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

José Elías tiene una historia empresarial que se ha contado muchas veces desde los titulares: Audax, La Sirena, operaciones corporativas, inversiones, exposición pública, fútbol y patrimonio. Pero en una charla privada, con empresarios delante y sin el formato rápido de las redes sociales, lo que más me interesó no fue la cifra ni la anécdota brillante. Fue la forma en la que enlazó decisiones, errores, crisis personales y aprendizaje empresarial.

Las decisiones que bifurcan una vida

Una de las ideas que más se me quedó fue su reflexión sobre las 30 o 40 decisiones que de verdad bifurcan una vida. El resto, decía, suele ser rutina. Vivimos dentro de un carril hasta que algo nos obliga a salir. Y ahí utilizó una imagen que me pareció muy potente: la víbora.

Cuando algo te muerde, una crisis, una pérdida, una quiebra o un golpe inesperado, sales de la cueva a buscar el antídoto. Esa salida forzada es incómoda, pero también es donde una persona cambia. No porque quiera, sino porque no le queda otra.

En su caso, habló de pérdidas personales muy tempranas, de la muerte de su madre y de su padre cuando era joven, y de cómo esas experiencias le cambiaron la escala de los problemas. No lo planteó desde el victimismo. Al contrario. Lo explicó como una forma de resiliencia. Cuando algo grave ya ha pasado por tu vida, muchas otras dificultades pierden tamaño.

Esa idea conecta bien con el emprendimiento real, no con el que se vende en vídeos cortos. Muchas personas empiezan por vocación, pero muchas otras empiezan porque no tienen alternativa. En ambos casos, la empresa acaba siendo una prueba de resistencia. No gana siempre el más brillante. A menudo aguanta más quien soporta mejor el golpe, aprende antes y sigue avanzando cuando el plan inicial se rompe.

La quiebra de 2008 y una norma que no volvió a romper

Elías habló sin adornos de su quiebra en construcción durante la crisis de 2008. Se quedó sin cobrar, sin clientes y con una lección grabada: no volver a ser proveedor de dinero de otros. En sus palabras, nunca más aceptar pagarés.

Me pareció una de las partes más interesantes de la charla porque resume algo que muchos empresarios aprenden demasiado tarde. Vender no siempre es cobrar. Facturar no siempre es ganar. Y trabajar mucho para financiar a un cliente que no paga puede destruir una empresa aunque la cuenta de resultados parezca razonable durante un tiempo.

Según contó, de esa reflexión llegó casi por descarte al sector eléctrico. Buscaba un negocio donde no se funcionara con pagarés, y acabó encontrando un camino en la comercialización de energía. La historia de Audax, tal como la explicó, empezó con muy poco: unos 3.000 euros, un curso y la venta de luz casa por casa, más desde la mentalidad de vendedor que desde la de ingeniero.

Audax Renovables es hoy una compañía cotizada del sector energético, con Francisco José Elías Navarro como presidente ejecutivo, según la información corporativa de la propia empresa. Elías también compró en 2021 el 100 % de La Sirena a través de su grupo Excelsior Times, una operación que se presentó entonces como una vía para impulsar el crecimiento de la cadena de congelados en España.

Lo importante, al menos para mí, no está solo en el salto empresarial. Está en la secuencia: crisis, aprendizaje, cambio de sector, venta directa, problema de liquidez, oportunidad y decisión. Visto desde fuera, las historias de éxito parecen más limpias de lo que fueron. Contadas por quien las ha vivido, aparecen llenas de tensión, deuda, miedo y momentos en los que una mala decisión podía cerrar el camino.

Constancia, talento y equipos mejores que uno mismo

Hubo dos frases que apunté literalmente.

“Rodéate de gente mejor que tú, y que te supere.”

“Es mejor ser feliz que tener razón.”

