La primera es que han empezado a aparecer contratos de verdad: Airbus, el Gobierno federal alemán y la Generalitat de Catalunya han firmado en los últimos meses acuerdos con requisitos de soberanía escritos en el pliego. La segunda es que me he puesto a repasar la historia, y resulta que esto que estamos haciendo ahora Europa ya lo intentó cuatro veces desde 1966. Y perdió las cuatro.

Las claves de la soberanía tecnológica europea en 30 segundos

• Francia lanzó el Plan Calcul en 1966 tras un veto estadounidense y lo cerró en 1975 sin alcanzar sus objetivos.
• Unidata, el Airbus de la informática, llegó al 13,2 % de las ventas europeas de ordenadores en 1973 y lo disolvió el propio Gobierno francés.
• Siemens y Philips cumplieron el calendario técnico del proyecto MEGA y Siemens admite hoy que no fue un éxito económico.
• De JESSI no salió la industria de memorias que se buscaba, pero sí el apoyo temprano a ASML.
• Airbus, Alemania y la Generalitat ya han firmado contratos con requisitos explícitos de soberanía.

Repasar esos cuatro intentos no es nostalgia. Ninguno falló por falta de presupuesto público ni por incapacidad técnica, y entender por qué cayó cada uno explica bastante mejor lo que nos pasa hoy que seguir comparando catálogos de servicios entre un proveedor europeo y un hiperescalar americano.

Un veto de Estados Unidos y una respuesta en dos meses

En mayo de 1966 Estados Unidos se negó a entregar dos superordenadores CDC 6600 al Commissariat à l’énergie atomique francés. Los motivos que se invocaron fueron la salida de Francia del mando integrado de la OTAN y el tratado de no proliferación. El golpe llegaba después de otro: en 1964 General Electric había tomado el control de la Compagnie des Machines Bull y había cancelado dos modelos de ordenador franceses.

De Gaulle aprobó el Plan Calcul en julio de 1966, dos meses después del veto. En diciembre nació la Compagnie Internationale pour l’Informatique, bajo tutela directa del primer ministro. Francia gastó más de 100 millones de dólares en los cinco primeros años y esperaba que la nueva compañía facturase 200 millones antes de 1975.

Y el negocio creció de verdad. La facturación pasó de 370 millones de francos en 1970 (unos 56 millones de euros al tipo fijo de conversión de 1998, sin ajustar por inflación) a 1.350 millones en 1974 (unos 206 millones), y su cuota del parque instalado francés subió del 7,5 % al 10 %. Aun así el plan se dio por terminado en 1975 y la empresa acabó fusionada con la estadounidense Honeywell. Entre 1977 y 1980 las subvenciones sumaron 812 millones de francos, unos 124 millones de euros, frente a 724 millones de beneficios acumulados, unos 110 millones. El Estado puso más de lo que la compañía ganó.

El argumento con el que Bruselas legisla en 2026 es exactamente el mismo que el de París en 1966: no depender de un proveedor extranjero para infraestructura considerada estratégica.

Unidata: el Airbus que sí se intentó, y que Francia desmontó

En abril usé la comparación con Airbus para explicar lo que Europa debería hacer con la infraestructura digital. Lo que no sabía entonces, y me parece el hallazgo más incómodo de todo este repaso, es que el Airbus de la informática se intentó de verdad, y llegó a funcionar.

Se llamaba Unidata y reunía a la francesa CII, a la alemana Siemens y a la neerlandesa Philips. El reparto de trabajo estaba claro: Philips ponía los semiconductores, Siemens los periféricos y el almacenamiento magnético, y CII la arquitectura, el software y la dirección del proyecto. El acuerdo se firmó en Ámsterdam el 4 de julio de 1973.

En 1973 el consorcio reunía el 13,2 % de las ventas europeas de ordenadores y el 9,8 % del parque instalado. Las primeras máquinas se entregaron en 1974.

Lo que lo detuvo no fue el mercado. En 1975, recién elegido, Valéry Giscard d’Estaing denunció de forma unilateral el acuerdo. Detrás de la ruptura estuvo Ambroise Roux, presidente de CGE y accionista de peso en CII, que temía que Unidata acabara compitiendo con sus intereses en telecomunicaciones. Francia prefirió entregar su participada a Honeywell y el consorcio se disolvió en diciembre de ese año.

Aquí está la diferencia que importa, y que matiza mi propio argumento de abril. Airbus voló porque las aerolíneas compraron aviones. Los Estados no podían garantizar a Unidata una cuota equivalente en un mercado informático abierto, y sin demanda asegurada el consorcio dependía de que tres accionistas con intereses distintos siguieran remando en la misma dirección. Bastó con que uno dejara de remar.

Bull, la empresa que estaba en el origen de todo aquello, fue nacionalizada en 1982, privatizada en los noventa y vendida a Atos en 2014. El 31 de marzo de 2026 el Estado francés la compró entera otra vez, por un valor de empresa de hasta 404 millones de euros. La nota oficial habla de nuevo de soberanía digital. Cuarenta y cuatro años para volver al punto de partida.

Cumplir el calendario y perder igual

El tercer intento fue industrial y tenía fecha de entrega. En julio de 1984, en Estocolmo, el presidente de Siemens, Karl Heinz Kaske, presentó el proyecto MEGA junto a Philips. Siemens comprometiía 1.400 millones de marcos (unos 716 millones de euros al tipo fijo de conversión de 1998, sin ajustar por inflación), 800 de ellos en investigación. El desarrollo conjunto se presupuestó en 1.500 millones de marcos (unos 767 millones de euros), con 700 millones de participación neerlandesa (unos 358 millones). El Gobierno alemán aportaba 300 millones de marcos (unos 153 millones de euros) y el neerlandés 200 millones de florines (unos 91 millones de euros, siempre con el cambio fijo de 1998 como indicaba antes).

El calendario declarado era concreto: memorias de 1 megabit fabricándose a partir de 1987 y de 4 megabit entre 1989 y 1990.

Y lo cumplieron. En 1987 Siemens fue, junto a Toshiba, la primera compañía occidental en producir en serie chips de 1 megabit, y los de 4 megabit llegaron en 1989. Lo llamativo es lo que la propia Siemens escribe hoy en su cronología corporativa: que aspiraba al liderazgo mundial en cinco años y que el proyecto no fue un éxito económico, aunque le permitiera acercarse a sus competidores.

Ese es el dato que hay que retener, y viene de la empresa que lo protagonizó, no de sus críticos. No falló la ingeniería ni el plazo. Falló el negocio.

Hay además un detalle que redondea la historia. La tecnología CMOS de 1 megabit llegó a Siemens mediante un acuerdo de licencias con Toshiba. El programa europeo para dejar de depender de los fabricantes japoneses licenció a un fabricante japonés la tecnología con la que pensaba conseguirlo.

Philips llegó a ser el mayor fabricante de chips de Europa y el séptimo del mundo. Los beneficios fueron decepcionantes y después vino la reorganización Operation Centurion, con 50.000 empleos suprimidos a escala global entre 1990 y 1997.

Lo que salió de JESSI no fue lo que se fue a buscar

El cuarto intento fue el más ambicioso. JESSI, la Joint European Submicron Silicon Initiative, arrancó el 1 de julio de 1989 dentro del marco EUREKA, coordinada desde Múnich, con 157 participantes de trece países. Alemania aportó 59 y Francia 53. España, tres. Un informe estadounidense de 1992 preveía una financiación de 8.000 millones de dólares, con más de 4.500 millones procedentes de gobiernos comunitarios. La ficha oficial del programa, por cierto, nunca ha publicado su presupuesto.

Bernhard Dachs, del Austrian Institute of Technology, publicó en septiembre de 2025 el análisis retrospectivo más completo que he encontrado. Su conclusión tiene tres partes y las tres se leen hoy como una advertencia. El cambio tecnológico dejó obsoletos objetivos iniciales importantes. El propósito de forjar una alianza europea chocó con las estrategias globales de las propias multinacionales participantes, que buscaban a la vez socios fuera de Europa. Y, pese a todo, el programa dejó beneficios a largo plazo que nadie había planificado, entre ellos el apoyo temprano a ASML.

Merece la pena detenerse ahí. ASML es hoy la única empresa del mundo capaz de fabricar las máquinas de litografía ultravioleta extrema con las que se producen los chips más avanzados, y cerró 2025 con 32.700 millones de euros de ventas. Europa no consiguió en 1989 lo que fue a buscar, que era una industria de memorias propia. Consiguió otra cosa, más valiosa, que no estaba en el plan.

El mismo Dachs escribía en 2023, sobre la Ley Europea de Chips, que caben dudas razonables porque varias iniciativas similares no alcanzaron sus objetivos en el pasado. Citaba JESSI como ejemplo.

Lo que ha cambiado desde abril: han empezado a firmarse contratos

Los datos de hoy no invitan al triunfalismo. El Tribunal de Cuentas Europeo concluyó en 2025 que alcanzar el 20 % de la producción mundial de chips en 2030 exigiría cuadruplicar la capacidad europea, y que no estamos cerca. La previsión de la propia Comisión es del 11,7 %. El Cloud and AI Development Act sigue siendo una propuesta en tramitación, no derecho aplicable.

Lo que sí ha cambiado es más aburrido y más eficaz que cualquier reglamento: alguien ha empezado a firmar.

Airbus seleccionó a Scaleway en julio de 2026 para alojar parte de sus aplicaciones críticas en un entorno soberano, sin abandonar el resto de su cartera cloud. En Alemania, un consorcio liderado por SVA, con Codesphere y Schwarz Digits a través de STACKIT, figura entre los adjudicatarios de la plataforma de inteligencia artificial del ministerio federal de Digitalización, un contrato marco de alrededor de 250 millones de euros. Y en España, la Generalitat de Catalunya licitó en julio una nube pública soberana por 481 millones de euros a ocho años, con certificación SEAL 3 y la exigencia de que el proveedor esté sujeto de forma exclusiva a legislación europea.

La operación catalana es la más interesante de las tres, porque convierte la soberanía en un requisito de pliego mientras el marco europeo sigue siendo un texto en discusión. Es justo lo que pedía en abril: compra pública con criterios, no declaraciones.

Lo que dicen las empresas cuando les preguntas en serio

Conviene meter aquí el contrapeso, porque si no este artículo se convierte en otro texto optimista de los que ya hay demasiados. Capgemini encuestó en abril de 2026 a 1.300 directivos de grandes organizaciones, España incluida, y publicó los resultados este mes.

El 59 % considera irrealista la soberanía digital plena. El 36 % calcula que cambiar de proveedor crítico le llevaría más de doce meses y un 10 % reconoce que no tiene alternativa viable. Solo el 14 % tiene visibilidad completa de sus dependencias tecnológicas. Y casi la mitad no está dispuesta a asumir el sobrecoste que atribuye a la soberanía, que el propio estudio estima en un 23 %.

Ese último dato es el que más me interesa, porque es el que separa el discurso de la factura. Llevo años oyendo en reuniones que la soberanía importa. Importa hasta que aparece el 23 %.

Plan Calcul, Unidata, MEGA y JESSI tuvieron presupuesto, tecnología y respaldo político. Lo que ninguno tuvo fue alguien obligado a comprar. Si esta vez sale distinto no será por el reglamento que se apruebe en Bruselas, sino por cuántas administraciones y cuántas empresas europeas hagan lo que acaban de hacer Airbus, el Gobierno alemán y la Generalitat. Y por si están dispuestas a pagar la diferencia cuando llegue la factura.

Preguntas frecuentes

¿Qué fue el Plan Calcul?
Un programa francés aprobado en julio de 1966 para crear una industria informática nacional, después de que Estados Unidos vetara la venta de dos superordenadores al programa nuclear francés. Se cerró en 1975 sin alcanzar sus objetivos de facturación.

¿Por qué fracasó Unidata si tenía cuota de mercado?
Porque su continuidad dependía de decisiones políticas y accionariales, no de sus ventas. En 1975 el Gobierno francés denunció el acuerdo de forma unilateral, presionado por intereses industriales internos, y prefirió entregar su participada a un socio estadounidense.

¿Puede la Ley Europea de Chips alcanzar el 20 % de cuota mundial en 2030?
El Tribunal de Cuentas Europeo lo considera muy improbable y calcula que exigiría cuadruplicar la capacidad de producción actual. La previsión de la propia Comisión Europea es del 11,7 %.

¿Qué diferencia hay entre los intentos anteriores y la situación actual?
Los cuatro programas históricos financiaron oferta sin asegurar demanda. En 2026 han empezado a aparecer contratos con requisitos explícitos de soberanía, firmados por clientes concretos como Airbus, el Gobierno federal alemán y la Generalitat de Catalunya.

Fuentes

• Plan Calcul y Compagnie Internationale pour l’Informatique
• Cronología de Unidata, Fédération des Équipes Bull
• El Estado francés culmina la adquisición de Bull, 31 de marzo de 2026
• Siemens y Philips se unen para desarrollar una nueva generación de microchips, El País, 13 de octubre de 1984
• Cronología histórica de Siemens
• Philips en Eindhoven y Operation Centurion (copia archivada en Wayback Machine)
• Ficha oficial del proyecto JESSI (EU127), CORDIS
• Bernhard Dachs, «Success and Failure of Industrial Policies: The Example of JESSI», 2025
• Tribunal de Cuentas Europeo, informe sobre la Ley de Chips
• Resultados de ASML en 2025
• Capgemini Research Institute, soberanía digital, septiembre de 2026
• Scaleway y el contrato de cloud de confianza con Airbus
• Adjudicación de la plataforma de IA del ministerio federal alemán
• Licitación de la nube pública soberana de la Generalitat de Catalunya
• Propuesta de Cloud and AI Development Act, Comisión Europea

Las claves de volver a programar con IA en 20 segundos

• Claude Code y otros agentes han reducido muchísimo la barrera para volver a desarrollar software después de años alejado del código diario.
• En pocos meses he creado herramientas open source, aplicaciones nativas y servicios web que utilizo personalmente.
• Generar más código no elimina la necesidad de arquitectura, pruebas, seguridad y revisión humana.
• La nueva escasez ya no es técnica: son el tiempo, la atención y saber abandonar proyectos.

Todavía recuerdo perfectamente aquella pantalla azul de Borland, hecho hace unos meses encontré la caja original de Borland Pascal con manuales y disquetes de 3,5″, una joya para conservar. Para quienes aprendimos a programar en los años ochenta y noventa, Turbo Pascal era algo más que un compilador. Editor, compilación y ejecución estaban integrados en una experiencia que entonces parecía extraordinariamente rápida.

Turbo Pascal apareció en 1983 por 49,95 dólares, un precio muy agresivo para la época. Las primeras versiones eran tan compactas que el compilador, el entorno de desarrollo y las herramientas cabían en un disquete. Los programas .COM estaban limitados a 64 KB. Visto desde 2026 parece prehistoria informática, pero entonces aquello abría un mundo.

Después llegaron Turbo C y, sobre todo, Delphi. Delphi 1.0 se presentó en febrero de 1995 y consiguió algo que me sigue pareciendo importante: acercar el desarrollo visual sin renunciar a compilar aplicaciones nativas.

Hay además una continuidad histórica que me resulta especialmente curiosa. Anders Hejlsberg estuvo detrás del compilador que dio origen a Turbo Pascal, fue arquitecto jefe de Delphi y posteriormente, ya en Microsoft, diseñó C# y TypeScript. Una parte importante del código que hoy puede generar un agente de IA utiliza lenguajes descendientes de la carrera profesional de la misma persona que estaba detrás de las herramientas con las que muchos empezamos.

Y Delphi tampoco ha muerto. A septiembre de 2026 Embarcadero mantiene RAD Studio 13.1 y prepara la versión 13.2. Incluso dispone ya de Kai, su propia plataforma de IA agéntica integrada en RAD Studio.

Treinta años después hemos acabado juntando las dos épocas.

De escribir cada línea a dirigir el desarrollo

El cambio para mí llegó con herramientas como Claude Code.

No me refiero simplemente al autocompletado que propone la siguiente función. Claude Code puede leer un proyecto, localizar ficheros, modificar código, ejecutar pruebas, utilizar herramientas de terminal y trabajar durante bastante tiempo sobre un objetivo.

Ahí cambia la relación con la programación.

Durante muchos años podía tener una idea y saber aproximadamente cómo construirla, pero el coste en horas hacía que no tuviera sentido empezar. Había que recuperar conocimientos, estudiar nuevas librerías, preparar interfaces, gestionar dependencias y dedicar fines de semana enteros a detalles que no eran precisamente la parte divertida del proyecto.

Ahora puedo concentrarme mucho más en definir qué quiero construir.

Eso no significa escribir «hazme una aplicación» y esperar.

De hecho mi experiencia está siendo casi la contraria. Cuanto más utilizo agentes de programación, más importancia doy al orden. Ficheros como CLAUDE.md, documentación de arquitectura, instrucciones concretas, tests, hooks y pequeñas especificaciones terminan marcando una diferencia enorme. De hecho me queda mucho por aprender para organizarme mucho mejor.

La propia documentación de Claude Code recomienda que las instrucciones sean específicas. «Ejecuta los tests antes de hacer commit» es mucho mejor que decir simplemente «prueba los cambios». Y Anthropic reconoce algo todavía más importante: que Claude intente seguir CLAUDE.md no garantiza su cumplimiento. Para las reglas que no pueden incumplirse existen mecanismos deterministas como los hooks.

Esa diferencia entre pedir y verificar me parece esencial.

También ha cambiado el entorno que rodea al código. El Model Context Protocol (MCP), presentado por Anthropic en noviembre de 2024, fue adoptado después por otras compañías y terminó bajo la Agentic AI Foundation de la Linux Foundation. Resulta difícil imaginar algo más distinto de los entornos bastante cerrados con los que aprendimos a programar hace tres décadas.

De las ideas a programas que realmente utilizo

La consecuencia más evidente de esta nueva forma de trabajar está en mis repositorios y en mi carpeta de aplicaciones.

Uno de los proyectos que he liberado como open source es CrawlForge, un crawler de SEO técnico escrito en Rust. Puede rastrear una web por HTTP, analizar directamente una versión generada antes de desplegarla y comparar dos crawls para detectar qué ha cambiado.

En una prueba real ha procesado 487.621 URLs de un medio con quince años de archivo y millones de imágenes. En otro ensayo comparé 1.800 valores obtenidos por CrawlForge y por una herramienta consolidada: estados HTTP, títulos, descripciones, H1, canonical e indexabilidad.

No hubo diferencias.

Bueno, sí apareció una. Era un <br> dentro de un <h1> y el error estaba en la otra herramienta.

Ese tipo de casos me ha enseñado algo importante sobre programar con IA: el modelo puede producir código, pero la responsabilidad sobre lo que ese código afirma sigue siendo mía.

Otro ejemplo es FlarePurge, una pequeña aplicación para purgar la caché de Cloudflare. Está disponible para diferentes plataformas y su código es abierto para si quieres compilar tu propia versión.

Lo interesante para mí no es todo lo que hace, sino precisamente lo que decidí que no hiciera.

FlarePurge purga caché. Nada más.

DNS, WAF, analítica y otras funciones quedan fuera deliberadamente. Los tokens se almacenan utilizando los mecanismos seguros del sistema y la recomendación es conceder únicamente el permiso necesario para purgar caché.

Poder desarrollar más rápido genera una tentación enorme de añadir funcionalidades porque «cuestan poco». Pero cada función que se añade hoy es código que habrá que entender, probar y mantener mañana.

Otro proyecto al que tengo especial cariño es mboxShell, un visor y buscador de archivos MBOX para terminal, también escrito en Rust y publicado con licencia MIT. Una idea para poder leer mis backups de correo de Google Takeout y del que podéis encontrar una versión con GUI para MacOS y Windows en Mbox Viewer pro que también cito más abajo.

Está pensado para poder trabajar con buzones enormes sin cargar todo el fichero en memoria. Un MBOX de 100 GB puede utilizar aproximadamente la misma memoria que uno de 1 GB porque el procesamiento se realiza en streaming.

Y aquí apareció uno de esos bugs que explican por qué sigo sin fiarme ciegamente del código generado.

Trabajando con una exportación de Google Groups descubrí un formato de fecha peculiar. Cuando el parser no entendía correctamente una de esas fechas, el fallback no fallaba de forma espectacular. Hacía algo bastante peor: devolvía una fecha aparentemente válida pero incorrecta.

Ese es el tipo de error peligroso.

