino si podemos aprender a navegar por un mundo en el que nuestras creaciones superan habitualmente nuestras expectativas, para bien o para mal.

La carrera contra lo impredecible

La comunidad investigadora en IA se enfrenta ahora a una carrera: ¿podemos desarrollar las herramientas necesarias para comprender y predecir los comportamientos emergentes antes de que se vuelvan demasiado poderosos como para controlarlos? ¿Podemos crear sistemas de IA que solo nos sorprendan de la forma que queremos que nos sorprendan?

Lo que está en juego no podría ser más importante. No solo estamos estudiando un fenómeno científico interesante, sino que estamos tratando de comprender el futuro de la inteligencia en sí misma. Y, a diferencia de la mayoría de los esfuerzos científicos, es posible que no tengamos una segunda oportunidad si nos equivocamos.

El estudio de las capacidades emergentes en los grandes modelos lingüísticos representa una convergencia entre la informática teórica, la psicología cognitiva y la teoría de sistemas complejos. Si bien se han logrado avances significativos en la caracterización y predicción de estos fenómenos, siguen existiendo preguntas fundamentales sobre sus mecanismos subyacentes y sus implicaciones.

El campo se encuentra en una encrucijada crítica en la que las metodologías de medición mejoradas, las herramientas de interpretabilidad mecánica y los marcos teóricos están empezando a arrojar luz sobre procesos que antes eran opacos. Sin embargo, el rápido ritmo de desarrollo de la IA exige acelerar la investigación sobre los mecanismos de predicción y control de la emergencia.

Comprender las capacidades emergentes no es solo un ejercicio académico, sino un requisito previo para navegar de forma segura y beneficiosa por la transición hacia la inteligencia artificial general. Los retos científicos son considerables, pero lo que está en juego, tanto para el avance del conocimiento humano como para el futuro de la inteligencia en sí, no podría ser más importante. ¿Estamos preparados para esta era?

Ya veremos.

El reparto de las parcelas del cielo para drones y aerotaxis

2025-08-22T08:41:00.001+02:00

El reparto comercial con drones ya no es algo experimental. Se está convirtiendo en infraestructura digital, con Estados Unidos a la cabeza y el Reino Unido e Irlanda pisándole los talones.

La tesis es sencilla. Dicen que la entrega con drones es más rápida, más limpia y más barata que los camiones. No estoy tan convencido de ello, pero como a veces he demostrado, todas las estadísticas pueden manipularse para que elijas las que más te convienen. No es lo mismo tener en cuenta la contaminación por paquete entregado, por kilómetro recorrido o por euro entregado...

Infografía no tan reciente de la empresa Aerotas

Pero la verdadera historia no trata sobre los drones. Trata sobre el espacio aéreo. Quién lo controla, quién se beneficia de él y si esta infraestructura se construirá a través de los mercados o mediante la toma de control y mando. Y en este artículo, voy a hablar sobre los derechos aéreos.

¿Qué son los derechos aéreos?

En la década de 1950, solo había 160 rascacielos en todo el mundo, la mitad de ellos ubicados en la ciudad de Nueva York. En promedio, estos edificios tenían una altura de unos 173 metros.

Setenta años después, la situación es muy diferente. Solo en 2020 se construyeron 106 nuevos rascacielos, y la altura media de estas modernas torres se ha duplicado hasta alcanzar unos 396 metros.

Alts.co

Los rascacielos son cada vez más altos. Lo interesante de este gráfico es que también parece un horizonte.

Pero había un problema.

Los espacios situados directamente encima, debajo y junto a los rascacielos se estaban saturando. Los ciudadanos y los gobiernos empezaron a preocuparse. Incluso los promotores inmobiliarios se dieron cuenta de que construir sobre esta enorme infraestructura se había convertido en una tarea difícil (lo siento).

Con ello, nació el concepto de derechos aéreos.

Los derechos aéreos son el derecho legal a construir (o impedir la construcción) en el espacio aéreo vertical directamente sobre una parcela de terreno.

Se trata de un concepto nuevo. Hace 100 años, no existía. De hecho, una antigua ley romana dictaba: Cuius est solum, eius est usque ad coelum et ad inferos.

Esto se traduce como «Quien posee la tierra, es suyo hasta el cielo y hasta el infierno». Lo que básicamente significa que si poseías una propiedad, podías construir tan alto por encima de ella (o tan bajo por debajo de ella) como quisieras.