La primera debería estar escrita en cualquier empresa que quiera crecer de verdad. Muchos fundadores se convierten en cuello de botella porque contratan perfiles que ejecutan, pero no perfiles que les cuestionan. José Elías insistió en la importancia de identificar y retener talento, dar oportunidades a gente de dentro y traspasar responsabilidad real a los directivos. No solo tareas. Responsabilidad con dinero, decisiones y ego incluido.

También fue muy claro sobre los socios. Su frase, dicha con esa mezcla de humor y experiencia que evita cualquier PowerPoint, fue que “un socio, un problema; dos socios, dos problemas”. No lo interpreté como una prohibición de asociarse, sino como una advertencia. Un socio debe aportar algo más que dinero. Si no aporta criterio, mercado, gestión, conocimiento o capacidad real de desbloquear situaciones, puede terminar siendo una carga.

La segunda frase, la de ser feliz antes que tener razón, me pareció menos empresarial y más útil todavía. En la vida de empresa hay muchas discusiones donde ganar el argumento sale caro. Puedes tener razón con un cliente, con un socio, con un proveedor o con un directivo, y aun así perder tiempo, energía, relación o foco. A veces compensa más cerrar el tema, aprender y seguir.

El coste personal de construir

Otra parte que agradecí fue que no romantizara el camino. Habló de crecimiento, de abrir empresas, de expansión internacional y de operaciones que salieron bien, pero también del coste personal. Nada es gratis. Construir empresas consume tiempo, energía, vida familiar y relaciones.

Esto se suele ocultar. En el relato público del empresario aparecen las rondas, las adquisiciones, el EBITDA, las fotos y los titulares. Mucho menos se habla de lo que se queda por el camino. Elías lo hizo sin convertirlo en una escena dramática, pero sí con suficiente claridad como para recordar que la ambición también tiene factura.

Me gustó que mezclara esa dureza con detalles muy terrenales. Comentó que hoy le hacen feliz cosas sencillas, incluso sus animales. Ese contraste me pareció muy humano. Alguien puede manejar operaciones de millones y, al mismo tiempo, encontrar calma en algo que no tiene nada que ver con el balance.

También habló de sus hijos y de cómo intenta educarlos para que no vivan como rehenes de su patrimonio. La frase que dejó fue directa: “El rico soy yo, ellos son hijos de rico; si quieren dinero, que curren”. Más allá del tono, hay una reflexión interesante sobre la transmisión de valores en familias empresarias. El patrimonio puede ser una ventaja, pero también una jaula si sustituye al esfuerzo, al criterio y al sentido de responsabilidad.

IA, empresa y decisiones

La parte de inteligencia artificial fue breve, pero reveladora. No la trató como una moda ni como una amenaza apocalíptica. Dijo que la usa ya en el día a día, también para temas de M&A y decisiones empresariales, y que estamos en pañales de lo que viene.

Me quedo con esa lectura porque encaja con lo que muchos estamos viendo en nuestras empresas. La IA no sustituye la experiencia, pero empieza a cambiar la forma de preparar una decisión. Puede ayudar a ordenar información, revisar escenarios, analizar documentos, comparar hipótesis y detectar puntos ciegos. Donde antes había horas de lectura o de preparación, ahora puede haber una primera capa de análisis mucho más rápida.

Pero el criterio sigue siendo humano. Y, escuchando a José Elías, diría que esa es precisamente una de las constantes de su mensaje: no hay secreto automático, ni fórmula mágica, ni atajo limpio para hacerse rico. Hay persistencia, riesgo, decisiones, equivocaciones y una forma determinada de vivir la empresa.

Salí de la tertulia con una sensación clara. A veces buscamos en estos encuentros una gran revelación, una frase que explique el éxito de alguien. En realidad, lo valioso suele estar en otra parte: en escuchar cómo una persona que ha construido de verdad habla de sus errores sin necesidad de maquillarlos demasiado.