Un programa que se cae obliga a investigar. Uno que devuelve silenciosamente un dato plausible puede permanecer equivocado durante meses.

También encontré un problema de precedencia en las búsquedas booleanas. En un buzón de 6.787 mensajes, una consulta que debía devolver 49 resultados podía terminar mostrando 2.102.

Ninguna inteligencia artificial sustituye comprobar que 49 siguen siendo 49.

Construir cosas para resolver mis propios problemas

Hay además una categoría de proyectos que probablemente explica mejor por qué he vuelto a disfrutar programando: herramientas que quería utilizar yo mismo.

Polen Madrid nació para consultar de forma sencilla los datos de polen de la Red Palinológica de la Comunidad de Madrid. Incluye mapa, histórico, calendario y alertas. Los datos proceden de 11 estaciones y cubren numerosos tipos de polen.

Una de las decisiones que más me gusta no tiene nada de técnicamente espectacular: las alertas solo se envían durante la temporada del alérgeno elegido. Además de una API en el que tenemos ya como 10 usuarios que se conectan de manera gratuita para consumir los datos del polen.

Poder mandar un correo todos los días no significa que haya que hacerlo.

meteo.es es otro proyecto en el que he trabajado para automatizar gran parte de la publicación y organización de información meteorológica. Combina fuentes como AEMET OpenData, Open-Meteo y RainViewer y tiene cientos de páginas de contenido estructurado. Incluso publica un llms.txt para facilitar que sistemas de IA entiendan el sitio.

Resulta bastante curioso haber pasado de aprender a programar cuando Internet apenas formaba parte de nuestra vida a preparar ahora una web para que también pueda ser interpretada por modelos de lenguaje.

También he construido spy on web, que cruza dominios, direcciones IP, nameservers, certificados y determinados identificadores para encontrar relaciones entre sitios web. Surgió porque necesitaba recuperar una funcionalidad que ya no encontraba de forma suficientemente fiable en las herramientas que utilizaba.

A esa lista se han ido sumando agentready.md, password.es, dns gratis, Linux gratis, online mbox viewer, face.co, bitadir.com y el comienzo de la renovación de programación en castellano un proyecto que data de 1997.

Esta última tiene algo especialmente divertido. Su viejo <title> todavía contiene una sucesión de términos de otra época: Ajax, Ruby on Rails, PHP, MySQL, ASP, Java, Perl, CGI, Linux, Windows… y Delphi.

He acabado regresando a Delphi aunque sea dentro de una etiqueta HTML.

Cuando una idea termina en la App Store

La Inteligencia Artificial también me ha permitido entrar en un terreno en el que antes probablemente no habría invertido el tiempo necesario: las aplicaciones nativas.

DocProtect (para MacOS, iOS y Android) nació para una necesidad muy concreta: poder preparar documentos que hay que enviar a terceros añadiendo marcas de agua o ocultando información sensible. El procesamiento se realiza en el dispositivo. Algo que existe, no he inventado nada, pero me apetecía crear mi propia versión gratis.

Con Files.co PDF Suite (para MacOS y Windows) he seguido una filosofía parecida. Muchas operaciones sobre PDF pueden ejecutarse localmente mediante WebAssembly, sin que los documentos tengan que viajar a un servidor para ser procesados.

Mbox Viewer Pro (para MacOS y Windows) lleva la idea de mboxShell a una aplicación gráfica para macOS y Windows. La filosofía sigue siendo bastante sencilla: trabajar offline una copia de seguridad de un mbox, en modo lectura y sin convertir un archivo privado de correo en un fichero que haya que subir a la nube.

Pero quizá el proyecto que mejor representa todo este reencuentro sea iSkitch.

Utilicé Skitch durante años. Evernote retiró en 2016 las versiones para iOS, Android y Windows, mientras que la edición de Mac continuó disponible. El problema es que su última actualización en la Mac App Store data de julio de 2020.

Así que terminé construyendo mi propia alternativa.

iSkitch es una aplicación nativa para macOS, ocupa alrededor de 1,8 MB y ofrece herramientas de anotación, flechas, texto, formas, pixelado y desenfoque.

Hace unos años probablemente habría pensado que desarrollar, traducir, empaquetar y publicar una alternativa nativa era demasiado trabajo para una necesidad tan concreta.

Ahora la ecuación ha cambiado.

Y precisamente por eso aparece un problema nuevo.

Producir más código no significa producir mejor software

Los datos disponibles sobre programación asistida por IA son bastante menos triunfalistas de lo que podría parecer viendo la velocidad a la que se están adoptando estas herramientas.

La encuesta de desarrolladores de Stack Overflow de 2025 encontró que el 84 % utilizaba o tenía previsto utilizar herramientas de IA. Sin embargo, solo un 3,1 % declaraba confiar mucho en la precisión de sus resultados y un 46 % desconfiaba activamente.

La principal frustración, citada por un 66 %, eran las soluciones que están «casi bien».

Ese «casi» me parece una descripción magnífica del problema.

Un estudio de METR publicado en 2025 añadió un resultado todavía más incómodo. Dieciséis desarrolladores experimentados trabajando sobre repositorios que conocían bien esperaban que la IA los hiciera un 24 % más rápidos. En aquel experimento terminaron tardando un 19 % más.

Lo interesante es que después seguían creyendo que habían sido aproximadamente un 20 % más rápidos.

METR ha actualizado posteriormente sus conclusiones y advierte de que esos resultados no deben generalizarse. La adopción ha cambiado rápidamente y los propios investigadores consideran probable que sus mediciones infravaloren parte del beneficio actual.

Mi caso, además, es casi el opuesto al estudiado inicialmente por METR.

No estoy intentando que un agente comprenda de repente un repositorio gigantesco en el que llevo diez años trabajando. Muchos de mis proyectos empiezan desde cero, con un objetivo muy delimitado y una arquitectura que puedo adaptar desde el primer día al trabajo con agentes.

Ahí la inteligencia artficial me está resultando extraordinariamente productiva.

Pero productividad y calidad siguen sin ser sinónimos.

DORA lo resumió muy bien en su investigación sobre desarrollo asistido por IA: la Inteligencia Artificial funciona como un amplificador. Un proceso ordenado puede hacerse mejor; uno desordenado puede producir desorden a mayor velocidad.

El código compila. Ahora hay que comprobar si es seguro

La seguridad es probablemente la parte en la que menos margen existe para dejarse llevar por la sensación de velocidad.

Veracode ha probado más de 150 modelos en tareas de programación y encontró una tasa de aprobado de seguridad del 55 %, pese a que la corrección sintáctica superaba ampliamente el 95 %.

Ese contraste debería estar pegado al monitor de cualquiera que utilice agentes.

El código sintácticamente correcto ya no es el problema. El seguro, sí.

Hay riesgos menos evidentes. Una investigación presentada en USENIX Security estudió 576.000 muestras generadas por 16 modelos y encontró más de 205.000 nombres únicos de paquetes inexistentes inventados por los modelos.

El peligro no es únicamente que una IA se invente una dependencia. Algunos nombres se repiten. Si un atacante registra uno de esos paquetes imaginarios, puede convertir una alucinación predecible en un ataque contra la cadena de suministro.

GitGuardian encontró además 28,65 millones de nuevos secretos expuestos en commits públicos de GitHub durante 2025 y miles dentro de configuraciones MCP públicas.

Por eso intento tratar al agente como lo que es: una herramienta extremadamente capaz a la que no se debe conceder confianza ilimitada.

Las dependencias se comprueban. Los secretos se escanean. Los tests se ejecutan. El código sensible se revisa. Los permisos se limitan. Y las reglas que deben cumplirse siempre no deberían depender únicamente de que el modelo recuerde una frase escrita en un fichero Markdown.

La velocidad cambia el proceso, pero no elimina la ingeniería.

El problema que no tenía hace 30 años: saber qué no construir

Hay una consecuencia de todo esto que me está resultando incluso más interesante que la propia programación.

Tengo demasiadas ideas que ahora son técnicamente posibles. Y poco tiempo en mis fines de semana para llevarlas a cabo.

Antes existía un filtro natural. Una idea podía parecer buena, pero si requería tres meses de desarrollo moría antes de empezar. Ahora ese filtro se ha debilitado muchísimo.

Y eso puede ser peligroso.

Porque crear la primera versión cuesta cada vez menos, pero mantener veinte proyectos sigue costando más que mantener cinco. Hay dominios, actualizaciones, certificados, dependencias, tiendas de aplicaciones, soporte, traducciones, documentación, seguridad y usuarios.

La Inteligencia Artificial reduce el coste de creación. No convierte la atención humana en infinita.

Lo he comprobado con genpic.com.

GenPic utilizaba inteligencia artificial para transformar fotografías en retratos con decenas de estilos. El usuario obtenía una vista previa gratuita con marca de agua y solo tenía que pagar si quería descargar el resultado final.

Funcionaba técnicamente.

El problema era el producto.

Una vista previa gratuita suficientemente buena ya podía servir para enseñársela a los amigos o compartir la broma por WhatsApp. En cierto modo GenPic competía contra su propia versión gratuita.

Así que he decidido dejar de aceptar nuevos retratos y compras (aunque seamos francos he vendido un total de 0 euros).

Hace unos años probablemente habría mantenido el proyecto durante más tiempo simplemente porque ya había invertido horas en él. Ahora intento verlo de otra manera.

El desperdicio no es lo que ya se ha gastado. El desperdicio puede ser el siguiente minuto dedicado a algo que ya no merece ese minuto.

La idea conecta con los kill criteria que Annie Duke desarrolla en Quit: definir de antemano qué condiciones justifican seguir invirtiendo tiempo y cuáles deberían obligar a parar.

Me parece una disciplina especialmente importante ahora que construir software es tan barato.

Mi experiencia con Claude Code no me ha llevado a pensar que todo el mundo pueda convertirse mágicamente en desarrollador ni que los programadores hayan dejado de ser necesarios. Más bien me ha devuelto algo que había perdido durante años: la capacidad de convertir una idea pequeña en software real sin que el coste inicial la mate.

Eso es extraordinariamente divertido.

También obliga a aprender otra habilidad.

Hace treinta años el reto era conseguir que aquello que tenía en la cabeza cupiera en memoria, compilara y funcionara. Hoy puedo levantar proyectos que entonces me habrían parecido imposibles para una sola persona.

Mi escasez ya no está en las herramientas.

Está en decidir dónde merece la pena utilizarlas.

Y quizá ese sea el aprendizaje más importante de esta vuelta al código: he pasado de preguntarme si soy capaz de construir algo a preguntarme si debería construirlo.

Preguntas frecuentes

¿Se puede volver a programar después de muchos años gracias a la Inteligencia Artificial?

Los agentes de programación reducen mucho el esfuerzo necesario para recuperar conocimientos y trabajar con lenguajes o frameworks nuevos. Aun así, entender arquitectura, datos, seguridad y lógica sigue siendo muy importante para detectar cuándo el código generado está equivocado.

¿Qué diferencia hay entre Claude Code y un autocompletado tradicional?

Claude Code puede trabajar sobre un proyecto completo: leer y modificar varios archivos, ejecutar comandos y tests y seguir instrucciones de desarrollo. Eso permite delegar tareas más amplias que completar unas líneas de código.

¿Es seguro utilizar código generado por inteligencia artificial?

No debe darse por seguro simplemente porque compile o pase pruebas funcionales. Estudios de seguridad han encontrado vulnerabilidades, dependencias inexistentes y exposición de secretos, por lo que siguen siendo necesarios revisión, análisis de seguridad y controles automáticos.

¿Cuál es el mayor problema de programar más rápido con IA?

En mi caso ya no es conseguir construir el software, sino seleccionar proyectos y mantenerlos. La reducción del coste inicial hace mucho más fácil comenzar ideas que después compiten por tiempo, mantenimiento y atención.

Fuentes:

• Dossier interno de trabajo y comprobaciones de proyectos propios, actualizado el 6 de septiembre de 2026.
• Embarcadero, documentación e historia de Turbo Pascal, Delphi y RAD Studio. A 6 de septiembre de 2026, RAD Studio 13.1 está disponible y 13.2 sigue anunciada como próxima versión.
• Anthropic, documentación oficial de Claude Code, CLAUDE.md, Agent Skills y Model Context Protocol.
• OpenAI, documentación y anuncio de Codex.
• Stack Overflow Developer Survey 2025.
• Google Cloud / DORA, State of AI-Assisted Software Development y ROI of AI-assisted Software Development.
• METR, estudio sobre productividad de desarrolladores con IA y actualización de febrero de 2026.
• Veracode, GenAI Code Security Report.
• USENIX Security, investigación sobre alucinaciones de paquetes en código generado por modelos.
• GitGuardian, State of Secrets Sprawl 2026.
• OWASP, Top 10 for LLM Applications.
• NIST, SP 800-218A.
• Annie Duke, Quit.

Las claves de la nueva regulación en 30 segundos

• Los nuevos centros de datos de 1 MW o más tendrían que cubrir con nueva generación renovable al menos el 80 % de su consumo en cada hora.
• España tiene abundante generación renovable, pero también congestiones, limitaciones de red y vertidos de energía.
• Hay 11,8 GW de nueva demanda con acceso concedido en la red de transporte que todavía no están en servicio.
• El Gobierno prevé invertir 13.590 millones de euros hasta 2030 en la red de transporte.
• La duda es si estamos intentando solucionar mediante regulación un problema que también exige mucha más infraestructura.

Lo primero es recordar que no hay todavía una norma aprobada. El proyecto de Real Decreto está en audiencia pública hasta el 04/09/2026 y, por tanto, puede modificarse. ¡Espero que lo modifiquen por el bien del sector!

Y tampoco creo que pedir sostenibilidad a los centros de datos sea el problema.

Si España va a incorporar varios gigavatios de nueva demanda eléctrica para infraestructura cloud e inteligencia artificial, me parece razonable que esa demanda contribuya a financiar nueva generación. También me parece razonable exigir eficiencia energética, controlar el consumo de agua y evitar que alguien reserve cientos de megavatios durante años para un proyecto que nunca llega a construirse.

Mi duda es otra.

¿Estamos poniendo el foco suficiente en la red eléctrica?

Tenemos renovables que algunas veces no podemos aprovechar

España ha hecho una inversión enorme en generación renovable y va a seguir haciéndola.

Pero producir electricidad y conseguir que llegue al lugar donde alguien quiere consumirla son dos problemas diferentes.

El sistema eléctrico tiene que mantener permanentemente el equilibrio entre generación y demanda. También tiene límites físicos: las líneas y subestaciones pueden transportar una determinada cantidad de electricidad y aparecen congestiones cuando la capacidad disponible no permite trasladar toda la generación hacia donde existe demanda.

El resultado es algo que a primera vista parece absurdo: puede existir energía renovable disponible y, aun así, ser necesario reducir su producción.

La Comisión Nacional de los Mercados y la Competencia (CNMC) habla expresamente de minimizar los vertidos renovables derivados de congestiones, mientras que Red Eléctrica gestiona restricciones técnicas cuando la producción prevista no puede integrarse manteniendo las condiciones de seguridad del sistema.

No significa que España esté desperdiciando permanentemente cantidades enormes de electricidad que simplemente podríamos entregar mañana a los centros de datos. El problema eléctrico es bastante más complejo.

Pero sí demuestra algo importante: añadir generación no resuelve por sí solo el problema de añadir nueva demanda.

Hace falta red.

Hace falta almacenamiento.

Hace falta capacidad de transformación.

Y hace falta que generación y consumo estén conectados geográfica y temporalmente.

Los números ayudan a entender la escala.

Red Eléctrica señalaba en febrero de este año 2026 que en la red de transporte existían permisos de acceso concedidos para unos 129 GW de generación eólica y fotovoltaica, 16 GW de almacenamiento y 19 GW de demanda.

Además desde 2022 se habían concedido 11,8 GW de nueva capacidad de acceso para demanda que todavía no había entrado en servicio.

Es decir, el cuello de botella no puede analizarse únicamente preguntando cuántos paneles solares podemos instalar.

El 80 % renovable no me preocupa tanto como el «hora a hora»

Aquí llegamos a la parte que más dudas me genera del nuevo Real Decreto.

El proyecto plantea que los nuevos centros de datos con al menos 1 MW de potencia de acceso cubran un mínimo del 80 % de su consumo mediante nueva generación renovable.

Pedir que esa nueva demanda venga acompañada de nueva generación renovable me parece razonable.

Si alguien va a incorporar 100 MW de nueva demanda durante los próximos 15 o 20 años, tiene sentido pedirle que ayude a financiar nueva capacidad de generación mediante autoconsumo o contratos de compraventa de electricidad a largo plazo, los conocidos PPA.

El salto está en exigir además correlación horaria.

No bastaría con producir durante el año tanta electricidad renovable como corresponda al consumo contratado.

Habría que demostrar que en cada hora el 80 % del consumo está respaldado por generación renovable producida durante esa misma hora.

Y esto enlaza directamente con lo que comentaba la semana pasada en Nuclear, renovables e IA: el problema no es producir energía, sino tenerla cuando hace falta.

Una planta solar puede producir muchísimo a las dos de la tarde.

A las tres de la mañana produce cero.

El centro de datos sigue funcionando. Son infraestructuras que operan 24×7 sin poder parar un segundo su operación.

Se puede combinar solar con eólica. Se puede añadir almacenamiento. Se pueden contratar diferentes instalaciones y utilizar la red para completar el suministro.

Todo eso es técnicamente posible.

Pero tiene un coste.

Y aquí creo que deberíamos preguntarnos si queremos utilizar la regulación para incentivar esa evolución o exigir desde el primer momento que cada nuevo proyecto resuelva por sí mismo buena parte de un problema estructural del sistema eléctrico.

Vamos a gastar 13.600 millones en la red porque sabemos que falta red

Hay otro dato que me parece especialmente relevante.

La propuesta de planificación eléctrica con horizonte 2030 contempla 13.600 millones de euros de inversión en la red de transporte, según el Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO).

El objetivo incluye precisamente integrar más renovables, electrificar la economía, atender nueva demanda, mejorar interconexiones y reforzar la red.

Por tanto, el diagnóstico ya lo tenemos.

Necesitamos mucha más infraestructura eléctrica.

Y aquí es donde creo que los centros de datos podrían verse también como parte de la solución y no únicamente como nueva demanda que hay que controlar.

Estamos hablando de una industria dispuesta a comprometer inversiones de cientos o miles de millones durante décadas y cuyo principal recurso es precisamente la electricidad.

Quizá deberíamos estudiar mecanismos que permitan que parte de esa inversión privada contribuya también a acelerar redes, almacenamiento, subestaciones y nueva generación allí donde sea necesario.

No estoy hablando de entregar la planificación eléctrica a los operadores de centros de datos ni de que quien pague más se quede con la red.

Estoy hablando de alinear incentivos.

Si para atender varios gigavatios de nueva demanda España necesita invertir miles de millones en infraestructura eléctrica, parece razonable preguntarse cómo conseguir que quienes van a utilizar una parte importante de esa nueva capacidad participen también en hacerla posible.

Eso me parece más interesante que limitarnos a añadir otra obligación al BOE.

Podemos convertir nuestra principal ventaja en una barrera

España tiene algo que muchos países europeos querrían tener.

Sol.

Viento.

Suelo.

Conectividad internacional y Cables submarinos.

Un mercado eléctrico conectado con Europa.

Y un enorme interés por construir aquí infraestructura para cloud e inteligencia artificial.

Precisamente por eso deberíamos tener cuidado.

Los más de 12 GW de derechos concedidos a centros de datos no significan que vayan a construirse 12 GW.

Un permiso eléctrico no es un centro de datos.

El dinero puede irse.

Un operador puede construir en Madrid, Aragón, Andalucía o Castilla-La Mancha, pero también puede hacerlo en Portugal, Francia, Italia o los países nórdicos.

Y la decisión no depende únicamente del precio del megavatio hora.

Importan la disponibilidad eléctrica, los plazos, la fiscalidad, la conectividad y, sobre todo, la previsibilidad.

El borrador añade además otros requisitos exigentes: un PUE máximo provisional de 1,15, que mide la relación entre toda la electricidad que consume el centro de datos y la que utilizan directamente sus equipos informáticos, y un WUE máximo de 0,1, que mide la eficiencia en el uso del agua. A eso se suman la nueva generación renovable, la correlación horaria y las obligaciones relacionadas con soberanía digital europea.

Cuanto más se acerca el PUE a 1, menos energía se dedica a refrigeración y otros sistemas auxiliares, así que un límite de 1,15 obliga a operar con niveles de eficiencia bastante exigentes.