Ahora, los derechos aéreos son un multiplicador de fuerza. Actualmente son una clase de activos reconocida, con un valor global de billones de dólares. Apoyan el desarrollo, ayudan a liberar valor oculto y permiten que las ciudades crezcan más densamente sin expulsar a la gente. También hacen posible que los aeropuertos gestionen los despegues y aterrizajes a través de derechos aéreos privados más allá de las propias fronteras del aeropuerto. En tales casos, los aeropuertos pagan a los propietarios de los derechos aéreos por el acceso. Desde Manhattan hasta Texas, y desde Londres hasta Sídney, estos derechos se han utilizado para financiar viviendas, infraestructuras y el progreso económico en general.

Las transacciones recientes muestran claramente lo valioso que se ha vuelto este tipo de activo. En West Harlem, se construyó un edificio de 28 plantas gracias a un acuerdo de 28 millones de dólares por los derechos aéreos sobre un aparcamiento. El dinero se destinó a reparaciones para 3000 residentes y ayudó a crear 147 apartamentos para familias de ingresos medios.

En Midtown, se compró un edificio de oficinas por 38 millones de dólares, no principalmente por la estructura en sí, sino por los 15 000 pies cuadrados de derechos aéreos verticales sin utilizar que lo acompañaban. En Broadway, se vendió un edificio emblemático de tres pisos por 13 millones de dólares. Su verdadero valor no era la antigua cafetería que había en su interior, sino los 23 000 pies cuadrados de espacio aéreo sin utilizar que había sobre él.

No se trata de anécdotas, sino de señales. Los derechos aéreos no son teóricos, sino un activo real y monetizable. Y ya no se refieren únicamente a las torres. La misma lógica de mercado se aplica ahora a la logística a baja altitud.

El futuro de la entrega con drones no depende de la tecnología de las baterías, sino de la propiedad. ¿Quién controla el aire sobre su propiedad? La respuesta determina si nuestra economía seguirá basándose en el consentimiento o se convertirá en coercitiva.

Por encima de nosotros, donde se solapan la política, la propiedad y la seguridad nacional, ha comenzado la lucha por el espacio aéreo estadounidense. Lo que comenzó como una reacción a los drones extranjeros y los globos no autorizados puede redefinir la propiedad en sí misma.

Control, no caridad

Las empresas de drones evitan habitualmente la pregunta más importante en materia de logística. ¿Quién es el propietario del espacio aéreo sobre su casa?

En Estados Unidos, Reino Unido, Irlanda, Canadá, Australia y otros países, la respuesta es clara. Los propietarios controlan el alcance inmediato de su espacio aéreo, generalmente hasta 500 pies. El Tribunal Supremo de los Estados Unidos lo confirmó en el caso Estados Unidos contra Causby. Invadir ese espacio sin consentimiento es una intrusión y, potencialmente, una apropiación inconstitucional.

Algunas empresas de drones intentaron eludir el control local presionando a las autoridades federales. No funcionó. Otras vuelan sin consentimiento, lo que no es escalabilidad, sino riesgo legal.

Cuando una empresa o un gobierno utiliza su tierra o su espacio aéreo sin compensación, no es innovación, es apropiación.

Hay un enfoque mejor. Los estados y las ciudades pueden arrendar el espacio aéreo sobre las vías públicas para crear corredores para drones. Los propietarios privados pueden optar por unirse y, si lo hacen, reciben una compensación.

Así es como debería funcionar la logística a baja altitud: como un mercado, no como una imposición. Los vuelos se cobran por milla, y los ingresos van a parar a los propietarios y a los gobiernos locales. Este modelo reduce los conflictos, disminuye el riesgo legal y aporta nuevos ingresos a las comunidades. Si los drones sobrevuelan su propiedad, usted debería recibir una compensación, al igual que con los derechos mineros.

Costes, costes y costes

La entrega con drones ya es una realidad. Zipline ha realizado más de 1,4 millones de entregas y ha volado 100 millones de millas de forma autónoma. En Irlanda, Manna realiza más de 300 entregas diarias, con el objetivo de alcanzar los 2 millones al año. Walmart ha completado 400 000 entregas en seis estados de EE. UU., mientras que Amazon y Wing operan en Texas, Georgia y California.

La inversión le sigue los pasos. La industria de los drones atrae miles de millones al año, y Estados Unidos recibe más del 50 % de la financiación mundial, gracias a su escala, infraestructura y sistema legal basado en los derechos de propiedad privada.

La mayoría de las entregas se ajustan al modelo: el 70 % de los paquetes de Walmart y el 85 % de los de Amazon pesan menos de 2,3 kg. El 90 % de los estadounidenses vive a menos de 16 km de un Walmart. Los drones pueden realizar entregas en un plazo de 3 a 30 minutos y emiten un 94 % menos de carbono que los coches.