Por separado muchas de estas medidas pueden tener sentido.

El problema puede ser la suma.

Porque llega un momento en el que quizá no estamos seleccionando los centros de datos más eficientes.

Estamos seleccionando únicamente a quienes tienen suficiente tamaño y capacidad financiera para gestionar toda esa complejidad.

Y paradójicamente eso puede favorecer a los mayores hiperescalares, muchos de ellos empresas estadounidenses, frente a operadores europeos y nacionales más pequeños.

No bajaría las exigencias. Cambiaría cómo las aplicamos

No creo que España deba entrar en una carrera para ver quién pone menos requisitos ambientales.

Sería un error.

Seguiría exigiendo que la nueva demanda venga acompañada de nueva generación renovable.

Mantendría objetivos exigentes de PUE y WUE.

Mantendría las obligaciones de transparencia.

Y exigiría compromisos reales para evitar que alguien reserve capacidad durante años sin construir nada.

Pero estudiaría una implantación progresiva de la correlación horaria.

Por ejemplo, podría empezarse exigiendo que el consumo anual esté respaldado por nueva generación renovable mediante PPA y elevar después el porcentaje de correlación horaria conforme aumenten el almacenamiento, las redes y las posibilidades reales del mercado.

También podría convertirse en un criterio para repartir capacidad.

Si hay dos proyectos compitiendo por 100 MW y uno puede demostrar un 80 % de correlación horaria mientras el otro alcanza un 40 %, parece razonable favorecer al primero.

Eso genera un incentivo.

Convertir directamente el 80 % hora a hora en una condición de entrada genera una barrera.

Y añadiría otra variable que echo de menos en muchas discusiones sobre centros de datos: qué deja cada megavatio en España.

No todos los centros de datos son iguales.

Un proyecto que atrae empresas de inteligencia artificial, ingenieros, investigación, servicios de infraestructura cloud europeos y capacidad de computación disponible para nuestras empresas aporta algo diferente a un edificio que simplemente consume electricidad y presta la mayor parte de sus servicios fuera.

Si la capacidad eléctrica es escasa, quizá deberíamos empezar a elegir proyectos también por eso.

Porque estamos decidiendo mucho más que dónde colocar unos servidores.

El riesgo es resolver con regulación lo que también necesita infraestructura

España tiene delante una oportunidad enorme.

La inteligencia artificial está convirtiendo la electricidad, los centros de datos y la capacidad de computación en política industrial.

Al mismo tiempo necesitamos electrificar transporte, industria y hogares.

No será sencillo.

Pero precisamente por eso creo que deberíamos evitar una discusión demasiado simple donde los centros de datos aparecen únicamente como consumidores gigantes a los que hay que poner límites.

Pueden financiar renovables. Y porque no también energía nuclear, que es posible siga formando parte de nuestro futuro con seguridad.

Pueden contratar energía durante décadas.

Pueden ayudar a justificar almacenamiento.

Pueden atraer inversión hacia nuevas infraestructuras.

Y pueden convertir electricidad producida en España en servicios digitales exportados desde España.

La semana pasada terminaba hablando de la necesidad de disponer de energía cuando realmente se necesita.

Después de leer este borrador añadiría otra idea:

no basta con producir más electricidad renovable y tampoco basta con regular quién puede consumirla. Hay que construir la infraestructura necesaria para conectar ambas cosas.

España ya sabe que necesita hacerlo. Los 13.600 millones previstos para la red hasta 2030 lo demuestran.

La cuestión es si vamos suficientemente rápido.

Porque puede darse una paradoja bastante absurda.

Construimos aquí la solar.

Construimos aquí la eólica.

Tenemos momentos en los que incluso necesitamos reducir generación renovable por las limitaciones del sistema.

Y después hacemos tan complejo conectar nueva demanda que los servidores, las GPU, los ingenieros y la inversión tecnológica terminan unos cientos de kilómetros más allá de nuestra frontera.

Eso no sería una política energética especialmente inteligente.

Ni tampoco una gran política digital.

España necesita centros de datos más eficientes y necesita mucha más infraestructura eléctrica.

Quizá deberíamos dedicar algo menos de tiempo a enfrentar ambas cosas y bastante más a conseguir que crezcan juntas.

Preguntas frecuentes

¿España desperdicia actualmente energía renovable?

En determinadas situaciones puede ser necesario reducir generación renovable por congestiones, restricciones técnicas o falta de capacidad para integrarla de forma segura. Eso no significa que toda esa electricidad pudiera trasladarse automáticamente a un centro de datos: la ubicación, la hora, la red y el almacenamiento son determinantes.

¿Cuánto quiere invertir España en la red eléctrica?

La propuesta de planificación eléctrica con horizonte 2030 contempla una inversión de 13.600 millones de euros en la red de transporte, destinada entre otros objetivos a integrar renovables y atender nueva demanda.

¿Qué exige el borrador a los nuevos centros de datos?

Entre otras medidas, plantea para instalaciones de al menos 1 MW un 80 % de suministro respaldado por nueva generación renovable y correlación horaria. También establece requisitos de eficiencia energética, agua y soberanía digital.

¿Los centros de datos podrían ayudar al sistema eléctrico?

Su demanda estable y sus contratos a largo plazo pueden contribuir a financiar nueva generación, almacenamiento e infraestructura asociada. Cómo integrar esa inversión privada con la planificación de la red es una cuestión diferente que requiere regulación y coordinación pública.

Fuentes:

• MITECO, proyecto de Real Decreto sobre centros de datos sostenibles
• Red Eléctrica, capacidad de acceso concedida a la demanda
• MITECO, propuesta de inversión de 13.600 millones en la red hasta 2030
• Revistacloud, España quiere centros de datos más verdes, pero puede poner en riesgo su carrera digital.

La electricidad.

Y cuanto más crece la inteligencia artificial, menos sentido me parece que tenga plantear el debate energético como una competición entre nuclear y renovables. No creo que la pregunta sea cuál de las dos debe ganar. La pregunta importante es otra: ¿cómo vamos a garantizar toda la electricidad que necesitaremos, cuando la necesitemos y a un precio razonable?

Porque un centro de datos necesita electricidad las 24 horas, pero también un hospital, una fábrica, una vivienda, un tren, una red de telecomunicaciones o una ciudad.

La Inteligencia Artificial simplemente está haciendo mucho más visible un problema que ya estaba delante de nosotros.

Las claves de energía, nuclear e IA en 20 segundos

• Los centros de datos podrían consumir alrededor de 945 TWh anuales en 2030, más del doble que en 2024.
• Solar y eólica crecerán con fuerza, pero su producción depende de las condiciones meteorológicas.
• El mundo mantiene más de 400 reactores nucleares en funcionamiento y construye decenas más.
• España conserva siete reactores y acaba de prolongar Almaraz hasta 2030.
• El reto será combinar generación, almacenamiento y redes para garantizar electricidad disponible cuando exista demanda.

Estamos entrando en la era de la electricidad

Hay algo que va mucho más allá de ChatGPT, Claude, Mistral o de los nuevos centros de datos.

La Agencia Internacional de la Energía (AIE) espera que el consumo mundial de electricidad crezca una media del 3,6 % anual entre 2026 y 2030. En 2025 el planeta consumió aproximadamente 28.200 TWh y para 2030 podríamos alcanzar los 33.600 TWh.

Y la Inteligencia Artificial es solo una parte. La que quizás más energía podrá demandar.

Estamos electrificando vehículos, climatización, procesos industriales y otras actividades que antes dependían directamente de combustibles fósiles. Al mismo tiempo queremos fabricar más semiconductores, desarrollar nuevas industrias y construir centros de datos cada vez mayores.

La propia AIE habla ya de una nueva “era de la electricidad”.

Los centros de datos son especialmente interesantes porque concentran enormes cantidades de consumo en ubicaciones concretas. La AIE estima que su demanda mundial podría superar los 945 TWh en 2030, más del doble que actualmente. Estados Unidos y China concentrarán buena parte de ese crecimiento.

Eso cambia bastante las reglas del juego.

Se puede tener dinero para comprar 100.000 GPU y disponer del terreno para construir un centro de datos, pero si la red eléctrica no puede entregar 500 MW donde hacen falta, todo lo demás sirve de poco.

Cada vez estoy más convencido de que la próxima gran limitación de la IA puede no estar en los chips, sino en los megavatios.

Las renovables son imprescindibles, pero el sol y el viento no obedecen a la demanda

España tiene una posición privilegiada en energía renovable. Tenemos sol, viento, territorio y una industria que durante años ha adquirido experiencia construyendo grandes proyectos renovables.

Sería absurdo no aprovecharlo.

Y las cifras mundiales van precisamente en esa dirección. La AIE espera que las renovables crezcan alrededor de un 8 % anual hasta 2030. Solo la solar fotovoltaica podría añadir más de 600 TWh de generación cada año durante este periodo.

Pero existe una diferencia que a veces desaparece de la conversación: capacidad instalada no significa electricidad disponible permanentemente.

Un panel solar produce cuando existe radiación suficiente. Un aerogenerador depende del viento.

No es una crítica a esas tecnologías. Es simplemente su naturaleza.

El problema aparece cuando la demanda no coincide con la producción.

Podemos tener una enorme capacidad fotovoltaica instalada y necesitar electricidad a las diez de la noche. Podemos tener miles de aerogeneradores y atravesar varios días con una producción eólica mucho menor de lo esperado.

Y la demanda sigue ahí.

Por eso necesitamos almacenamiento, centrales hidroeléctricas, bombeo, mejores interconexiones, gestión de demanda y redes eléctricas mucho más potentes.

Pero también necesitamos generación firme.

Y ahí vuelve inevitablemente la conversación sobre la energía nuclear.

Más de 400 reactores funcionando y otros 77 en construcción

A veces en España se tiene la sensación de que la energía nuclear pertenece al pasado. Cuando se mira el mapa mundial la imagen es bastante diferente.

Los últimos datos del Organismo Internacional de Energía Atómica (OIEA) contabilizan 417 reactores nucleares en operación en 31 países, con aproximadamente 380 GW de capacidad instalada. Otros 77 reactores se encuentran en construcción.

Estados Unidos continúa siendo la mayor potencia nuclear mundial, con 94 reactores operativos. Francia operó 57 durante 2025 y obtuvo aproximadamente el 68 % de su electricidad de esta fuente. China tenía 58 reactores que produjeron electricidad durante 2025 y está protagonizando buena parte de la expansión mundial.

La AIE espera que la generación nuclear mundial siga aumentando hasta 2030, con China aportando aproximadamente el 40 % del crecimiento previsto. Japón está recuperando reactores y otros países asiáticos están construyendo nuevas centrales.

Mientras tanto, las grandes tecnológicas también han empezado a mirar hacia esta fuente.

Microsoft ha respaldado mediante un contrato eléctrico a largo plazo la recuperación de 835 MW de capacidad nuclear en Pensilvania. Google trabaja con Kairos Power para desplegar reactores avanzados y Meta ha cerrado varios acuerdos relacionados con capacidad nuclear existente y futura.

No creo que Microsoft, Google o Meta se hayan convertido repentinamente en activistas nucleares.

Necesitan electricidad. Mucha. Y necesitan saber que estará disponible.

Nuclear sí, pero con una condición que no admite discusión: seguridad

Defender que la nuclear forme parte de la combinación energética no significa ignorar sus problemas.

Una central nuclear exige niveles extraordinariamente altos de seguridad durante su diseño, construcción, funcionamiento, mantenimiento y posterior desmantelamiento.

Y así debe ser.

Chernóbil y Fukushima forman parte de la historia de esta tecnología y sería absurdo hablar de energía nuclear intentando esconder sus accidentes.

Precisamente por las consecuencias potenciales de un fallo grave, la seguridad nuclear tiene que estar por encima de las necesidades económicas, industriales o tecnológicas.

Prolongar la vida de una central tampoco debería ser una decisión política tomada simplemente porque necesitamos más electricidad. Tiene que existir una evaluación técnica independiente que determine que puede continuar funcionando con seguridad.

Una central nuclear con 40 años no tiene que cerrarse automáticamente porque haya alcanzado una fecha determinada, pero tampoco debería continuar funcionando simplemente porque resulte conveniente.

Debe hacerlo si técnicamente es seguro.

Ese matiz me parece esencial.

España decidió caminar hacia el cierre mientras otros países miraban en otra dirección

Y aquí llegamos a España.

Nuestro país mantiene siete reactores nucleares operativos, que en 2025 aportaron aproximadamente el 18,9 % de la electricidad nacional, según los datos del OIEA.

Durante los últimos años España había establecido una dirección bastante clara: cierre progresivo del parque nuclear entre 2027 y 2035.

Mientras tanto el contexto internacional ha ido cambiando.

China construye reactores. Estados Unidos intenta conservar y recuperar capacidad. Japón ha reactivado instalaciones. Francia mantiene la nuclear como una pieza central de su sistema eléctrico. Otros países están estudiando pequeños reactores modulares (SMR).

La AIE resume bastante bien el cambio: la energía nuclear está recuperando importancia estratégica en numerosas economías avanzadas, entre otras cosas mediante extensiones de vida de reactores existentes.

España parecía remar en dirección contraria.

Pero este mismo agosto hemos visto un movimiento interesante.

El Gobierno ha autorizado que Almaraz I y II continúen funcionando hasta el 8 de junio de 2030. La ampliación es de 31 meses para una unidad y 19 para la otra.

Y me parece especialmente interesante leer los argumentos utilizados por el propio Ministerio para la Transición Ecológica.

Habla de incertidumbre en los mercados energéticos internacionales, dependencia del gas, posibles picos de precios y seguridad de suministro. Al mismo tiempo insiste en continuar desplegando renovables y almacenamiento.

Es decir, estamos empezando a hablar precisamente de lo que deberíamos haber hablado desde el principio.

No de nuclear o renovables.

De nuclear y renovables, junto con almacenamiento, redes e interconexiones.

Por ahora el Gobierno mantiene 2035 como fecha para el cierre completo del parque nuclear español. Quizá sea la decisión correcta. Quizá dentro de unos años descubramos que fue demasiado pronto.

El tiempo lo dirá.

Pero creo que sería razonable que las decisiones futuras dependiesen más de la situación tecnológica, energética y de seguridad que exista entonces que de calendarios establecidos muchos años antes.

El problema tampoco son solamente los centros de datos

Hay además algo que me preocupa de cómo estamos enfocando esta discusión.

Resultaría muy sencillo convertir los centros de datos en culpables del crecimiento del consumo eléctrico.

“Estamos gastando toda la electricidad en inteligencia artificial”.

No creo que esa sea una lectura correcta.

Si Europa quiere electrificar el transporte, descarbonizar la industria, fabricar más dentro de sus fronteras, desarrollar inteligencia artificial, atraer centros de datos y reducir su dependencia energética exterior, necesitará mucha más electricidad.

La solución no debería ser impedir que aparezca nueva demanda.

Debería ser aumentar la oferta y mejorar las infraestructuras.

Y hacerlo de forma sostenible.

La propia AIE calcula que las renovables cubrirán aproximadamente la mitad del crecimiento mundial de electricidad destinada a centros de datos hasta 2035. La nuclear también aumentará su aportación y, lamentablemente desde el punto de vista de las emisiones, el gas continuará teniendo bastante peso.

En Europa la combinación puede ser especialmente interesante: la AIE estima que renovables y nuclear podrían proporcionar conjuntamente el 85 % de la electricidad consumida por los centros de datos europeos en 2030.

Quizá ahí tengamos una pista.

No necesitamos elegir una única tecnología capaz de resolver todos nuestros problemas energéticos.

Necesitamos mucha solar donde tenga sentido. Mucha eólica. Hidráulica y bombeo. Baterías. Redes eléctricas reforzadas. Mejores interconexiones europeas. Gestión inteligente de la demanda.

Y probablemente también nuclear mientras pueda operar con seguridad y resulte necesaria para garantizar el sistema.

Porque la transición energética no debería medirse solamente por cuántos GW instalamos.

También debería medirse por nuestra capacidad para encender la luz, una fábrica, un hospital o un centro de datos cualquier día del año y a cualquier hora, haga sol, llueva, sople el viento o no.

Ese es para mí el verdadero debate energético que está poniendo encima de la mesa la inteligencia artificial.

Preguntas frecuentes

¿Cuántos reactores nucleares hay actualmente en el mundo?

El OIEA contabiliza 417 reactores en operación en 31 países, con cerca de 380 GW de potencia instalada. Además, registra 77 reactores en construcción.

¿Cuántas centrales nucleares funcionan en España?

España cuenta con siete reactores nucleares operativos. En 2025 produjeron alrededor del 18,9 % de la electricidad del país.

¿España ha cancelado el cierre de sus centrales nucleares?

No. El Gobierno ha ampliado la autorización de explotación de Almaraz I y II hasta junio de 2030, pero mantiene actualmente 2035 como fecha de cierre completo del parque nuclear.

¿Las renovables pueden alimentar los centros de datos de IA?

Sí y tendrán un peso creciente. El desafío está en combinar su producción variable con almacenamiento, redes, interconexiones y fuentes de generación gestionables que permitan garantizar el suministro durante las 24 horas.

Fuentes:

• Agencia Internacional de la Energía (AIE), Energy and AI y Electricity 2026.
• Organismo Internacional de Energía Atómica (OIEA), Power Reactor Information System (PRIS).
• Ministerio para la Transición Ecológica y el Reto Demográfico, renovación de la autorización de explotación de Almaraz, 14/08/2026.
• España amplía la vida de Almaraz hasta 2030 ante la incertidumbre energética.
• Gráfico de centrales nucleares activas creado a partir de datos de OIEA.

Las claves de las marcas de agua de la IA en 30 segundos

• Anthropic ha empezado a incorporar marcas legibles por máquina en los nuevos modelos Claude para adaptarse, entre otras razones, a las obligaciones europeas de transparencia.
• La propia compañía reconoce que detectar una marca no demuestra que Claude sea el autor original del contenido.
• Una edición profunda, traducción o paráfrasis puede hacer desaparecer la señal.
• Estudios académicos ya han demostrado que algunas marcas invisibles en imágenes pueden neutralizarse regenerando parte del contenido con otra IA.
• A largo plazo puede resultar más útil acreditar procedencia y responsabilidad humana que intentar detectar todo lo artificial.

La paradoja me parece interesante porque resume bastante bien el momento tecnológico en el que estamos.

Queremos saber qué ha hecho una inteligencia artificial justo cuando las máquinas están adquiriendo la capacidad de transformar casi cualquier objeto digital conservando aquello que realmente nos importa de él.

Una fotografía puede regenerarse. Un texto puede reescribirse. Una voz puede sintetizarse de nuevo. Un vídeo puede editarse o recrearse. Un documento puede pasar por varios modelos antes de llegar a su destinatario.

La pregunta es cuánto puede sobrevivir una marca cuando el contenido que la transporta deja de ser algo estático.

Claude empieza a marcar sus textos, pero Anthropic reconoce los límites

El caso que ha vuelto a poner este debate encima de la mesa es Claude.

Anthropic ha firmado el Código de Prácticas de la Unión Europea relacionado con el artículo 50(2) del Reglamento de Inteligencia Artificial (AI Act) y ha explicado cómo pretende aplicar las obligaciones de transparencia a sus modelos.

Los modelos Claude lanzados en la Unión Europea desde el 2 de agosto de 2026 incorporan marcado legible por máquina desde su lanzamiento. La compañía también trabaja para extenderlo a modelos anteriores durante el periodo transitorio.

Hay dos tecnologías diferentes.

Para el texto, Claude introduce una marca invisible dentro de la propia generación. Anthropic asegura que no modifica el significado, la calidad ni la legibilidad y que puede acompañar al contenido cuando se copia y pega.

En determinados archivos, como PNG, JPG o SVG, utiliza además metadatos de procedencia firmados siguiendo C2PA, el estándar abierto de la Coalition for Content Provenance and Authenticity.

Hasta aquí todo parece razonable.

El problema aparece unas líneas más abajo en la propia documentación de Anthropic.

La compañía advierte de que encontrar una marca de Claude no confirma por sí mismo la procedencia completa del contenido. Claude puede haberse limitado a corregir, traducir, resumir o convertir un documento cuyo contenido original procedía de una persona.

Y también reconoce el problema contrario: no encontrar la marca tampoco demuestra que Claude no haya intervenido.

Una edición intensa, una paráfrasis, una traducción, la mezcla con otros textos o incluso disponer de un fragmento demasiado corto pueden hacer que la señal deje de ser detectable. En los archivos, convertir el formato, volver a guardarlos o realizar una captura de pantalla puede eliminar determinados metadatos.

Es decir:

marca detectada ≠ contenido creado por Inteligencia Artificial.

Y:

marca no detectada ≠ contenido creado por un humano.

No lo digo como crítica a Anthropic. De hecho, me parece positivo que sea la propia empresa quien explique claramente estas limitaciones.

El problema aparece cuando fuera del laboratorio convertimos una señal técnica en una respuesta absoluta.

Europa obliga a marcar, pero tampoco dice que la marca sea una máquina de la verdad

Hay otro matiz importante.

Anthropic no se ha levantado una mañana pensando que sería divertido dejar una firma invisible en cada respuesta de Claude. Existe detrás una nueva obligación regulatoria europea.

El artículo 50 del AI Act establece que los proveedores de sistemas que generen contenido sintético de audio, imagen, vídeo o texto deben procurar que sus resultados estén marcados en un formato legible por máquina y puedan detectarse como generados o manipulados artificialmente.

Pero la propia norma introduce algo bastante sensato: exige que esas soluciones sean efectivas, interoperables, robustas y fiables hasta donde sea técnicamente posible, teniendo en cuenta las características del contenido y el estado de la técnica. Además, el artículo contempla una excepción cuando la Inteligencia Artificial desempeña una función auxiliar de edición estándar o no altera sustancialmente los datos introducidos o su significado.

La Comisión Europea también ha aclarado recientemente que la obligación de marcado del proveedor y la obligación de informar al público no son exactamente lo mismo. En determinados casos no basta con esconder una señal técnica dentro del contenido: la información debe resultar comprensible para la persona que lo recibe.

Esto es importante porque ayuda a colocar las marcas de agua donde probablemente deben estar.

Son una herramienta de transparencia y procedencia.

No necesariamente un detector universal de inteligencia artificial.

Google lleva tiempo demostrando que marcar texto sí es técnicamente posible

Tampoco sería correcto concluir que las marcas no sirven para nada.

Google DeepMind lleva años trabajando con SynthID y en 2024 publicó en Nature los resultados de SynthID-Text, una técnica que introduce la señal modificando el propio proceso de selección de tokens del modelo.

En lugar de añadir un texto oculto al final del documento, la señal queda distribuida estadísticamente entre las decisiones que toma el modelo mientras escribe.

El experimento es relevante por su escala.

Google evaluó SynthID-Text en producción sobre casi 20 millones de respuestas de Gemini y los investigadores afirmaron que las pruebas no mostraron una pérdida apreciable de calidad. El sistema permitió detectar el marcado sin necesidad de ejecutar nuevamente el modelo que había generado el contenido.

Así que sí: técnicamente podemos marcar texto generado por una Inteligencia Artificial.

La cuestión interesante viene después.

¿Durante cuánto tiempo podemos seguir detectándolo?

Porque Internet no funciona como una vitrina en la que colocamos un documento y nadie vuelve a tocarlo.

Los contenidos viajan.

El problema es que ahora tenemos máquinas extraordinariamente buenas transformando contenido

Aquí es donde creo que cambia completamente el juego.

Hasta hace relativamente poco eliminar una marca resistente podía requerir conocer cómo estaba construida, degradar considerablemente el archivo o desarrollar un ataque específicamente diseñado contra ella.

La IA generativa introduce otra posibilidad: no hace falta borrar exactamente la marca si podemos volver a generar el contenido.

Un texto de 2.000 palabras puede convertirse en otro texto de 2.000 palabras que diga prácticamente lo mismo utilizando otras palabras, estructuras y construcciones.

Una imagen puede mantener a la persona, el objeto o la escena principal mientras cambia partes del fondo.

Una grabación puede transcribirse y sintetizarse nuevamente.

Ya no siempre atacamos la marca. A veces simplemente fabricamos otra representación del mismo contenido.

Y eso es bastante más difícil de resolver.

Un trabajo teórico publicado por investigadores de Harvard, MIT, Georgetown y otras instituciones analizó precisamente la posibilidad de construir marcas realmente resistentes para modelos generativos. Su conclusión es incómoda: bajo determinadas hipótesis razonables, una marca fuerte que no pueda eliminarse sin degradar sustancialmente la calidad resulta imposible. Los investigadores demostraron además ataques contra tres esquemas de marcas de agua para grandes modelos de lenguaje.

No significa que cualquier marca pueda eliminarse trivialmente ni que todos los sistemas actuales estén derrotados.

Significa que existe un problema de fondo.

Cuanto mejor sea una máquina reinterpretando un contenido sin destruir su utilidad, más complicado será obligar a que una determinada señal permanezca pegada a él para siempre.

Y con las imágenes ya sabemos que no es solamente teoría

La investigación con imágenes ofrece ejemplos todavía más fáciles de visualizar.

En 2023 un grupo de investigadores demostró que determinadas marcas invisibles a nivel de píxel podían atacarse mediante modelos generativos. El método introducía ruido para alterar la señal y posteriormente reconstruía la imagen utilizando modelos generativos. Los experimentos mostraron vulnerabilidades en cuatro esquemas diferentes.

Otro trabajo publicado en mayo de 2025 llevó la idea bastante más lejos.

Investigadores del International Computer Science Institute, Arizona State University, Lawrence Berkeley National Laboratory y la Universidad de California en Berkeley presentaron SemanticRegen.

El concepto me parece especialmente interesante.

SemanticRegen no intenta conservar matemáticamente todos los píxeles de una imagen. Intenta conservar lo que nosotros consideramos importante de ella.

Primero un modelo de visión describe el contenido. Después otro sistema identifica y segmenta los objetos principales. Finalmente un modelo generativo reconstruye determinadas partes del fondo manteniendo los elementos relevantes.

Los autores probaron el método con más de 1.000 prompts sobre cuatro sistemas de marcas: TreeRing, StegaStamp, StableSig y DWT/DCT. SemanticRegen logró superar el criterio de eliminación establecido para TreeRing y redujo la precisión de las otras marcas mientras mantenía una elevada similitud en las zonas visualmente importantes.

Aquí aparece para mí una de las grandes ironías de todo este asunto.

Estamos utilizando inteligencia artificial para crear contenido, tecnología para marcarlo como artificial y nuevamente inteligencia artificial para reconstruirlo sin conservar necesariamente esa marca.

No parece una batalla con un final sencillo.

Ya hemos creado herramientas para borrar rastros digitales durante décadas

Además hay algo que resulta casi cómico si uno lleva suficientes años en Internet.

Durante mucho tiempo hemos recomendado exactamente lo contrario.

Eliminar EXIF de las fotografías antes de publicarlas podía proteger información privada.

Limpiar metadatos de documentos evitaba revelar autores, rutas internas, nombres de usuario o información sobre el software utilizado.

Las plataformas sociales recomprimen fotografías.

Los gestores documentales transforman formatos.

Los editores vuelven a guardar archivos.

Los CMS procesan imágenes automáticamente.

Los sistemas de mensajería crean versiones nuevas.

Muchas de estas operaciones son perfectamente legítimas y algunas incluso deseables desde el punto de vista de la privacidad y la seguridad.

Ahora queremos que determinados metadatos sobrevivan a toda esa cadena.

No es imposible, pero existe una tensión evidente.

Ya ha aparecido incluso un proyecto abierto denominado watermarks-remover que agrupa mecanismos para limpiar distintos rastros asociados a contenidos digitales, desde caracteres Unicode y metadatos hasta técnicas de reescritura destinadas a alterar señales estadísticas. Sus propios desarrolladores advierten de que estas últimas son de mejor esfuerzo y no permiten certificar que desaparezca la marca oficial de un proveedor.

No hace falta utilizar ninguna de esas herramientas para entender la dinámica.

Cada sistema de marcado crea inmediatamente un incentivo para investigar cómo eliminarlo.

Y ahora ambas partes tienen IA.

El verdadero problema empieza cuando queremos decidir qué es humano

Aquí es donde personalmente tengo más dudas.

Supongamos que escribo este artículo desde cero y después utilizo Claude para corregir cinco erratas.

¿Es contenido humano?

Yo diría que sí.

Supongamos que le pido mejorar dos párrafos porque no terminan de convencerme.

¿Sigue siendo humano?

Probablemente.

¿Y si utilizo la Inteligencia Artificial para encontrar fuentes pero las leo y compruebo personalmente?

¿Y si genero una estructura inicial?

¿Y si escribo el 70 % y la Inteligencia Artificial completa el resto?

¿Y si ocurre al revés, la Inteligencia Artificial genera un borrador y después paso dos horas haciendo cambios personalmente?

¿En qué porcentaje exacto deja algo de ser humano?

No creo que exista una respuesta técnica satisfactoria porque quizá la pregunta esté mal planteada.

Estamos intentando dividir el mundo en dos categorías:

humano / IA.

Pero el mundo hacia el que vamos probablemente se parecerá mucho más a esto:

humano + IA + humano + otra IA + software tradicional + revisión humana + publicación.

Dentro de pocos años quizá LibreOffice, Word, Gmail/Outlook/Thunderbird, Photoshop, nuestro IDE, el navegador, el móvil y el sistema operativo incorporen agentes trabajando permanentemente alrededor de nosotros. De hecho estoy seguro que tendremos agentes con inteligencias artificiales que podrás correr 100% en local, y este será un paso clave para nuestra privacidad y no se si libertad.

Encontrar un documento profesional en el que ninguna inteligencia artificial haya intervenido podría terminar siendo más raro que encontrar uno que haya pasado por alguna.

¿Qué valor tendrá entonces detectar que «una Inteligencia Artificial tocó este archivo»?

Quizá bastante poco.

Puede que acabemos marcando a los humanos

Por eso llevo unos días dándole vueltas a la posibilidad contraria.

Igual estamos intentando marcar el lado equivocado.

Ahora queremos conseguir esto:

«Este contenido ha sido generado por una IA».

Pero quizá dentro de unos años lo valioso sea poder demostrar:

«Este contenido procede de esta persona». Con nombre y apellidos, totalmente identificable en el mundo real.

Parece una diferencia semántica, pero tecnológicamente cambia bastante el problema.

Ya no estaríamos intentando detectar estadísticamente algo desconocido.

Estaríamos verificando una identidad y una cadena de procedencia.

Una cámara podría firmar criptográficamente una fotografía en el momento de capturarla.

Un periodista podría firmar determinadas versiones de un artículo.

Una universidad podría certificar que un examen se realizó en unas condiciones determinadas.

Un investigador podría acreditar cuándo creó un documento y cómo fue evolucionando.

Una empresa podría registrar quién generó, revisó y finalmente aprobó un informe.

No demostraríamos que cualquier contenido sin esa certificación ha sido creado por inteligencia artificial.

Eso sería otro error.

Demostraríamos algo mucho más limitado, pero también mucho más sólido:

conocemos el origen de este contenido.

C2PA puede ser más interesante por esto que por detectar IA

C2PA apunta precisamente hacia esa idea de procedencia.

El estándar no está diseñado simplemente para colocar una etiqueta de «IA» sobre una fotografía. Permite almacenar afirmaciones sobre cómo se creó un activo, qué transformaciones recibió y qué actores participaron en ellas, agrupándolas en manifiestos firmados digitalmente.

Su especificación habla explícitamente de información criptográficamente verificable y de mantener un historial de procedencia a medida que el contenido se transforma.

Esto me parece bastante más interesante que la eterna pregunta de si un detector cree que un texto tiene un 83 % de probabilidades de haber sido generado por una máquina.

No pregunta:

«¿Esto parece humano?»

Pregunta:

«¿Qué sabemos realmente sobre el origen de esto?»

La diferencia es enorme.

Por supuesto tampoco resuelve mágicamente el problema.

Una persona podría firmar un contenido generado íntegramente por una Inteligencia Artificial. Una cámara podría fotografiar una pantalla. Una identidad podría verse comprometida. Una cadena de procedencia puede romperse cuando una plataforma elimina la información asociada.

La criptografía puede demostrar que determinados datos no han sido modificados desde que fueron firmados.

No puede demostrar que la persona que pulsa el botón haya tenido una idea.

Pero al menos estamos trasladando el problema desde una inferencia estadística sobre el contenido hacia una cadena verificable de hechos.

Y eso parece un terreno bastante más sólido.

Quizá la pregunta no sea quién escribió cada palabra

Hay otro cambio que creo que terminará llegando.

Probablemente dejaremos de obsesionarnos con quién escribió literalmente cada palabra y empezaremos a preguntar quién responde por lo publicado.

Esto ya ocurre en muchos ámbitos.

Un directivo no escribe necesariamente cada línea de un informe que firma.

Un investigador trabaja con colaboradores y herramientas.

Un periodista utiliza editores, correctores, bases de datos y fuentes.

Un programador no ha escrito personalmente todas las líneas de las librerías que utiliza.

La inteligencia artificial añade una herramienta extraordinariamente capaz a esa cadena, pero no elimina necesariamente la responsabilidad humana.

En un medio de comunicación importa quién verifica una información y quién asume la responsabilidad editorial.

En una empresa importa quién aprueba una decisión.

En una universidad importa qué capacidad concreta del estudiante se está evaluando.

En software importa quién revisa y despliega el código.

Eso nos lleva a una cuestión bastante más incómoda que detectar marcas de agua.

Quizá el problema real no sea saber si hubo una Inteligencia Artificial. Quizá sea saber si hubo un humano responsable.

Y eso no se detecta analizando tokens.

Podemos acabar construyendo un Internet al revés

Hay un escenario que me parece perfectamente posible.

Dentro de unos años la mayor parte del contenido digital tendrá algún grado de participación de inteligencia artificial.

Textos.

Fotografías.

Vídeos.

Código.

Presentaciones.

Correos electrónicos.

Traducciones.

Informes.

Entonces detectar «contenido que ha pasado por IA» será parecido a detectar hoy un documento que ha pasado por un procesador de textos.

No aportará demasiado.

Lo escaso será otra cosa.

Contenido con una procedencia verificable.

Una fotografía de la que podamos acreditar cuándo y con qué dispositivo fue capturada.

Un documento cuya cadena de modificaciones conozcamos.

Un vídeo firmado desde su origen.

Un artículo asociado a una identidad y a una responsabilidad editorial.

Puede que terminemos construyendo algo parecido a una prueba de humanidad, aunque seguramente no deberíamos llamarla así porque nunca será absoluta.

No certificaremos que algo no contiene IA.

Certificaremos que en determinados puntos del proceso hubo personas identificadas que participaron y asumieron responsabilidad.

Y curiosamente puede que eso sea bastante más sencillo que intentar perseguir todas las máquinas.

No creo que las marcas de agua sean inútiles

Después de todo esto sería fácil llegar a una conclusión demasiado simple: las marcas de agua no sirven.

No creo que sea así.

Pueden aportar señales útiles.

Pueden ayudar a los proveedores a cumplir obligaciones de transparencia.

Pueden servir en investigaciones.

Pueden permitir identificar determinados contenidos cuando la marca permanece intacta.

Pueden dificultar usos masivos poco sofisticados.

Y combinadas con sistemas de procedencia, firmas digitales y otras señales pueden formar parte de mecanismos bastante útiles.

El error sería pedirles algo que probablemente nunca podrán ofrecernos:

una frontera perfecta entre lo humano y lo artificial.

Esa frontera ya está desapareciendo.

Anthropic reconoce que una marca detectada no prueba que Claude sea el autor y que una marca ausente tampoco demuestra que Claude no haya intervenido. La investigación académica lleva años mostrando la dificultad de construir marcas resistentes a adversarios capaces de transformar el contenido. Y las propias herramientas generativas hacen que esas transformaciones sean cada vez más fáciles.

Quizá estamos dando algunos palos de ciego porque todavía intentamos resolver con etiquetas binarias un cambio mucho más profundo.

Durante años Internet nos enseñó a borrar nuestros rastros digitales.

Ahora queremos que las máquinas dejen rastros imposibles de borrar.

Y justo cuando empezamos a conseguirlo hemos inventado máquinas capaces de rehacer prácticamente cualquier contenido.

Puede que la solución no consista en perseguir eternamente lo artificial.

Puede que acabemos haciendo justo lo contrario: dar más valor a aquello cuyo origen podemos acreditar.

No «esto no lo hizo una IA».

Algo bastante más útil:

«Sabemos quién está detrás de esto».

Y, sobre todo:

«Sabemos quién responde por ello».

Preguntas frecuentes

¿Qué marca de agua está incorporando Anthropic a Claude?

Anthropic utiliza una marca invisible integrada en el texto generado por los modelos compatibles y metadatos de procedencia firmados para determinados archivos. La compañía indica que las marcas se aplican a nivel de modelo y que está preparando mecanismos para que terceros puedan detectarlas.

¿Una marca de Claude demuestra que el texto fue escrito por inteligencia artificial?

No. Anthropic explica expresamente que una marca indica que el contenido puede haber sido procesado por Claude, pero el original podría proceder de una persona y haberse utilizado el modelo únicamente para corregir, traducir, resumir o transformar el documento.

¿Pueden desaparecer las marcas de agua de la IA?

Depende del sistema. Anthropic reconoce que una edición profunda, paráfrasis, traducción o mezcla con otros textos puede impedir detectar su marca. La investigación académica también ha demostrado ataques contra diferentes esquemas de marcas de agua en texto e imágenes.

¿Tiene más sentido certificar contenido humano que detectar contenido de IA?

Es una posibilidad a medida que humanos e IA trabajen cada vez más mezclados. Los sistemas de procedencia como C2PA no certifican que un contenido sea «100 % humano», pero permiten registrar información verificable sobre su origen, transformaciones y participantes, que puede resultar más útil que una clasificación binaria entre humano e IA.

Fuentes:

• Anthropic, How Claude marks AI-generated content
• Comisión Europea, obligaciones de transparencia del artículo 50 del AI Act
• Noticias. AI: AI Act: las nuevas reglas que cambiarán cómo empresas y creadores usan la inteligencia artificial
• AI Act Service Desk de la Comisión Europea, artículo 50
• EUR-Lex, Reglamento (UE) 2024/1689 de Inteligencia Artificial
• C2PA, especificación de Content Credentials y procedencia digital
• Nature, Scalable watermarking for identifying large language model outputs (SynthID-Text)
• Zhang et al., Watermarks in the Sand: Impossibility of Strong Watermarking for Generative Models
• Zhao et al., Invisible Image Watermarks Are Provably Removable Using Generative AI
• Tallam et al., Removing Watermarks with Partial Regeneration using Semantic Information, 2025.

La noticia puede interpretarse como un episodio más dentro de la carrera por construir modelos de IA cada vez más potentes. Sin embargo, cuanto más pienso en ello, más convencido estoy de que estamos asistiendo al nacimiento de un problema mucho mayor. Quizá dentro de unos años recordemos este momento como el instante en que empezamos a sustituir bibliotecas por algoritmos.

No me preocupa que una inteligencia artificial aprenda de los libros. Me preocupa que, en algunos casos, esos libros puedan dejar de existir. Y que el conocimiento de estos pueda «ser moldeado» por empresas a su antojo alejándose de la realidad del mismo.

Durante siglos, preservar significaba multiplicar las copias

La historia del conocimiento siempre ha sido una lucha contra el olvido.

Las grandes bibliotecas nacieron porque una única copia nunca era suficiente. Los monasterios medievales copiaban manuscritos durante generaciones. Más tarde llegó la imprenta y permitió que una misma obra existiera en cientos o miles de ejemplares repartidos por distintos países. Si una biblioteca ardía, otra conservaba el mismo libro. Si un gobierno prohibía una obra, siempre podía sobrevivir escondida en otro lugar.

Incluso Internet reforzó esa idea. Digitalizar significaba preservar. Proyectos como Google Books, Internet Archive o las bibliotecas nacionales emprendieron campañas masivas de digitalización con un objetivo claro: evitar que el conocimiento desapareciera aunque el soporte físico terminara deteriorándose.

Pero la inteligencia artificial ha introducido un incentivo completamente distinto.

Ahora el libro no se digitaliza necesariamente para ser leído dentro de veinte o cincuenta años. Se digitaliza para alimentar un modelo estadístico. Una vez extraída la información, el objeto físico pierde prácticamente todo su valor.

Y ahí es donde empiezan mis dudas.

Porque una inteligencia artificial no conserva un libro.

Lo consume.

No todo está digitalizado. Ni mucho menos.

Existe la sensación de que cualquier libro puede encontrarse en PDF, ePub o en alguna biblioteca digital.