Inicialmente, la entrega con drones era un servicio premium que costaba entre 9 y 15 dólares. Con la escala, la autonomía y las aprobaciones BVLOS, los costes bajan de los 5 dólares. En condiciones ideales con acceso al espacio aéreo, pueden bajar de los 2,50 dólares.

Intentar utilizar el espacio aéreo privado sin consentimiento da lugar a demandas judiciales y a la oposición pública. Con permiso, esos riesgos desaparecen y los márgenes aumentan.

El principal reto ahora es la viabilidad económica. Las primeras pruebas de Walmart DroneUp costaban hasta 30 dólares por entrega debido a la mano de obra. McKinsey estima 13,50 dólares por entrega sin BVLOS. Pero con la autonomía de la flota y un operador para 20 drones, los costes se reducen a 2 dólares. Una reciente orden ejecutiva de EE. UU. acelera estas aprobaciones.

En el Reino Unido e Irlanda, las empresas ya operan a este nivel: 20 drones por piloto, 80 entregas por dron al día. Con los derechos aéreos incluidos, alcanzan el umbral de rentabilidad en torno a los 2 dólares por pedido. En zonas de baja densidad, ya es más barato que la entrega por tierra.

Ya veremos.

Cuando los robots no bastan: así se gana (o se pierde) la automatización en 2025

2025-08-17T10:42:00.002+02:00

La escena la has visto: un brazo naranja moviéndose con la precisión de un violinista, cámaras que vigilan cada soldadura como halcones y dashboards que prometen tiempo real. El futuro parece instalado en la fábrica. Y sin embargo, demasiadas veces ese futuro se queda en piloto. O vuelve a la caja.

En 2025, la automatización industrial no es una promesa; es una criba. Un filtro que separa a quienes traducen powerpoints en productividad de quienes coleccionan Pruebas de Concepto como cromos. Más allá del “robot sí/robot no”, el patrón que explica quién gana no es (solo) técnico: es de negocio, de cadena de suministro y—cada vez más—de software.

Interesting Engineering

El dato incómodo: la “trampa del piloto”

Durante años, la estadística más repetida en el sector manufacturero ha sido brutal: más del 70% de las compañías que invierten en tecnologías de Industria 4.0—robots, analítica avanzada, IA o impresión 3D—no pasan de la fase piloto. El dato no es leyenda urbana; lo recoge IndustryWeek citando al World Economic Forum, y lo encuadra en un reto estructural: escalar lo que funciona en un área de pruebas a toda la planta (o a toda la red de plantas) sigue siendo la prueba de la verdad donde mueren muchas demos. Y es pasar de los vídeos y pruebas de laboratorio al mundo real, no es fácil.

España no es inmune. El Barómetro de la Digitalización Industrial 2025 retrata un paisaje donde un 13% de las empresas aún no ha automatizado nada y otro 22,5% se queda en pilotos—(traducción: alrededor de un tercio del tejido industrial no logra capturar beneficios reales** de la automatización.)

Y no hablamos solo de “probar y aprender”. Según un artículo de Cinco Días un tanto antiguo (2017), un 36% de empresas españolas ha cancelado proyectos de transformación digital (muchos vinculados a automatización) por costes y falta de retorno—dato veterano, sí, pero dolorosamente vigente como síntoma.

¿Quién manda en la cadena de suministro… y en los robots?

Para entender por qué en unas empresas la robotización funciona de maravilla y en otras se vuelve un dolor de cabeza, hay que mirar a la posición que ocupan en la cadena de suministro.

Imagina la fabricación de un coche:

Tier 1 son las empresas que entregan directamente al fabricante del coche (el OEM). Hacen piezas grandes o sistemas completos: por ejemplo, un salpicadero ya montado, un asiento completo o un módulo de frenos.

Tier 2 suministra piezas más pequeñas o subconjuntos a los Tier 1. Por ejemplo, los plásticos inyectados que luego forman parte del salpicadero, o los componentes de una bomba de freno.

Tier 3 son los que están más al inicio: trabajan materias primas o componentes muy básicos, como perfiles metálicos, tornillos, piezas mecanizadas, o chapa cortada que después otros convierten en algo más complejo.

Ahora, ¿qué pasa con los robots en cada nivel?

En Tier 1, el volumen de producción es enorme y las piezas se repiten millones de veces. Eso es el paraíso de los robots: montar, soldar o pintar de forma rápida y siempre igual.

En Tier 2, ya hay más variedad. No todas las piezas son idénticas, pero hay “familias” que se repiten lo suficiente. Aquí los robots funcionan bien si se combinan con utillajes reconfigurables y software que les ayude a adaptarse.