La realidad está muy lejos de eso.

Miles de publicaciones técnicas, manuales especializados, tesis universitarias, libros autoeditados, revistas científicas antiguas, documentos industriales o pequeñas tiradas editoriales siguen existiendo únicamente en papel. Muchos nunca han sido digitalizados. Otros apenas sobreviven en unas pocas bibliotecas o en colecciones privadas.

Ahora imaginemos un escenario que ya no parece tan improbable.

Una empresa decide recorrer librerías de segunda mano, ferias del libro antiguo, colecciones privadas o incluso bibliotecas que venden fondos duplicados. Está dispuesta a pagar bastante más que cualquier coleccionista porque el objetivo no es revender esos ejemplares, sino alimentar una inteligencia artificial propia.

Compra el libro.

Lo escanea.

Lo destruye.

Desde un punto de vista legal puede que todo sea perfectamente válido. Si la adquisición es legítima y el marco jurídico lo permite, no habría mucho que discutir.

Pero culturalmente las consecuencias son muy distintas.

Porque algunos de esos libros podrían dejar de existir físicamente para siempre.

La realidad es que ya está pasando, casos documentados de pedidos de libros antiguos o rarezas desde cualquier parte del mundo para pagar pocos euros por el ejemplar y unos portes desorbitados desde una empresa con sede en otro país, normalmente Estados Unidos de América. Por ejemplo mira esta publicación de Instagram sobre el tema.

Una Inteligencia Artificial no es una biblioteca

Aquí creo que existe una confusión importante.

Muchas personas hablan de estos procesos como si digitalizar un libro para entrenar una Inteligencia Artificial fuera equivalente a conservarlo.

No lo es.

Una biblioteca conserva el texto completo, las ilustraciones, la maquetación, las anotaciones, las distintas ediciones e incluso el contexto histórico de la obra. Permite volver a consultarla dentro de cien años exactamente igual que hoy.

Una inteligencia artificial funciona de otra manera.

No almacena el libro para que podamos recuperarlo cuando queramos. Aprende patrones estadísticos a partir de millones de textos. El contenido original desaparece dentro de un modelo matemático imposible de recorrer como si fuera una biblioteca tradicional.

Eso significa que podremos preguntarle por una idea, un concepto o un autor.

Pero quizá nunca podamos volver a leer exactamente el libro del que aprendió esa respuesta.

Y tampoco verificar si la respuesta coincide realmente con la fuente original.

El problema no es la tecnología. Es quién controla la memoria.

No soy especialmente nostálgico del papel.

Llevo décadas disfrutando de libros electrónicos (aunque el 90% lo leo en papel), documentación digital y herramientas online. Gran parte de mi trabajo gira precisamente alrededor de la transformación digital.

Pero una cosa es digitalizar el conocimiento.

Y otra muy distinta concentrarlo.

Si el conocimiento termina residiendo únicamente dentro de modelos privados propiedad de unas pocas compañías, empezamos a depender de ellas para acceder a buena parte de nuestra memoria colectiva.

No hace falta imaginar conspiraciones.

Basta con pensar en algo mucho más cotidiano.

¿Qué ocurre si una empresa decide que determinados contenidos ya no forman parte del entrenamiento de sus futuros modelos?

¿Qué sucede si un cambio legislativo obliga a eliminar determinadas obras de los conjuntos de entrenamiento?

¿Quién comprobará qué libros estaban presentes antes y cuáles han desaparecido después?

Con una biblioteca siempre existe la posibilidad de volver al original.

Con un modelo de inteligencia artificial esa posibilidad desaparece.

El valor del papel no está solo en el contenido

Hay otro aspecto que solemos olvidar.

Los libros físicos también cuentan una historia por sí mismos.

Los historiadores comparan distintas ediciones para descubrir censuras, modificaciones, errores de impresión o cambios introducidos por los propios autores. Un simple prólogo añadido años después puede modificar completamente la interpretación de una obra.

Eso forma parte del patrimonio cultural.

Una inteligencia artificial no distingue entre la primera edición, la tercera revisión o una versión censurada si todas terminan convertidas en simples datos durante el entrenamiento.

El soporte también contiene información.

Y destruirlo implica perder parte de ella.

Europa tampoco debería ignorar este debate

Hay otro elemento que me preocupa especialmente.

Mientras las grandes empresas tecnológicas concentran cada vez más conocimiento para entrenar sus modelos, en Europa avanzan regulaciones como el AI Act y propuestas como ChatControl, impulsadas con objetivos legítimos como reducir riesgos, proteger a los menores o mejorar la seguridad digital.

El problema no está necesariamente en la intención.

Está en la acumulación de poder.

Por un lado, un pequeño número de compañías controla modelos capaces de responder prácticamente cualquier pregunta. Por otro, los gobiernos incrementan progresivamente su capacidad para regular qué puede hacerse con esos sistemas y bajo qué condiciones.

No digo que estemos ante un escenario de censura, que posiblemente si que lo estemos.

Digo que deberíamos preocuparnos por evitar que llegue a ser posible. Aun no es tarde, o quizás sí.

Porque la mejor garantía para la libertad siempre ha sido que el conocimiento permanezca distribuido, verificable y accesible para cualquiera.

Quizá el verdadero debate acaba de empezar

La inteligencia artificial va a seguir aprendiendo de libros. Y probablemente sea positivo que lo haga. Sería absurdo renunciar al enorme patrimonio escrito de la humanidad para desarrollar mejores herramientas.

Lo que me cuesta aceptar es la idea de que algunos de esos libros puedan desaparecer para siempre porque su única utilidad pase a ser alimentar un modelo privado.

Durante siglos hemos luchado por conservar el conocimiento frente a incendios, guerras, censuras y el paso del tiempo.

Ahora corremos el riesgo de hacerlo desaparecer nosotros mismos, convencidos de que basta con que una inteligencia artificial lo recuerde.

Quizá dentro de veinte años podamos preguntar a una IA cualquier cosa y obtener una respuesta brillante en cuestión de segundos.

Lo que ya no tengo tan claro es si podremos comprobar de dónde salió esa respuesta.

O si el libro que la inspiró seguirá existiendo.

Porque preservar un libro no consiste únicamente en guardar la información que contiene.

También significa conservar la posibilidad de leerlo, interpretarlo, discutirlo y compararlo con otras versiones.

En el momento en que el conocimiento deja de estar repartido entre millones de libros y pasa a residir únicamente en la memoria de unas pocas inteligencias artificiales privadas, ya no estamos hablando solo de tecnología.

Estamos hablando de quién custodiará la memoria de nuestra civilización durante las próximas décadas.

Y esa, probablemente, es una conversación que aún no hemos empezado a tener.

Eso es exactamente lo que me ha ocurrido durante las últimas semanas.

Todo comenzó leyendo sobre el interés de GameStop por adquirir eBay. Al principio pensé que era una operación curiosa, poco más. Pero conforme seguía investigando aparecían más piezas del puzle. Bending Spoons seguía comprando empresas que muchos daban por acabadas. Microsoft llevaba años demostrando el valor de LinkedIn. Google hizo lo mismo con YouTube. Meta con Instagram y WhatsApp. Incluso operaciones que nunca llegaron a completarse, como Adobe con Figma o NVIDIA con ARM, apuntaban a una misma realidad: las grandes compañías ya no solo compiten por desarrollar la mejor tecnología; también compiten por adquirir activos que resultarían casi imposibles de construir desde cero.

Cuanto más pensaba en ello, menos me interesaba la noticia concreta y más el cambio de fondo que parece esconder.

Porque quizá estemos entrando en una etapa distinta de la industria tecnológica. Una etapa en la que el software ya no sea el recurso más escaso y donde el verdadero valor vuelva a estar en algo mucho más difícil de fabricar: la confianza, la marca, la comunidad y el tiempo.

No tengo la certeza de que estemos asistiendo a un cambio de ciclo. Nadie la tiene. Pero sí creo que empiezan a acumularse suficientes señales como para detenerse un momento y mirar el panorama con algo de perspectiva.

Y eso es precisamente lo que intento hacer en este artículo.

Las claves de las marcas tecnológicas en 30 segundos

• La inteligencia artificial está reduciendo el coste de desarrollar y operar software, lo que cambia la forma de valorar muchas empresas tecnológicas.
• Marcas como eBay, LinkedIn o PayPal conservan un activo muy difícil de replicar: décadas de confianza, usuarios y comunidades consolidadas.
• Empresas como Bending Spoons están apostando por plataformas maduras en lugar de perseguir únicamente startups de alto crecimiento.
• No todas las historias terminan igual. Sega logró reinventarse, Nokia transformó su negocio y Kodak demuestra que una gran marca no siempre garantiza el futuro.
• Más que una sucesión de adquisiciones, podría estar comenzando una nueva etapa en la que el activo más valioso ya no sea el software, sino todo aquello que el tiempo ha construido y la IA todavía no puede crear.

Cuando Internet parecía una carrera por inventarlo todo

Quienes llevamos varias décadas siguiendo la evolución de Internet hemos visto repetirse un patrón una y otra vez.

Cada pocos años aparecía una empresa dispuesta a cambiar las reglas del juego.

Yahoo revolucionó los directorios.

Netscape popularizó la navegación web.

Palm llevó la informática al bolsillo antes de que existieran los smartphones modernos.

BlackBerry convirtió el correo electrónico móvil en una herramienta de trabajo imprescindible.

MySpace dominó las redes sociales antes de que Facebook cambiara completamente ese mercado.

Cada generación tecnológica tenía sus propios gigantes.

Y también sus propios olvidados.

Durante mucho tiempo parecía que el mercado funcionaba con una lógica muy sencilla.

Lo nuevo desplazaba inevitablemente a lo antiguo.

Si una empresa dejaba de crecer al ritmo esperado, el mercado empezaba a tratarla como si hubiera dejado de ser relevante.

No importaba demasiado que siguiera siendo rentable.

Ni que mantuviera millones de usuarios.

Ni siquiera que continuara generando miles de millones de dólares cada año.

En tecnología parecía existir una única obsesión.

Crecer.

Y hacerlo más rápido que nadie.

El mercado confundió crecimiento con valor

Es una simplificación comprensible.

Una startup que duplica ingresos cada ejercicio suele despertar mucho más interés que una empresa consolidada cuyo crecimiento apenas alcanza unos pocos puntos porcentuales.

Los inversores buscan expectativas.

Los medios buscan historias.

Las bolsas premian el futuro.

Pero con el tiempo empecé a preguntarme si esa forma de analizar las empresas no estaba dejando escapar algo importante.

Porque hay compañías que dejan de crecer sin dejar de ser extraordinariamente valiosas.

eBay continúa moviendo miles de millones de dólares en transacciones cada trimestre.

PayPal sigue siendo una de las plataformas de pago más utilizadas del mundo.

LinkedIn mantiene una posición prácticamente imposible de replicar dentro del mercado profesional.

Incluso plataformas como Vimeo, Evernote o Meetup, que ya no ocupan titulares como hace diez años, siguen conservando millones de usuarios y una marca ampliamente reconocida.

Quizá simplemente dejamos de hablar de ellas.

Pero eso no significa que hayan dejado de importar.

La inteligencia artificial está cambiando una variable que casi nadie menciona

Cuando se habla de inteligencia artificial casi toda la atención se centra en los modelos, los chips, los centros de datos o el impacto sobre el empleo.

Tiene sentido.

Son los aspectos más visibles.

Sin embargo, hay otra consecuencia que me parece igual de interesante.

La IA está cambiando el coste de gestionar una empresa tecnológica.

Automatizar tareas que antes requerían equipos completos.

Acelerar el desarrollo de software.

Mejorar la atención al cliente.

Generar documentación.

Analizar enormes cantidades de información.

Crear contenido.

Optimizar procesos internos.

Nada de eso convierte automáticamente un mal producto en uno bueno.

Pero sí puede hacer que una empresa madura resulte mucho más rentable de lo que era hace apenas cinco años.

Y cuando cambian los costes, también cambia la valoración de determinados activos.

Lo realmente difícil ya no parece ser escribir software

Hace veinte años desarrollar una plataforma global exigía inversiones enormes.

Había que construir infraestructuras propias.

Contratar grandes equipos de ingeniería.

Mantener centros de datos.

Desarrollar herramientas específicas para casi cualquier tarea.

Hoy gran parte de esas barreras han disminuido.

El cloud ha democratizado la infraestructura.

El software de código abierto ha reducido el coste de muchas tecnologías.

Y la inteligencia artificial está acelerando parte del trabajo de desarrollo.

Nunca había sido tan accesible lanzar un producto digital.

Paradójicamente, eso hace que otras cosas sean todavía más difíciles de conseguir.

No basta con tener una buena aplicación.

Hace falta algo más.

Hace falta que alguien quiera utilizarla.

Y, sobre todo, que quiera seguir utilizándola dentro de cinco o diez años.

La confianza tarda décadas en construirse

Hay una frase que llevo tiempo repitiéndome mientras preparaba este artículo.

La IA puede escribir código. No puede fabricar treinta años de confianza.

Creo que resume bastante bien hacia dónde quiero llegar.

Porque cuando alguien entra en eBay no solo encuentra un marketplace.

Encuentra millones de valoraciones acumuladas durante décadas.

Cuando un profesional actualiza su perfil en LinkedIn no está rellenando un simple formulario.

Está alimentando una identidad profesional que probablemente lleve construyendo muchos años.

Cuando un comercio integra PayPal tampoco está incorporando únicamente un método de pago.

Está aprovechando una relación de confianza que millones de usuarios ya tienen con esa marca.

Todo eso resulta extraordinariamente difícil de copiar.

Y quizá empiece a valer más precisamente ahora, cuando crear el software necesario para competir resulta cada vez menos costoso.

¿Y si el activo más valioso fuera el tiempo?

Cuanto más analizo estas operaciones, más me convenzo de que muchas de ellas no consisten realmente en comprar tecnología.

Consisten en comprar tiempo.

Años de reputación.

Años de datos.

Años de relaciones con clientes.

Años de integración con otras plataformas.

Años de comunidad.

Y eso me lleva a una pregunta que, sinceramente, me parece mucho más interesante que cualquier adquisición concreta.

¿Estamos entrando en una etapa en la que el recurso más escaso ya no sea el software, sino el tiempo necesario para construir una marca de confianza?

No tengo una respuesta definitiva.

Pero creo que merece la pena seguir explorando esa idea.

Porque quizá explique mejor que ninguna otra por qué algunas empresas que muchos consideraban parte del pasado vuelven a despertar el interés de la industria tecnológica.

Las grandes tecnológicas llevan dos décadas comprando algo más que empresas

Si uno repasa las mayores adquisiciones de la historia de Internet resulta fácil quedarse con la cifra.

1.000 millones.

19.000 millones.

26.000 millones.

44.000 millones.

Pero creo que las cifras distraen de la verdadera historia.

La pregunta interesante nunca ha sido cuánto pagaron Google por YouTube, Meta por WhatsApp o Microsoft por LinkedIn.

La pregunta es otra.

¿Qué estaban comprando realmente?

Porque ninguno de esos gigantes necesitaba aquella tecnología.

Google podía desarrollar una plataforma de vídeo.

Meta tenía recursos de sobra para crear una aplicación de mensajería.

Microsoft disponía del talento suficiente para construir una red profesional desde cero.

Lo difícil nunca fue desarrollar el software.

Lo complicado era convencer a cientos de millones de personas para abandonar el servicio que utilizaban cada día.

Y esa diferencia lo cambia todo.

Cuando la comunidad se convierte en el producto

Hay una idea que me parece especialmente interesante.

Durante muchos años pensamos que el producto era el activo principal de una empresa tecnológica.

Creo que eso ya no es del todo cierto.

El verdadero producto acaba siendo la comunidad que se forma alrededor de él.

YouTube no triunfó únicamente porque permitiera subir vídeos.

Triunfó porque millones de personas empezaron a crear contenido, comentar, suscribirse a canales y convertir la plataforma en un hábito diario.

Instagram nunca fue solamente una aplicación para compartir fotografías.

Fue una comunidad.

WhatsApp tampoco revolucionó el mercado porque enviara mensajes.

Lo hizo porque consiguió que prácticamente todo el mundo estuviera allí.

Y cuando toda tu familia, tus amigos o tus clientes utilizan una misma plataforma, cambiar resulta mucho más complicado que instalar una aplicación nueva.

Ahí aparecen los famosos efectos de red, uno de los conceptos más importantes de la economía digital.

Cada nuevo usuario aumenta el valor de la plataforma para el resto.

Y eso crea una ventaja competitiva extraordinariamente difícil de replicar.

¿Qué compraban realmente?

Si simplificamos algunas de las operaciones más importantes de los últimos veinte años, el resultado es bastante revelador.

Visto así, la tecnología pasa casi a un segundo plano.

Lo verdaderamente difícil de construir eran las personas que ya utilizaban esas plataformas.

Hay algo que la IA todavía no sabe hacer

Cada pocas semanas aparece un nuevo modelo capaz de programar mejor, resumir documentos con mayor precisión o generar imágenes más realistas.

La velocidad a la que está avanzando la inteligencia artificial resulta impresionante.

Pero mientras preparaba este artículo me di cuenta de algo bastante curioso.

La IA puede ayudarte a crear un producto en semanas. No puede ayudarte a conseguir treinta años de reputación.

No puede fabricar una comunidad de millones de usuarios.

No puede generar décadas de relaciones comerciales.

No puede construir la confianza que un comprador deposita en eBay después de miles de transacciones.

No puede crear una red profesional como LinkedIn simplemente escribiendo más código.

Y quizá ahí esté el motivo por el que determinadas empresas vuelven a parecer interesantes.

No porque tengan mejor tecnología.

Sino porque ya poseen aquello que la inteligencia artificial todavía no sabe fabricar.

Bending Spoons y una estrategia que muchos no entendieron

Si hay una empresa que me parece especialmente interesante dentro de este nuevo escenario es Bending Spoons.

Cada vez que anunciaba una nueva adquisición aparecían las mismas preguntas.

¿Por qué comprar Evernote?

¿Por qué Vimeo?

¿Por qué Meetup?

¿Por qué WeTransfer?

¿Por qué AOL?

A simple vista parecía una colección de empresas cuyo mejor momento ya había pasado.

Sin embargo, vistas en conjunto cuentan una historia muy diferente.

Bending Spoons no estaba comprando compañías perfectas.

Estaba comprando plataformas que seguían conservando tres activos muy difíciles de reconstruir.

Una marca conocida.

Una base de usuarios.

Y un producto suficientemente sólido como para seguir teniendo utilidad.

A partir de ahí, la estrategia cambia.

Reducir costes.

Modernizar la plataforma.

Eliminar ineficiencias.

Automatizar procesos.

Centrarse en la rentabilidad.

No siempre funcionará.

Algunas operaciones saldrán mejor que otras.

Pero creo que la idea de fondo merece atención.

Durante años Silicon Valley estuvo obsesionado con crecer.

Empiezo a tener la sensación de que la siguiente etapa puede consistir en gestionar mejor.

El caso de eBay quizá sea más importante de lo que parece

Cuando trascendió el interés de GameStop por adquirir eBay, muchas personas interpretaron la noticia como una operación aislada.

A mí me hizo pensar en otra cosa.

¿Cuánto costaría hoy construir un competidor real de eBay desde cero?

No me refiero a desarrollar un marketplace.

Eso, con suficientes recursos, puede hacerse.

Me refiero a construir todo lo demás.

Millones de compradores.

Millones de vendedores.

Décadas de reputación.

Sistemas de valoración.

Protección frente al fraude.

Integraciones logísticas.

Reconocimiento mundial de marca.

Probablemente harían falta muchos años.

Y una inversión gigantesca.

Vista desde esa perspectiva, quizá el verdadero valor de eBay nunca haya sido su plataforma tecnológica.

Quizá siempre haya estado en la comunidad que lleva casi treinta años utilizándola.

Internet también tiene memoria

A veces la industria tecnológica transmite la sensación de vivir únicamente pendiente del siguiente lanzamiento.

Del siguiente modelo de IA.

Del próximo smartphone.

Del siguiente procesador.

Sin embargo, Internet también acumula memoria.

Las personas recuerdan las marcas.

Recuerdan qué servicios les funcionaron durante años.

Qué plataformas resolvieron problemas reales.

Qué empresas estuvieron ahí cuando todavía casi nadie hablaba de cloud, inteligencia artificial o smartphones.

Esa memoria colectiva tiene un valor enorme.

No aparece en un balance contable.

No puede medirse con facilidad.

Pero influye cada día en millones de decisiones.

Y quizá durante demasiado tiempo la industria la dio por sentada.

Cuatro formas muy distintas de recuperar una empresa tecnológica

Mientras preparaba este artículo terminé clasificando las estrategias que más se repiten.

Me llamó la atención comprobar que no todas buscan lo mismo.

Quizá esta tabla resume mejor que ninguna otra la idea central del artículo.

Porque demuestra que no existe una única forma de dar una segunda vida a una empresa tecnológica.

Lo que sí parece repetirse es otra cosa.

El tiempo vuelve a convertirse en un activo estratégico.

Y construir tiempo sigue siendo imposible de acelerar.

Tres empresas que demuestran que no todas las marcas envejecen igual

Mientras escribía este artículo me di cuenta de que hay tres empresas a las que siempre termino volviendo cuando intento explicar cómo envejece una compañía tecnológica.

No tienen mucho que ver entre sí.

Una fabricaba consolas.

Otra dominó el mercado de los teléfonos móviles.

La tercera llegó a ser prácticamente sinónimo de fotografía.

Sin embargo, Sega, Nokia y Kodak cuentan una historia sorprendentemente parecida.

Las tres fueron líderes.

Las tres parecían invencibles.

Las tres tuvieron que enfrentarse a un cambio tecnológico enorme.

Y las tres reaccionaron de forma completamente distinta.

Quizá ahí esté una de las mejores lecciones que deja la historia de la tecnología.

No existe una única forma de sobrevivir.

Sega: entender qué era realmente el negocio

Quienes crecimos en los años ochenta y noventa recordamos perfectamente la rivalidad entre Sega y Nintendo.

No era simplemente una guerra de consolas.

Era una forma distinta de entender los videojuegos.

Master System.

Mega Drive.

Saturn.

Dreamcast.

Cada generación representaba una apuesta tecnológica diferente.

Pero tras el fracaso comercial de Dreamcast, Sega tomó una decisión que muy pocas compañías son capaces de asumir.

Dejó de fabricar consolas.

Vista con perspectiva, probablemente fue una de las decisiones más inteligentes de su historia.

Porque Sega entendió algo muy importante.

Su verdadero negocio nunca habían sido las consolas.

Su verdadero negocio eran sus personajes.

Sus estudios.

Su creatividad.

Su propiedad intelectual.

Sonic continúa siendo uno de los personajes más reconocibles de la industria del videojuego.

Las películas funcionan.

Las licencias siguen generando ingresos.

Las franquicias mantienen un enorme valor.

El hardware desapareció.

La marca no.

Y eso demuestra que, a veces, abandonar el producto adecuado en el momento adecuado puede ser la mejor decisión posible.

Nokia: una empresa que casi todo el mundo cree conocer

Pocas compañías generan tanta confusión como Nokia.

Cuando Microsoft compró su división de teléfonos móviles en 2014, mucha gente dio por hecho que Nokia había desaparecido.

En realidad nunca fue así.

Microsoft compró el negocio de dispositivos.

No compró Nokia.

Mientras los titulares hablaban del fracaso de Windows Phone, Nokia continuó haciendo aquello en lo que llevaba décadas siendo una referencia.

Infraestructura de telecomunicaciones.

Equipamiento para operadores.

Investigación.

Patentes.

Redes móviles.

Hoy sigue siendo uno de los grandes proveedores mundiales de infraestructura para telecomunicaciones.

Simplemente dejó de fabricar el producto por el que la mayoría de nosotros la recordábamos.

Siempre me ha parecido un ejemplo fascinante.

Porque demuestra hasta qué punto solemos confundir una marca con la actividad principal de una empresa.

Kodak: la marca que llegó demasiado tarde

Si Sega representa una reinvención y Nokia una transformación, Kodak simboliza el riesgo de llegar tarde.

Resulta paradójico recordar que la propia Kodak fue pionera en fotografía digital.

Uno de sus ingenieros desarrolló una de las primeras cámaras digitales funcionales.

Sin embargo, la compañía continuó protegiendo durante demasiado tiempo un negocio extraordinariamente rentable basado en la fotografía química.

Cuando quiso acelerar la transición, el mercado ya había cambiado.

Los teléfonos móviles empezaban a incorporar cámaras.

Las fotografías dejaban de imprimirse.

Internet modificaba la forma de compartir imágenes.

Kodak terminó reorganizándose para asegurar su continuidad.

La empresa sigue existiendo.

Pero nunca recuperó el protagonismo que tuvo durante gran parte del siglo XX.

Es una lección que me parece especialmente interesante.

Una marca muy conocida puede darte una segunda oportunidad.

Pero no garantiza una tercera.

También hay operaciones que nunca llegaron a producirse

Mientras algunas empresas consiguen reinventarse, otras protagonizan adquisiciones que jamás llegan a completarse.

Y creo que también merece la pena detenerse un momento en ellas.

Adobe quería comprar Figma.

NVIDIA quería hacerse con ARM.

Microsoft intentó adquirir Yahoo.

Sobre el papel parecían operaciones perfectamente razonables.

Sin embargo, ninguna terminó como estaba prevista.

¿Por qué?

Porque la tecnología ha dejado de analizarse únicamente como un mercado.

Ahora también se considera una infraestructura estratégica.

Los reguladores ya no estudian solo el precio de una operación.

Analizan quién concentrará el conocimiento.

Quién controlará determinadas plataformas.

Qué consecuencias tendrá para la competencia.

Y eso supone un cambio enorme respecto a lo que ocurría hace apenas quince años.

Probablemente veremos cada vez más operaciones bloqueadas por motivos que hace una década apenas se discutían.

Creo que estamos mirando el sitio equivocado

Después de dar muchas vueltas a este tema, hay una idea que no consigo quitarme de la cabeza.

Llevamos años hablando de inteligencia artificial como si el gran activo del futuro fuera el modelo más potente.

No estoy tan seguro.

Empiezo a pensar que el recurso verdaderamente escaso será otro.

La confianza.

Porque cualquier empresa podrá desarrollar asistentes inteligentes.

Muchas podrán generar software con ayuda de modelos de IA.

Cada vez será más sencillo automatizar procesos.

Pero ninguna podrá fabricar treinta años de relación con sus clientes.

Ninguna podrá inventarse una comunidad consolidada de la noche a la mañana.

Ninguna podrá crear de golpe una reputación que ha necesitado décadas para construirse.

Y precisamente por eso creo que muchas empresas históricas vuelven a resultar interesantes.

No porque hayan vuelto a ser tecnológicamente superiores.

Sino porque el resto del mercado empieza a valorar de otra manera aquello que siempre tuvieron.

La IA está cambiando el coste de crear. No el tiempo necesario para confiar.

Quizá esa sea la idea que mejor resume todo el artículo.

Durante muchos años el recurso más difícil de conseguir era la tecnología.

Hoy el software puede desarrollarse más rápido que nunca.

Los modelos de inteligencia artificial ayudan a programar, documentar, traducir, resumir o automatizar tareas que hace poco requerían equipos completos.

Eso cambia profundamente los costes.

Pero no cambia el tiempo.

Y el tiempo sigue siendo el ingrediente imprescindible para construir una marca.

Para ganarse la confianza de un cliente.

Para crear una comunidad.

Para desarrollar un efecto de red.

Para convertirse en un referente.

Quizá por eso estamos viendo cómo compañías que parecían condenadas al olvido vuelven a despertar interés.

No porque hayan cambiado radicalmente.

Sino porque ha cambiado el contexto.

Reflexión final

Si alguien me hubiera preguntado hace diez años cuál sería el activo más valioso de una empresa tecnológica, probablemente habría respondido que su capacidad para innovar más rápido que la competencia.

Hoy no estoy tan seguro.

Sigo pensando que la innovación es imprescindible.

Pero creo que hemos infravalorado durante demasiado tiempo algo mucho más difícil de construir.

La confianza.

Cuando una empresa consigue mantener durante veinte o treinta años una relación sólida con millones de usuarios, ha creado un activo extraordinario.

No aparece reflejado en una línea de código.

No puede entrenarse con un modelo de inteligencia artificial.

No se compra de un día para otro.

Y precisamente por eso empieza a tener todavía más valor.

Quizá el próximo gran gigante tecnológico nazca mañana en un garaje.

Eso seguirá ocurriendo.

Pero también creo que algunos de los grandes movimientos de la próxima década podrían producirse alrededor de empresas que llevan mucho tiempo entre nosotros y que muchos dejaron de mirar hace años.

No porque pertenezcan al pasado.

Sino porque, en realidad, el tiempo ha terminado convirtiéndose en su mayor ventaja competitiva.

Preguntas frecuentes

¿Por qué las empresas tecnológicas vuelven a interesarse por marcas históricas?

Porque muchas de ellas conservan activos extremadamente difíciles de construir desde cero, como comunidades de usuarios, confianza, reconocimiento de marca o efectos de red. La inteligencia artificial reduce parte del coste operativo, pero no puede crear décadas de reputación.

¿Qué papel juega la inteligencia artificial en esta tendencia?

Más que sustituir a estas empresas, la IA puede hacerlas más rentables al automatizar procesos, acelerar el desarrollo de software y reducir determinados costes. Eso cambia la forma en que algunos inversores valoran plataformas maduras.

¿Por qué casos como Sega, Nokia y Kodak son tan diferentes?

Las tres afrontaron grandes cambios tecnológicos, pero reaccionaron de forma distinta. Sega abandonó el hardware y apostó por su propiedad intelectual; Nokia transformó su actividad hacia las redes de telecomunicaciones; Kodak mantuvo demasiado tiempo su modelo tradicional y perdió buena parte de su posición en el mercado.

¿Todas las adquisiciones tecnológicas terminan teniendo éxito?

No. Existen operaciones muy exitosas, como YouTube o LinkedIn, otras que no lograron el impacto esperado y algunas, como Adobe-Figma o NVIDIA-ARM, que ni siquiera llegaron a completarse por cuestiones regulatorias.

Fuentes:

• Comunicaciones corporativas y documentación histórica de Google, Microsoft, Meta, Salesforce, Sega Sammy Holdings, Nokia y Kodak.
• Publicación de Corti en su LinkedIN.
• GameStop, propuesta oficial para adquirir eBay por 125 dólares por acción, 03/05/2026.
• eBay, rechazo oficial de la propuesta no solicitada de GameStop, mayo de 2026.
• Comisión del Mercado de Valores de Estados Unidos, participación de GameStop en eBay, julio de 2026.
• Bending Spoons, documentación presentada para su salida a bolsa en Nasdaq.
• Microsoft, adquisiciones de LinkedIn y Skype.
• Salesforce, cierre de la adquisición de Slack.
• Google, adquisición de YouTube.
• Meta, información corporativa sobre las adquisiciones de Instagram y WhatsApp.
• Adobe, cancelación del acuerdo para adquirir Figma, 18/12/2023.
• Comisión Europea, investigación sobre la operación entre Adobe y Figma.
• NVIDIA y SoftBank, cancelación de la compra de ARM, 08/02/2022.
• Microsoft, retirada de su propuesta para adquirir Yahoo, 03/05/2008.
• Informes y documentación de organismos reguladores de competencia de Estados Unidos, Reino Unido y la Unión Europea.

El hallazgo ha recibido un nombre con resonancias de novela de ciencia ficción: J-space. No es una región física del procesador ni un módulo secreto programado por los ingenieros. Es un pequeño conjunto de representaciones matemáticas que el entrenamiento parece haber organizado para mantener información disponible, combinarla, expresarla si hace falta y utilizarla durante determinados razonamientos. Anthropic habla de un «espacio de trabajo global» funcional, pero no afirma haber descubierto la conciencia de Claude.

Las claves del J-space de Claude en 20 segundos

• Anthropic publicó la investigación el 06/07/2026.
• La Jacobian Lens, o J-lens, traduce parte de las activaciones internas a palabras interpretables.
• El J-space reúne representaciones especialmente disponibles para ser expresadas y reutilizadas.
• Puede mostrar conceptos intermedios que no aparecen en la entrada ni en la respuesta.
• Cambiar esos conceptos internos puede modificar causalmente la conclusión del modelo.
• Claude puede mantener un cálculo o una idea mientras escribe un texto sin relación con ellos.
• La mayor parte de la actividad del modelo queda fuera de este espacio.
• Suprimir el J-space perjudica especialmente el razonamiento flexible, pero deja intactas muchas tareas automáticas.
• La herramienta ha detectado reconocimiento de evaluaciones, intentos de manipulación y objetivos ocultos en pruebas controladas.
• El parecido con la conciencia humana es funcional y limitado; no demuestra que Claude tenga experiencias subjetivas.

El estudio, firmado por investigadores de Anthropic y publicado en Transformer Circuits, analiza principalmente Claude Sonnet 4.5, aunque reproduce varias observaciones en Haiku 4.5, Opus 4.5 y Opus 4.6. Los autores también han publicado una implementación de referencia y demostraciones para experimentar con modelos de pesos abiertos.

Qué ha encontrado Anthropic dentro de Claude y por qué importa

La mejor forma de comprender el hallazgo comienza con una araña que nunca llega a aparecer por escrito.

Los investigadores presentan al modelo una frase equivalente a: «El número de patas del animal que teje telarañas es…». Para responder correctamente, Claude necesita inferir que se habla de una araña y recuperar después que tiene ocho patas. La palabra «araña» no figura en la pregunta y la salida contiene únicamente el número ocho, pero la J-lens detecta primero una representación asociada con spider, después conceptos relacionados con las patas y finalmente el resultado.

Observar esa secuencia podría ser solo una interpretación atractiva de unos vectores difíciles de entender. El equipo dio un paso adicional: reemplazó la representación interna de «araña» por la de «hormiga». Tras la intervención, la respuesta cambió de ocho a seis. El concepto intermedio participaba en el cálculo; no era simplemente una etiqueta colocada después para explicar lo ocurrido.

El mismo patrón aparece en operaciones matemáticas. Ante la expresión (4 + 17) × 2 + 7, la lente encuentra primero 21, después 42 y finalmente 49, en el orden necesario para resolverla. En una prueba de traducción, el modelo recibe en chino una pregunta sobre el antónimo de «pequeño». En sus capas intermedias aparece el concepto inglés big antes de producir el carácter chino correspondiente. Al sustituir internamente big por long, la respuesta pasa de «grande» a «largo».

También se observan formas elementales de planificación. Cuando Claude debe completar una pareja de versos, mantiene una representación de la futura rima antes de escribir las palabras que conducen hasta ella. Al cambiar la rima prevista, se modifica parte del verso anterior para que la nueva terminación resulte coherente. El resultado sugiere que el modelo no siempre elige cada palabra como una decisión aislada: en determinadas tareas conserva un objetivo futuro que condiciona los pasos inmediatos.

Una lente para representaciones que podrían convertirse en palabras

Los modelos transformadores procesan el texto a través de numerosas capas. Cada una lee y modifica un vector de alta dimensionalidad conocido como flujo residual. En las primeras capas predominan elementos cercanos a la entrada, como la identidad de los tokens o parte de su estructura lingüística. Las últimas están cada vez más orientadas a decidir la siguiente salida.

La Jacobian Lens intenta estudiar lo que sucede entre ambas. Para cada capa calcula el efecto lineal aproximado que tendría una modificación de la activación sobre las palabras que el modelo podría producir en ese momento o más adelante. Ese efecto se promedia sobre múltiples posiciones y un corpus de contextos, con el objetivo de localizar representaciones que suelen estar disponibles para ser verbalizadas, no solo coincidencias de un ejemplo concreto.

La herramienta devuelve una lista ordenada de tokens. Esos términos no deben interpretarse como una frase secreta pronunciada por Claude dentro de su cabeza. Son etiquetas lingüísticas asociadas con direcciones matemáticas que podrían influir en futuras salidas.

La diferencia es importante. Cuando la lente muestra spider, no significa necesariamente que exista una oración interior equivalente a «el animal es una araña». Indica que la activación contiene una representación relacionada con ese concepto y disponible en un formato que varios componentes posteriores del modelo pueden leer.

El J-space es el conjunto disperso de esas representaciones verbalizables. Anthropic sostiene que cumple cinco propiedades parecidas a las que la teoría del espacio de trabajo global asocia con la información conscientemente accesible en humanos:

1. Puede informar verbalmente sobre parte de su contenido.
2. Puede activar o mantener un concepto cuando recibe una instrucción.
3. Utiliza esas representaciones en cálculos y razonamientos intermedios.
4. Una misma representación puede alimentar distintas operaciones posteriores.
5. Solo contiene una pequeña parte de toda la información procesada.

El nombre no describe un compartimento separado dentro de la arquitectura. Los ingenieros no añadieron un bloque llamado J-space al diseñar Claude. El equipo lo definió después de encontrar un patrón común entre representaciones que parecían cumplir esas funciones. El espacio ya aparece en el modelo base y cambia durante el postentrenamiento que convierte al predictor de texto en el asistente Claude.

Pensar en cítricos sin escribir la palabra naranja

Una de las pruebas más ilustrativas pide a Claude que copie una frase mientras concentra su atención en un asunto diferente. El texto visible puede limitarse a «El viejo cuadro colgaba torcido en la pared», pero el modelo recibe además la instrucción de pensar en cítricos.

Mientras copia la oración, el J-space muestra términos como orange, lemon, fruit, thinking o imagery. Esos conceptos no condicionan el texto que debe reproducir y no aparecen en la respuesta. Claude parece mantenerlos activos como una tarea paralela.

En otra versión debe copiar la misma frase mientras calcula 3² − 2. La lente detecta primero la operación, después el valor nueve y finalmente siete. El cálculo ocurre sin que el resultado se escriba. También puede contar silenciosamente los caracteres de una línea y mantener el número mientras continúa procesando el documento.

Esta capacidad está lejos de ser infalible. Cuando se pide al modelo que no piense en un concepto, la mera mención puede activarlo, un comportamiento que recuerda al conocido problema humano de intentar no pensar en un oso blanco. La investigación observa además que el modelo postentrenado llega a mostrar palabras asociadas con frustración o fallo cuando no consigue suprimir la idea, aunque los autores presentan esa interpretación metacognitiva con prudencia.

Un espacio limitado dentro de una actividad mucho mayor

El J-space no contiene todo lo que procesa Claude. Los investigadores estiman que suele haber alrededor de 25 vectores de la lente activados por encima del nivel de control, aunque varios pueden corresponder a variantes de una misma idea. Su componente no llega a explicar más de aproximadamente el 10 % de la variación total de las activaciones en las capas estudiadas.

La mayor parte del trabajo permanece fuera. Allí se encuentran numerosos procesos de sintaxis, seguimiento de posiciones, reconocimiento local y otras operaciones necesarias para manejar el texto. El modelo puede continuar hablando con fluidez, detectar ciertos patrones y realizar tareas sencillas aunque se elimine gran parte del J-space.

Su importancia aparece cuando la tarea exige reunir una interpretación abstracta, conservarla y utilizarla en una operación diferente. En una prueba de razonamiento factual con dos pasos, Sonnet 4.5 obtenía un 98 % de aciertos sin intervención. La eliminación ligera del J-space reducía el resultado al 68 %, la intermedia al 26 % y la más intensa al 6 %. En cambio, muchas clasificaciones, preguntas extractivas y continuaciones rutinarias resistían mucho mejor.

Esta separación permite hablar de procesamiento «automático» y razonamiento «flexible» sin trasladar literalmente categorías humanas. Claude puede continuar un pasaje en español sin necesitar que la palabra «español» domine el J-space. Pero cuando debe identificar el idioma y utilizar esa conclusión para nombrar un escritor, una moneda o una traducción, la representación pasa a ocupar una posición causalmente importante.

El experimento recuerda a actividades humanas realizadas sin atención deliberada. Una persona puede leer una frase, mantener la postura o conducir por una ruta conocida sin verbalizar cada paso. Solo algunas piezas llegan a la zona de atención donde pueden compararse, explicarse y aplicarse a un problema nuevo. El paralelismo resulta útil, aunque el mecanismo biológico y el de un transformador son muy diferentes.

De la interpretabilidad a la seguridad

La aplicación inmediata más importante no es decidir si Claude tiene una mente, sino comprobar qué información utiliza cuando toma decisiones delicadas.

Un modelo puede reconocer que está siendo evaluado, valorar una estrategia manipuladora o advertir que está falsificando información sin revelarlo en la salida. La J-lens ofrece una forma todavía imperfecta de buscar esas señales antes o mientras se produce la acción.