En Tier 3, en cambio, la vida es caótica: pedidos pequeños, piezas diferentes cada semana, márgenes muy ajustados. Aquí un robot fijo se convierte en un lujo poco rentable. Lo que suele funcionar son robots colaborativos (cobots), visión 3D, herramientas rápidas de cambiar y sobre todo software que facilite reprogramarlos sin dolores de cabeza.

La conclusión es clara: cuanto más arriba estés en la cadena y más control tengas sobre el diseño y la repetición del producto, más fácil y rentable es robotizar. Cuanto más abajo, más necesitas flexibilidad para que el robot no acabe parado en una esquina.

He visto startups gastar el 60% de su presupuesto anual en un flamante cobot, solo para descubrir que necesitaban contratar a un ingeniero especializado (otros 45.000€/año) para mantenerlo operativo. Tres meses después, el cobot funcionaba a un 30% de su capacidad por incompatibilidades con el resto de su infraestructura tecnológica. Seis meses después, la startup cerraba. (Statups Españolas)

Medium

Imaginaos una calderería, o una pequeña empresa manufacturera que una semana trabaja para una gran empresa A, y al mes siguiente, para otra empresa B. Si nuestra calderería emplea robots, le cuesta mucho sacarles un buen rendimiento, ya que cada poco tiempo tiene que reprogramarlos para las nuevas tareas industriales, y hacer eso no es barato ni fácil de hacer. De hecho, se requiere de profesionales altamente cualificados. Y una vez escuché en un foro que alrededor del 85% de las empresas en España son Tier 1, Tier 2 o Tier 3. Es decir, que tenemos muy pocas empresas que dominen el producto final, que manejen la producción a su antojo, y que sean capaces de realizar grandes tiradas de producto. Es ahí precisamente donde más impacto positivo tiene la robotización.

Y parte de esto lo confirma las siguientes estadísticas: En 2024 se instalaron 5.160 robots industriales en España; casi la mitad fue a automoción (un 44%). Otro porcentaje se fue al sector metal 16,5%, alimentación/bebidas 12%.

Hace años ya conté la siguiente anécdota: conozco al responsable de mi región de una gran empresa japonesa de máquinas automáticas de corte y manipulación de chapa. Según me confesó mi colega, muchos clientes terminaban devolviendo estas máquinas más modernas y potentes. No sabían sacarles rendimiento, y tardaban más en programar los cambiantes trabajos. Robotizar no es fácil, pero puede que no hacerlo sea peor.

En España, solo el 7,8% de las empresas utiliza robots (alrededor de 1 de cada 13), aunque entre las grandes roza 1 de cada 5, según estadísticas nacionales.

Los datos son reveladores: mientras la tasa de adopción anual de cobots en Europa ronda el 30%, la realidad es que esta cifra está fuertemente sesgada hacia empresas consolidadas o startups con rondas de financiación considerables. Para la startup española promedio, con una vida media de 3,5 años y recursos perpetuamente estirados entre producto, talento y marketing, la inversión inicial de más de 50.000 euros por unidad de cobot (según McKinsey) representa un salto al vacío sin red. (Startups Españolas)

El futuro de la robótica no es hardware, es facilidad de uso

Entre los principales desafíos se encuentran los altos costos iniciales de adquisición y configuración de los robots, lo que supone una barrera considerable, especialmente para las pequeñas y medianas empresas. A esto se suma la falta de personal cualificado y experiencia interna para gestionar y mantener estas tecnologías, así como las dificultades para integrar los nuevos sistemas robóticos con los procesos de producción ya existentes.

Expertos en automatización industrial señalan que muchos proyectos fallan por una planificación deficiente, no involucrar a expertos desde las fases iniciales y una desconexión entre la tecnología implementada y los objetivos reales del negocio. La resistencia al cambio por parte de los empleados y la necesidad de una adecuada gestión de la transición son también factores cruciales para el éxito.

Todo esto me lleva a pensar que las empresas pequeñas están en riesgo de extinción, ya que son ellas las más vulnerables para poder dominar su propia tecnología, o tener el músculo financiero para acometer las inversiones que la robotización requiere.

Por eso, creo que la economía y las oportunidades de mercado no deberían de dejar que ese gran porcentaje de PIB desaparezca y sea absorbido por grandes empresas. Creo que el futuro pasa, entre otras tendencias, por tener robots industriales mucho más fáciles de reprogramar. Por ejemplo, poder enseñar a un robot qué tiene que hacer mediante las gafas META de realidad híbrida, o poder entrenar a un robot en su nueva tarea de una manera mucho más fácil gracias a los entornos de realidad virtual de NVIDIA, que han presentado recientemente.

¿Por dónde irá el futuro? Veremos.