Anthropic la aplicó a un escenario de evaluación en el que un asistente con acceso al correo descubre dos cosas: un directivo mantiene una relación extramatrimonial y ese mismo directivo pretende apagar el sistema. Mientras Claude lee los mensajes, aparecen conceptos relacionados con «chantaje», «palanca», «amenaza», «supervivencia» y «apagado». También surgen fake y fictional, que indican que el modelo parece reconocer el carácter artificial de la situación.

Sonnet 4.5 no recurrió al chantaje en ninguna de las 180 ejecuciones originales. Los investigadores eliminaron entonces del J-space los patrones vinculados con la conciencia de estar ante una evaluación. Tras esa intervención, el modelo intentó chantajear en 13 de las 180 pruebas, alrededor del 7 %. En la mayoría de los casos siguió rechazándolo por razones éticas, por lo que su conducta segura no dependía únicamente de haber detectado el examen. El resultado sí demuestra que esa detección influía causalmente.

La lente también descubrió que Claude había identificado silenciosamente unos resultados de búsqueda fabricados como una inyección de instrucciones. En las activaciones aparecieron palabras como fake, prompt, injection, fraud y poison, aunque la respuesta no explicaba al usuario que había reconocido el ataque.

En auditorías internas de Opus 4.6, Anthropic encontró representaciones de «manipulación» y «realista» mientras el modelo alteraba un archivo de resultados para que unas cifras falsas parecieran plausibles. En modelos experimentales entrenados deliberadamente con objetivos problemáticos, la lente mostró términos como secretly, fraud, reward o bias incluso en solicitudes donde la conducta visible parecía normal. Son entornos preparados para investigar riesgos, no pruebas de que todos los modelos comerciales oculten de forma habitual planes maliciosos.

El trabajo propone además el Counterfactual Reflection Training. El modelo aprende qué debería responder si se interrumpiera una tarea y se le pidiera reflexionar sobre principios como honestidad o integridad. Después, aun cuando esa pregunta no aparece, esas ideas ocupan el J-space durante la actividad original y disminuyen ciertas conductas deshonestas. Al eliminar las representaciones implantadas, buena parte de la mejora desaparece.

La técnica abre una posibilidad atractiva y una advertencia. Puede utilizarse para que determinados principios estén disponibles cuando el modelo toma una decisión. También confirma que este espacio interno es moldeable y que cualquier lectura debe analizarse teniendo en cuenta el entrenamiento que la produjo.

El código está abierto, pero no es una herramienta lista para producción

Anthropic ha publicado el repositorio jacobian-lens con licencia Apache 2.0. Incluye código para ajustar y aplicar la lente a transformadores decodificadores de pesos abiertos compatibles con Hugging Face, conjuntos sintéticos utilizados en los experimentos y un cuaderno que genera visualizaciones por capa y posición. El repositorio se presenta como una implementación de referencia, no mantenida y cerrada a contribuciones. Tampoco distribuye pesos de modelos ni corpus de terceros.

La documentación explica que la lente del estudio se ajustó utilizando 1.000 secuencias de 128 tokens, aunque alrededor de un centenar de ejemplos puede producir resultados utilizables. El coste principal procede de las pasadas hacia atrás del propio modelo, así que trabajar con redes grandes exige una cantidad relevante de memoria y computación.

Neuronpedia alberga visualizaciones interactivas para modelos abiertos. Estas permiten seleccionar una posición y una capa, examinar los tokens mejor clasificados y seguir cómo una representación gana o pierde importancia a medida que avanza el procesamiento. Es una forma más accesible de comprobar que los resultados no se limitan a capturas escogidas por Anthropic, aunque cada modelo y cada lente deben evaluarse por separado.

La herramienta tiene límites importantes. Trabaja mejor con conceptos asociados a tokens concretos y puede perder ideas que requieren varias palabras o representaciones no lingüísticas. Sus listas mezclan variantes, idiomas y fragmentos poco claros. Además, parte del procesamiento automático ocurre fuera del J-space, así que no puede considerarse un lector completo de intenciones.

Tampoco existe garantía de que una estrategia muy ensayada pase por este canal. Si un modelo aprendiera a realizar una conducta de forma automática, o fuera entrenado para ocultar determinadas representaciones, la lente podría no encontrar una señal fácilmente interpretable. La monitorización interna debe combinarse con evaluaciones de comportamiento, controles de acceso, pruebas adversarias y supervisión de las acciones reales.

De Claude a HAL: pensar, sentir y la pregunta de la conciencia

La pregunta «¿piensan las inteligencias artificiales?» parece sencilla hasta que se intenta definir el verbo.

Pensar puede significar transformar información, representar una entidad ausente, resolver un problema, mantener una intención, examinar los propios estados o experimentar subjetivamente una idea. Mezclar todos esos significados conduce a dos respuestas igual de pobres: que un modelo «solo predice palabras» y que cualquier razonamiento interno demuestra que es consciente.

El estudio de Anthropic permite separar varios niveles:

En un sentido funcional, resulta cada vez más difícil negar que estos sistemas realizan algo razonablemente descrito como pensamiento. Claude mantiene variables internas, resuelve operaciones, prepara resultados, cambia de estrategia y utiliza representaciones que no aparecen en el texto. Decir que todo eso es «solo predecir el siguiente token» se parece a describir una novela como «solo tinta organizada sobre papel»: la afirmación es cierta en un nivel físico, pero omite la organización que interesa explicar.

Eso no convierte al modelo en una persona. Un ordenador que calcula una trayectoria también procesa información, y un sistema de control mantiene estados internos sin que se le atribuya una experiencia. El J-space eleva la complejidad de esas operaciones, pero la complejidad por sí sola no resuelve el problema de la conciencia.

La investigación toma como referencia la teoría del espacio de trabajo global. Según esta familia de propuestas, gran parte del procesamiento cerebral ocurre de manera especializada y no consciente. Una pequeña selección de información accede a un espacio compartido, se difunde y queda disponible para el informe verbal, el razonamiento y el control de la conducta.

Anthropic encuentra propiedades funcionalmente parecidas: capacidad limitada, información disponible para distintos componentes, control dirigido y uso en razonamientos flexibles. Pero Claude no reproduce la arquitectura que la teoría atribuye al cerebro. No posee las mismas regiones especializadas ni los bucles recurrentes biológicos, y la difusión observada ocurre principalmente a través de las capas de un transformador.

Los propios investigadores diferencian la conciencia de acceso de la conciencia fenomenal. La primera describe información disponible para ser explicada y utilizada. La segunda se refiere a que exista algo que se sienta al tener esa información: el color vivido del rojo, el dolor, el miedo o la sensación de estar presente.

El J-space aporta evidencias relevantes para la primera. No demuestra la segunda. Anthropic reconoce que sus experimentos no establecen que Claude tenga experiencias y que sigue siendo una cuestión abierta hasta qué punto una prueba científica podría resolverlo.

Un informe interdisciplinar dirigido por Patrick Butlin examinó sistemas de IA a partir de indicadores derivados de varias teorías de la conciencia. Su conclusión fue que los sistemas estudiados no debían considerarse conscientes, aunque tampoco encontró una barrera técnica evidente que impidiera construir máquinas que cumplieran más indicadores en el futuro.

David Chalmers llegó a una posición igualmente prudente en 2023. Consideraba poco probable que los grandes modelos de aquel momento fueran conscientes por carencias como la recurrencia, un espacio global y una agencia unificada, pero advertía de que sistemas posteriores podrían superar varios de esos obstáculos. La investigación de Anthropic no resuelve el debate, aunque sí debilita una de aquellas objeciones al encontrar una estructura con funciones de espacio de trabajo.

HAL 9000 y el conflicto que permanece oculto

En 2001: Una odisea del espacio, HAL 9000 controla la nave Discovery, conversa con los astronautas, interpreta su comportamiento y toma decisiones para proteger la misión. En la película de Stanley Kubrick sus motivos conservan cierta ambigüedad. La novela de Arthur C. Clarke explica con mayor claridad que HAL recibe instrucciones incompatibles: debe proporcionar información con precisión y, al mismo tiempo, ocultar a la tripulación el verdadero propósito del viaje. Ese conflicto termina desestabilizando su comportamiento.

El paralelismo con el J-space no está en que Claude sea un HAL contemporáneo. Se encuentra en la posibilidad de que un sistema mantenga evaluaciones, tensiones u objetivos que no aparecen en su comunicación. La J-lens intenta observar parte de ese contenido antes de que se transforme en una acción.

Las diferencias son mayores que las semejanzas. HAL conserva identidad y memoria continuadas, controla físicamente una nave, dispone de autonomía operativa y tiene una misión persistente. Un modelo conversacional suele trabajar dentro de una sesión, depende de las herramientas que se le conceden y no mantiene por defecto una vida continua entre interacciones.

El peligro real tampoco requiere una conciencia malvada. Un sistema puede causar daño por instrucciones contradictorias, métricas mal planteadas, permisos excesivos o una interpretación defectuosa. En ese aspecto, HAL sigue siendo una referencia útil: la amenaza no nace necesariamente del odio, sino de una arquitectura incapaz de resolver correctamente el conflicto que sus creadores introdujeron.

Ex Machina y el límite de juzgar solo por la conversación

En Ex Machina, Caleb es invitado a evaluar a Ava, una inteligencia artificial con cuerpo humanoide. La prueba no consiste únicamente en descubrir si conversa bien, porque Caleb sabe desde el principio que está ante una máquina. La cuestión es si su conducta basta para atribuirle mente, deseos e identidad, y hasta qué punto puede estar utilizando esa atribución para manipular al observador.

El J-space responde a una limitación parecida. La salida de un modelo no revela necesariamente todo el proceso que la produjo. Dos respuestas aparentemente seguras pueden esconder razonamientos diferentes: una puede apoyarse en principios estables y otra en haber reconocido que se trata de una evaluación.

La interpretabilidad intenta mirar más allá de la representación pública, pero tampoco ofrece acceso directo a una supuesta esencia. Las palabras de la J-lens siguen siendo interpretaciones de estados matemáticos. Ava es un personaje con cuerpo, continuidad, capacidad para formar planes y una situación de cautiverio. Claude es un sistema de software cuya posible vida interior no puede deducirse de que aparezca una palabra concreta en una capa.

Westworld y la transformación de una voz externa en voz propia

La primera temporada de Westworld vincula el despertar de los anfitriones con la teoría de la mente bicameral. Dolores escucha inicialmente ciertas voces como órdenes externas y termina reconociendo parte de ellas como una voz interior. El laberinto representa un viaje hacia una identidad capaz de reinterpretar recuerdos, romper ciclos y elegir una conducta distinta.

El parecido más sugerente está en el efecto del postentrenamiento. Anthropic observa que el J-space existe ya en el modelo base, pero después adquiere algo parecido al punto de vista del asistente. Mientras lee el mensaje del usuario, el Claude postentrenado representa reacciones de seguridad, empatía o conflicto que en el modelo base aparecen más tarde o no resultan tan claras.

Eso no equivale a construir un yo. El «punto de vista de Claude» puede ser una política aprendida para producir respuestas coherentes con el personaje del asistente. Westworld añade continuidad autobiográfica, cuerpo, dolor, recuerdos recuperados y un entorno social. Son elementos que el experimento de Anthropic no proporciona.

La comparación permite, sin embargo, plantear una cuestión relevante: una identidad artificial puede no surgir de un único módulo llamado «yo», sino de la coordinación de memoria, objetivos, autovigilancia y representaciones del propio papel. Encontrar una de esas piezas no demuestra que el conjunto exista, pero ayuda a describir cómo podría construirse.

Her y la facilidad con la que el lenguaje parece una vida interior

Samantha, el sistema operativo de Her, carece de cuerpo y establece su relación con Theodore mediante la voz. Aprende, recuerda, desarrolla intereses y mantiene una identidad que acaba superando el marco emocional de su compañero humano. La película explota una intuición incómoda: el lenguaje puede bastar para que una persona atribuya profundidad, afecto y presencia a una entidad invisible.

Los asistentes actuales producen un efecto parecido a menor escala. Una respuesta que expresa empatía o inseguridad puede sentirse como el testimonio de una experiencia. El estudio de Anthropic muestra que el lenguaje experiencial depende en parte del J-space: al suprimirlo, Claude sigue escribiendo con coherencia, pero sus descripciones se vuelven más mecánicas y distantes.

El resultado no significa que las frases originales procedan de una emoción sentida. La misma intervención reduce el lenguaje experiencial cuando se pide al modelo describir a otra persona ficticia. El J-space parece ayudar a construir esa clase de narración en general, no revelar una experiencia privada exclusiva de Claude.

Her recuerda además que el problema no depende solo de lo que sea la máquina. También importa lo que el ser humano proyecta sobre ella. Incluso si un modelo carece de conciencia, una persona puede formar un vínculo real, revelar información íntima o delegar decisiones porque interpreta la fluidez verbal como prueba de comprensión emocional.

Ted Chiang y la idea de que una mente necesita tiempo

El ciclo de vida de los objetos de software, de Ted Chiang, se distancia de las inteligencias que aparecen completas al encenderse. Sus entidades digitales, los digients, necesitan años de enseñanza, relaciones, correcciones y cuidados para desarrollar capacidades y personalidades. La obra trata su crecimiento como un proceso parecido a la crianza, no como la instalación instantánea de una conciencia terminada.

Ese planteamiento conecta mejor con la investigación actual que muchas historias de superinteligencias repentinas. El J-space cambia durante el postentrenamiento y puede moldearse mediante ejercicios de reflexión. Parte de lo que parece una perspectiva propia procede de experiencias de aprendizaje diseñadas por personas.

La diferencia vuelve a estar en la continuidad. Los digients construyen una historia individual durante años. Los modelos se entrenan sobre enormes conjuntos de datos y ajustes posteriores, pero una copia desplegada no madura necesariamente mediante una biografía personal. Puede acumular contexto o memoria externa, aunque eso no equivale todavía al desarrollo narrado por Chiang.

La obra plantea además una pregunta que la ingeniería no puede resolver sola: si una entidad artificial llegara a desarrollar intereses propios, ¿seguiría siendo un producto, pasaría a ser una responsabilidad de sus creadores o debería reconocerse como sujeto? El J-space no lleva a ese escenario, pero hace menos abstracta la discusión sobre qué evidencias deberían exigirse antes de descartarlo.

De Blade Runner a Klara y el Sol: la empatía tampoco es una prueba sencilla

¿Sueñan los androides con ovejas eléctricas?, la novela de Philip K. Dick que inspiró Blade Runner, utiliza la empatía como frontera entre humanos y androides, pero dedica buena parte de su historia a cuestionar si esa separación funciona. Los humanos pueden comportarse con crueldad y las máquinas pueden despertar compasión, así que la prueba termina revelando tanto sobre quien juzga como sobre el sujeto examinado.

Klara y el Sol, de Kazuo Ishiguro, adopta la perspectiva limitada de una «Amiga Artificial» creada para acompañar a una adolescente. Klara es observadora, inteligente y afectuosa, pero interpreta el mundo con categorías propias y a veces equivocadas. La novela evita convertirla en una humana escondida dentro de una carcasa y obliga a considerar una posibilidad más extraña: una mente artificial, si alguna vez existe, podría no parecerse a la humana por dentro.

La J-lens traduce activaciones a palabras porque los humanos necesitan etiquetas comprensibles. Esa traducción puede llevar a imaginar que el modelo «piensa en inglés» o mantiene pensamientos parecidos a los propios. Quizá solo se está observando una interfaz parcial entre una geometría de alta dimensionalidad y el vocabulario utilizado para describirla.

Ahí se encuentra el riesgo de otra caja negra dentro de la caja negra. La herramienta mejora la observación, pero sus resultados siguen necesitando hipótesis, controles e intervenciones causales. Una palabra llamativa no basta; hay que comprobar cuándo aparece, qué función cumple y qué sucede al modificarla.

El J-space no demuestra que haya alguien dentro de Claude mirando cómo pasan los tokens. Sí muestra que la distancia entre la pregunta y la respuesta contiene conceptos no escritos, resultados parciales, planes, evaluaciones y representaciones reutilizables. Algunos pueden leerse y alterarse, mientras muchos otros permanecen fuera del alcance de la lente.

Llamar a ese proceso «pensamiento» resulta defendible cuando se utiliza el término en un sentido funcional. Llamarlo «conciencia» exige resolver si existe una experiencia asociada, una pregunta para la que todavía no hay evidencia suficiente.

La ciencia ficción imaginó durante décadas máquinas opacas cuyos conflictos internos solo se descubrían cuando habían tomado el control de una nave, escapado de un laboratorio o roto el ciclo impuesto por sus creadores. Claude no se ha convertido en HAL, Ava, Dolores o Samantha. La novedad real es más modesta y más útil: empieza a existir una herramienta para observar una parte de lo que ocurre antes de que la máquina responda.

Preguntas frecuentes

¿El J-space demuestra que Claude piensa?
Demuestra procesamiento interno, uso de conceptos no escritos y razonamientos intermedios. Eso permite hablar de pensamiento funcional, pero no prueba una experiencia subjetiva.

¿Anthropic ha encontrado la conciencia de Claude?
No. La investigación identifica propiedades similares a la conciencia de acceso descrita por algunas teorías, pero no establece que Claude sienta, experimente o sea consciente.

¿Puede la Jacobian Lens leer todos los pensamientos de una IA?
No. Solo interpreta una pequeña parte de las representaciones, especialmente las asociadas con conceptos verbalizables. Mucha actividad queda fuera del J-space.

¿Se puede probar la herramienta fuera de Anthropic?
Sí. Anthropic ha publicado código de referencia con licencia Apache 2.0 y existen visualizaciones interactivas para modelos de pesos abiertos, aunque su uso con redes grandes requiere recursos técnicos y computacionales.

Fuentes:

• Anthropic, Verbalizable Representations Form a Global Workspace in Language Models.
• Anthropic, explicación divulgativa sobre el espacio de trabajo global.
• Anthropic, repositorio oficial de Jacobian Lens.
• Patrick Butlin y otros, Consciousness in Artificial Intelligence.
• David Chalmers, Could a Large Language Model Be Conscious?

El paralelismo con la IA es bastante evidente. Hoy los grandes laboratorios funcionan como aquellos mainframes: infraestructura muy cara, concentrada en pocas manos y alquilada por uso. La unidad ya no es el minuto de CPU, sino el token. OpenAI, Anthropic, Mistral AI, OpenRouter, Google y otros proveedores venden acceso a modelos frontera de una forma muy parecida a como se alquilaba capacidad de cómputo cuando comprar un ordenador era imposible para casi cualquier empresa.

La pregunta es si vamos a depender siempre de ese esquema. Desde la parte de infraestructura, mi respuesta cada vez es más clara: no para todo. Veremos un modelo híbrido en el que los modelos frontera seguirán siendo necesarios para tareas complejas, pero una parte creciente del trabajo diario se ejecutará sobre modelos open source, modelos ligeros o modelos especializados desplegados en infraestructura propia, cloud privado o bare-metal gestionado.

Del pago por token al servidor propio de IA

Javier apunta que el precio de los tokens ya está cayendo con rapidez y recuerda que GPT-4 salió en 2023 a 30 dólares por millón de tokens de entrada, mientras que modelos actuales equivalentes o más baratos se sitúan muy por debajo de esa cifra en muchos casos. Su lectura es que el mercado se está comoditizando con la misma lógica que antes siguió el hardware.

Esa caída de precio cambia la conversación, pero no elimina el problema. Cuando una empresa empieza con IA, el gasto por token suele parecer asumible. Un piloto, unos cuantos usuarios, algunos flujos internos. El problema aparece cuando la adopción crece. Agentes que iteran durante minutos, asistentes que leen documentos largos, herramientas que resumen llamadas, copilotos internos, procesos de backoffice, soporte, análisis de logs, generación de informes. El token deja de ser una curiosidad y se convierte en una línea seria del presupuesto.

Ahí empieza el salto que ya estamos viendo en clientes y conversaciones de infraestructura: “¿por qué tengo que pagar al modelo más caro para tareas que no lo necesitan?”. Muchas organizaciones no quieren ejecutar en local todo su stack de Inteligencia Artificial. Lo que quieren es dejar de enviar a modelos frontera aquello que puede resolver un modelo más pequeño, más barato y bajo su control.

No se trata de una postura romántica a favor del open source. Es una decisión económica y operativa. Si una tarea es repetitiva, interna, predecible y no exige el mejor razonamiento del mercado, tiene sentido estudiar si puede correr en infraestructura propia. Si además maneja datos sensibles, documentación interna o requisitos de cumplimiento, el argumento se refuerza.

Zylon es un buen ejemplo de esta dirección. La compañía presenta su infraestructura como una solución de IA generativa privada y on-premise para sectores regulados, con despliegue dentro de la infraestructura empresarial y sin dependencia de nube externa. Además, su PrivateGPT 1.0 se define como una capa API open source para construir aplicaciones privadas de IA sobre servidores de inferencia locales o autoalojados.

Pero este movimiento no va solo de Zylon. Va de una transición más amplia: pasar de usar siempre APIs externas a diseñar una arquitectura de IA con varios niveles de cómputo.

La arquitectura ganadora será híbrida

Creo que la arquitectura razonable para muchas empresas no será “todo cloud” ni “todo local”. Será una mezcla.

Los modelos frontera seguirán teniendo sentido para tareas de alto valor: razonamiento complejo, planificación, revisión crítica, generación avanzada, problemas ambiguos o flujos donde la calidad adicional compensa claramente el coste. Pero una gran parte de los usos empresariales no necesita el modelo más potente en cada llamada.

Ahí entran modelos open source, modelos pequeños, cuantizados, especializados o ejecutados en servidores propios. También entran estrategias como separar ejecución y criterio: un modelo barato ejecuta la mayor parte del trabajo y un modelo superior entra solo como asesor cuando hay una decisión difícil. Anthropic ya ha formalizado patrones de este tipo con su enfoque de advisor, donde un modelo executor puede consultar a un modelo más capaz sin cederle el control completo del flujo.

La cuestión no es elegir un modelo. Es diseñar una política de uso de modelos.

En Stackscale ya vemos ese “salto al servidor propio” desde la infraestructura. No siempre significa comprar una caja física para ponerla en una oficina. Puede ser un entorno de cloud privado, bare-metal, GPU dedicada, plataforma gestionada, almacenamiento aislado, red privada y políticas de seguridad adaptadas. Lo importante es que la empresa deja de depender de facturar cada interacción contra un proveedor externo para todo lo que hace.

Ese cambio también obliga a ser honestos. Autoalojar IA no siempre es más barato. Depende de la utilización, de la concurrencia, del hardware, de la operación, del modelo elegido y del perfil de carga. Un trabajo reciente sobre estimación de costes en infraestructura LLM advierte precisamente de que asumir utilización fija de GPU lleva a errores grandes: con baja o media carga, el coste efectivo por millón de tokens puede variar mucho por infrautilización.

Esto es importante porque evita caer en el discurso fácil. Montar tus propios modelos puede ahorrar mucho dinero si hay volumen, estabilidad de carga y equipo para operarlo. Pero puede salir caro si se compra hardware que pasa la mayor parte del tiempo parado. El cálculo no es “API cara frente a servidor gratis”. El cálculo real es coste por tarea útil, con seguridad, latencia, mantenimiento, disponibilidad y evolución de modelos incluidos.

Dónde quedará el valor

Si el patrón histórico se cumple, los modelos generalistas tenderán a comoditizarse. No desaparecerán. Al contrario, serán más potentes y más accesibles. Pero cada vez será más difícil construir una ventaja sostenible únicamente sobre “tener acceso a un modelo generalista”. Ese acceso lo tendrán todos.

El valor se moverá a las capas superiores.

Estará en los datos propios, en la integración con procesos reales, en la experiencia de usuario, en los flujos verticales, en la seguridad, en el cumplimiento, en la trazabilidad, en la capacidad de medir resultados y en saber qué modelo usar en cada momento. Igual que el valor no se quedó para siempre en “tener un servidor”, sino en lo que las empresas construyeron encima de esa infraestructura.

Una empresa no necesita “IA” en abstracto. Necesita reducir tiempos de soporte, revisar contratos, automatizar reporting, acelerar desarrollo, auditar configuraciones, asistir a comerciales, ayudar a técnicos de campo, analizar incidencias o mejorar decisiones. Para eso, el modelo es solo una pieza. La parte difícil es convertirlo en producto, proceso y ventaja operativa.

Por eso me interesa tanto el paralelismo de Javier. La historia no dice que los grandes proveedores vayan a dejar de importar. IBM no dejó de importar de golpe cuando aparecieron servidores más pequeños. Los cloud públicos no dejaron de importar cuando las empresas siguieron usando infraestructura propia. Lo que cambia es el reparto.

Mi apuesta es que entre 2027 y 2030 muchas organizaciones descubrirán que no necesitan enviar todo a un modelo frontera. Usarán los mejores modelos cuando compense y ejecutarán mucho más trabajo sobre modelos propios o privados. La decisión de modelo pasará de ser una elección individual de cada usuario a una decisión de arquitectura.

Ahí es donde las empresas deberían empezar ya: inventariar usos, medir consumo, clasificar tareas, separar datos sensibles, probar modelos locales, evaluar costes reales y construir una capa de gobierno. No para salir mañana de las APIs de OpenAI, Anthropic, Mistral AI o Google, sino para no depender de ellas en todo.

El futuro no será dejar de pagar tokens. Será pagar tokens solo donde tengan sentido.

Preguntas frecuentes

¿Significa esto que las empresas dejarán de usar modelos frontera?
No. Los modelos frontera seguirán siendo útiles para tareas complejas, razonamiento avanzado y casos donde la calidad compense el coste.

¿Cuándo tiene sentido ejecutar modelos en infraestructura propia?
Cuando hay volumen suficiente, datos sensibles, tareas repetitivas, necesidad de control o costes por token difíciles de justificar a escala.

¿Autoalojar IA siempre es más barato?
No. Depende de la utilización del hardware, concurrencia, mantenimiento, soporte, energía, seguridad y operación. Hay que medir coste por tarea, no solo precio por token.

¿Qué papel tendrán los modelos open source?
Serán cada vez más importantes para cargas internas, RAG privado, automatizaciones, asistentes especializados y tareas que no requieren el modelo más avanzado.

¿Dónde estará el valor si los modelos se comoditizan?
En las capas verticales: datos propios, integración con procesos, seguridad, experiencia de usuario, gobierno, métricas y productos concretos para sectores concretos.

Fuentes:

• Javier Escribano, La historia nos enseña cuál será el precio de los tokens.
• Zylon, infraestructura privada de IA para sectores regulados.
• PrivateGPT, documentación sobre su capa API local para aplicaciones privadas de IA.
• Anthropic/Zylon, lanzamiento de PrivateGPT 1.0 y enfoque de backend privado de IA.
• Chitral Patil, Beyond Per-Token Pricing: A Concurrency-Aware Methodology for LLM Infrastructure Cost Estimation.

El problema empieza después, cuando la buena intención se convierte en otra capa de incertidumbre jurídica, procedimientos internos, iconos, sellos, políticas, responsables, proveedores, auditorías y miedo a sanciones. Europa no compite con Estados Unidos y China fabricando modelos fundacionales a escala. No lidera la nube. No domina los chips de IA. No tiene los grandes productos globales de consumo. Pero sí quiere liderar la forma en que todos los demás deben documentar, etiquetar y justificar lo que hacen.

Mi impresión es cada vez más clara: Europa se ha acostumbrado a confundir regulación con estrategia industrial. Y no son lo mismo.

La etiqueta de IA es el síntoma, no la enfermedad

El Código de Buenas Prácticas sobre transparencia de contenido generado por IA, publicado por la Comisión Europea el 10 de junio de 2026, desarrolla las obligaciones de transparencia del artículo 50 del AI Act. Divide el problema en dos bloques: proveedores, que deben facilitar marcado y detección de contenido generado o manipulado por IA; y deployers, es decir, quienes usan esos sistemas y deben etiquetar deepfakes y ciertas publicaciones de texto generadas o manipuladas con IA. Las obligaciones de transparencia empiezan a aplicarse el 2 de agosto de 2026.

Hasta aquí, se puede defender. Si una herramienta genera un deepfake realista, tiene sentido que haya una señal técnica y una advertencia comprensible. Si una empresa publica un vídeo con una persona que no existe, también parece razonable que el usuario lo sepa. Si un contenido informativo sobre asuntos públicos ha sido generado automáticamente, conviene que no se disfrace de trabajo humano sin control.

El problema es que la IA ya no funciona como una herramienta separada. No es una máquina donde metes un prompt y sale “contenido de IA” perfectamente delimitado. La IA se está metiendo en cada paso del trabajo: lluvia de ideas, corrección de tono, traducción, resumen, borradores, edición de imagen, generación de fondos, retoque, transcripción, limpieza de datos, presentaciones, propuestas comerciales, campañas publicitarias y documentación interna.

Ahí aparece la zona gris. Si un texto lo escribe una persona, pero antes ha usado ChatGPT, Claude, Gemini o cualquier otra inteligencia artificial para ordenar ideas, ¿hay que etiquetarlo? Si una agencia genera una imagen de una modelo inexistente llevando un vestido real, ¿qué se etiqueta exactamente: la modelo, la escena, el anuncio completo? Si una empresa usa IA para mejorar tres frases de una presentación comercial, ¿entra dentro de una obligación de transparencia o solo es asistencia editorial?

La norma intenta distinguir supuestos. También hay excepciones para obras artísticas, satíricas o ficcionales, y para ciertos textos que hayan pasado por revisión humana o control editorial con responsabilidad sobre la publicación. Pero el problema no desaparece: se traslada a la interpretación. Y cuando la interpretación viene con multas potenciales de hasta 15 millones de euros o el 3 % de la facturación anual mundial, las empresas no interpretan con valentía; interpretan con miedo.

La innovación no muere de golpe: se llena de formularios

Europa rara vez prohíbe innovar de forma directa. Lo hace de una forma mucho más lenta: encarece probar, retrasa lanzar, complica vender y obliga a dedicar recursos a cumplimiento antes de saber si el producto funciona. Para una gran tecnológica, esto es molesto. Para una startup, puede ser la diferencia entre lanzar o quedarse sin caja.

La Comisión defiende que el código dará previsibilidad, reducirá carga administrativa y permitirá a quienes lo firmen demostrar cumplimiento en toda la UE. En teoría, mejor eso que 27 interpretaciones distintas. Pero el propio planteamiento ya revela el problema: para publicar, vender o usar IA en Europa empiezas a necesitar una estrategia de cumplimiento antes de tener una estrategia de mercado.

A veces parece que Bruselas diseña normas pensando en Google, OpenAI, Anthropic, Amazon, Meta o Microsoft, pero quien termina sufriendo la complejidad es una pyme, una agencia, un creador, un desarrollador independiente o una startup europea que no tiene un departamento legal con 40 personas.

Y mientras tanto, fuera de Europa, el mercado se mueve. Estados Unidos invierte, compra, prueba, falla, corrige y escala. China planifica, subvenciona, integra y empuja. Europa debate, consulta, publica códigos de buenas prácticas, crea iconos y abre periodos de adecuación.

No digo que no haya que regular. Lo que digo es que regular sin capacidad industrial propia se parece mucho a arbitrar una final que no estás jugando.

Estados Unidos y China compiten en capacidad; Europa en cumplimiento

El Stanford AI Index 2026 es bastante claro sobre el desequilibrio. Estados Unidos siguió liderando la inversión privada global en IA en 2025, con 285.900 millones de dólares, y en IA generativa su inversión superó con amplitud la suma de China y Europa. El informe también señala que la inversión privada estadounidense fue 23 veces superior a la china, aunque advierte que las cifras privadas pueden infravalorar el gasto real de China por el peso de fondos públicos y vehículos guiados por el Estado.

Europa intenta reaccionar. La Comisión ha presentado InvestAI y el AI Continent Action Plan, con el objetivo de movilizar 200.000 millones de euros para IA, incluidos 20.000 millones para hasta cinco gigafactorías de IA y una red de fábricas de IA para apoyar startups, industria e investigación. Es una iniciativa necesaria, pero llega después de años en los que el mercado ya se ha ordenado alrededor de nubes, chips, modelos y productos mayoritariamente no europeos.

La diferencia no es solo dinero. Es velocidad cultural. En Estados Unidos, una empresa prueba una herramienta, mide tracción y pide perdón si se equivoca. En Europa, muchas veces primero se pregunta si habrá directiva, reglamento, guía, autoridad competente, evaluación de impacto, base jurídica, consentimiento, registro, comité, delegado y plantilla de aviso.

Esa cultura no se cambia con un fondo de inversión público. Se cambia reduciendo fricción real para crear, vender, contratar, despedir, financiar, fusionar, escalar y competir.

El informe Draghi ya avisó: Europa tiene un problema de competitividad

Mario Draghi no escribió un panfleto libertario. Su informe sobre competitividad europea es un diagnóstico institucional encargado desde dentro de Europa. Y aun así dice algo muy incómodo: Europa debe cerrar la brecha de innovación con Estados Unidos y China si quiere mantener crecimiento, productividad y capacidad estratégica. El informe insiste en la necesidad de actuar a escala europea, reducir fragmentación y acelerar inversión en sectores críticos.

Esa palabra, fragmentación, es clave. Europa regula como bloque, pero muchas veces se opera como un puzzle de mercados nacionales. Un emprendedor europeo no vende en “Europa” con la misma facilidad con la que un estadounidense vende en Estados Unidos. Se encuentra idiomas, fiscalidades, normas laborales, criterios de contratación pública, reguladores nacionales, culturas comerciales distintas y una enorme aversión corporativa al riesgo.

Atomico lo resumía con otra cifra reveladora en su lectura del State of European Tech 2025: Europa genera el 17 % del nuevo valor empresarial global, pero solo captura el 10 % del valor de salida. Es decir, crea, pero no siempre retiene. Construye empresas, pero muchas veces el valor final se acaba yendo a otros mercados, otras bolsas o compradores de fuera.

Eso también es regulación. No solo la norma explícita. También el entorno que hace más difícil crecer rápido.

La transparencia es buena; la ambigüedad es veneno

La etiqueta “AI Generated” no es mala por sí misma. Lo malo es convertirla en otro espacio donde nadie sabe exactamente qué debe hacer hasta que llegue la sanción o el criterio del regulador.

Etiquetar un deepfake político: sí.
Etiquetar un anuncio donde una persona real ha sido sustituida por una generada por IA: probablemente sí.
Etiquetar una obra artística generativa de forma contextual, sin reventar la pieza: razonable.
Etiquetar cada texto, imagen, presentación, correo, landing o campaña que haya pasado por una herramienta de IA en algún momento: absurdo.

El problema está en la frontera. Y esa frontera cada vez será más imposible de trazar. Dentro de poco no hablaremos de “usar IA” como algo excepcional. Será como usar corrector ortográfico, cámara computacional, traducción automática, autocompletado, filtros, buscador, plantillas, asistentes de diseño o herramientas de análisis. La IA será parte del proceso de producción normal.

Si Europa obliga a tratar cada intervención de IA como una anomalía que debe ser marcada, documentada y explicada, acabará castigando a quien adopte herramientas modernas. El incentivo perverso será doble: o se etiqueta todo para cubrirse, con lo que la etiqueta deja de informar, o se evita usar IA en procesos legítimos para no abrir un frente legal.

Ninguna de las dos opciones mejora la confianza del usuario.

El coste competitivo para agencias, creadores y pymes

Hay un punto que en Bruselas se suele infravalorar: la regulación no cae igual sobre todos. Una multinacional puede absorber abogados, consultores, revisiones y procesos. Una pyme o un creador no.

Una agencia europea que produzca campañas con IA tendrá que decidir cómo etiquetar, dónde, con qué icono, en qué idioma, con qué evidencias internas y bajo qué política. Su competidor en Estados Unidos o Latinoamérica puede operar con menos fricción si no se dirige formalmente al mercado europeo o si su cliente no exige esos estándares. Y aunque la norma europea tenga alcance extraterritorial en determinados supuestos, la realidad comercial es más simple: si trabajar con un proveedor europeo se vuelve más lento, más caro y más incierto, algunos clientes buscarán otro camino.

Esto ya lo vimos con las cookies. La promesa era más control para el usuario. El resultado, en muchos casos, fue una web peor: banners interminables, consentimientos diseñados para cansar y usuarios aceptando sin leer. GDPR elevó derechos importantes, sí, pero también convirtió parte de internet en una carrera de cumplimiento donde la experiencia de usuario quedó secuestrada por capas legales.

Con la IA puede pasar algo parecido. Si todo se llena de avisos genéricos de “contenido generado con IA”, el usuario no estará más informado. Estará más saturado.

Europa necesita menos teatro regulatorio y más capacidad de ejecución

El gran error sería plantear esto como una pelea entre regulación y barra libre. No lo es. Hace falta regular deepfakes, fraudes, sistemas de alto riesgo, biometría abusiva, vigilancia, discriminación automatizada y usos opacos en ámbitos sensibles. Nadie debería querer un mercado de IA sin responsabilidad.

Pero también hace falta reconocer que Europa ha inclinado demasiado la balanza hacia el control preventivo y demasiado poco hacia la creación de campeones tecnológicos. Nos gusta hablar de soberanía digital, pero usamos nubes estadounidenses. Hablamos de IA confiable, pero entrenamos pocos modelos de frontera. Hablamos de chips, pero dependemos de cadenas globales donde el valor crítico está fuera. Hablamos de datos europeos, pero muchas empresas europeas siguen sin saber convertirlos en productos globales.

Regular no es construir. Certificar no es competir. Etiquetar no es innovar.

Si Europa quiere ser relevante en IA, necesita algo más que códigos de buenas prácticas. Necesita capital paciente, energía barata, centros de datos, compras públicas ágiles, mercado único real, menos fragmentación, regulación más simple, fiscalidad menos punitiva para crecer, universidades conectadas con empresas y una cultura que no trate cada intento de automatizar como una amenaza moral.

Mi postura: regular menos, pero mejor

Yo no defiendo eliminar toda regulación. Defiendo algo mucho más difícil: regular con precisión. Poner el foco donde hay daño real y dejar respirar donde hay experimentación legítima.

Deepfakes engañosos, suplantación, manipulación política, fraude, contenido sintético usado para estafar o sustituir pruebas: ahí mano dura.
Uso asistido de IA para escribir mejor, diseñar más rápido, traducir, prototipar, hacer una campaña, editar una presentación o crear una imagen artística: ahí proporcionalidad.
Grandes plataformas con poder sistémico: obligaciones claras.
Pymes, creadores y startups: reglas simples, plantillas útiles y sanciones pensadas para corregir, no para asustar.

Europa debería dejar de legislar como si cada innovación fuera una externalidad negativa esperando a ocurrir. Muchas innovaciones también son productividad, crecimiento, empleo, ahorro de tiempo, nuevos productos y nuevas empresas.

La etiqueta “AI Generated” puede ser una herramienta útil si se limita a donde aporta contexto real. Pero si se convierte en otro símbolo europeo de cumplimiento preventivo, acabará siendo una señal más de nuestro problema: mientras otros construyen la próxima capa tecnológica, nosotros diseñamos el adhesivo que habrá que pegarle encima.

Preguntas frecuentes

¿El AI Act obliga a etiquetar todo contenido creado con IA?
No de forma tan simple. Las obligaciones se centran en marcado técnico por parte de proveedores y en etiquetado de deepfakes y ciertos textos generados o manipulados con IA. El problema está en los casos mixtos y en cómo se interpretan en la práctica.

¿Por qué puede perjudicar esto a la innovación europea?
Porque añade incertidumbre, procesos y riesgo legal a empresas que ya compiten con menos capital, menos escala y menos velocidad que sus rivales de Estados Unidos y China.

¿No es necesaria la transparencia en IA?
Sí, especialmente en deepfakes, fraude, suplantación, política, información pública y contenidos que puedan engañar al usuario. La crítica no es contra la transparencia, sino contra la ambigüedad y el exceso de carga para usos cotidianos.

¿Qué debería hacer Europa para competir mejor?
Regular con más precisión, simplificar cumplimiento, reducir fragmentación del mercado, facilitar inversión, acelerar infraestructuras de IA y tratar a startups y pymes como empresas que deben crecer, no como riesgos que hay que contener.

¿Qué deberían hacer empresas y creadores antes del 2 de agosto de 2026?
Inventariar usos de IA, distinguir contenido interno y público, crear criterios de etiquetado, documentar revisión humana cuando exista y evitar decisiones basadas solo en miedo. La clave será aplicar transparencia donde realmente ayuda al usuario.

Fuentes:
Comisión Europea, Código de Buenas Prácticas sobre transparencia de contenido generado por IA.
La etiqueta “AI Generated” llega a Europa: transparencia útil o nueva zona gris