Quizá esa sea la principal lección. La empresa no se entiende solo desde lo que sale bien. Se entiende desde las crisis que obligan a cambiar de sector, desde las normas que uno decide no romper nunca más, desde las personas mejores que uno mismo que consigue sentar en la mesa y desde la capacidad de seguir cuando aparece la víbora.

Preguntas frecuentes

¿Quién es José Elías?
José Elías Navarro es un empresario español, presidente ejecutivo de Audax Renovables y propietario de La Sirena a través de su grupo Excelsior Times.

¿Qué es Audax Renovables?
Audax Renovables es una compañía cotizada del sector energético dedicada a la comercialización y generación de energía, con presencia en varios mercados.

¿Por qué compró José Elías La Sirena?
La operación se anunció en 2021 como una adquisición del 100 % de la cadena de congelados por parte de Excelsior Times, con el objetivo de impulsar su crecimiento en España.

¿Cuál fue la idea más importante de la charla?
Para mí, la más útil fue que el éxito empresarial no depende de un secreto, sino de persistencia, resiliencia, buenas decisiones y capacidad para rodearse de personas mejores que uno mismo.

A mí me interesa más otra pregunta: ¿qué tiene Musk en común con algunos de los grandes inventores y empresarios de la historia? Y, sobre todo, ¿qué diferencia su caso del de Edison, Ford, Jobs, Bezos o Rockefeller?

Porque si uno mira su trayectoria con algo de distancia, la comparación no es tan disparatada. No porque todos sean iguales, ni porque haya que convertir a Musk en un icono al que adorar, sino porque en todos aparece un patrón que se repite: la gran innovación rara vez consiste solo en tener una buena idea. Consiste en convertir esa idea en un sistema que funcione, se repita, escale y sobreviva al mercado.

Eso es mucho menos romántico que imaginar a un genio aislado cambiando el mundo desde una libreta. Pero probablemente es más real.

Elon Musk no se ha hecho relevante solo por fundar empresas. Se ha hecho relevante porque ha empujado sectores físicos, caros y difíciles: coches, baterías, cohetes, satélites, redes, inteligencia artificial, energía. Es decir, sectores donde los errores no se arreglan solo con una actualización de software. Si un coche falla, hay que repararlo. Si una fábrica se atasca, se quema caja. Si un cohete explota, no suele existir muchas más oportunidades con el mismo equipamiento y configuración.

Por eso la imagen de Musk durmiendo en la fábrica durante el “infierno de la producción” del Model 3 se ha vuelto tan potente. No porque dormir en el suelo sea una receta de liderazgo. De hecho, no debería serlo. Sino porque resume una idea que muchas veces se olvida en tecnología: la realidad se decide en la fábrica, no en la presentación.

Los grandes constructores no solo inventaban productos, inventaban sistemas

Thomas Edison no fue importante solo por sus patentes. Fue importante porque entendió que la invención podía organizarse como un proceso. Su laboratorio de Menlo Park no era una habitación de inspiración, sino una fábrica de pruebas, prototipos, errores y mejoras. La bombilla, por ejemplo, no era solo una bombilla. Necesitaba generación eléctrica, distribución, interruptores, contadores, instalación y una forma de llevar la electricidad a hogares y empresas.

Henry Ford tampoco fue solo “el hombre del coche”. El automóvil ya existía. Su gran cambio fue otro: fabricar coches de forma mucho más eficiente, reducir costes y convertir un producto de lujo en algo más accesible para millones de personas. La cadena de montaje de 1913 no fue una anécdota industrial. Fue una nueva forma de organizar trabajo, tiempo, piezas, proveedores y escala.

Steve Jobs no inventó el ordenador personal, ni el reproductor MP3, ni el smartphone como concepto aislado. Su talento estuvo en integrar tecnología, diseño, software, distribución, marca y experiencia de usuario hasta que el producto parecía inevitable. El iPhone no ganó solo por ser un teléfono bonito. Ganó porque Apple conectó hardware, sistema operativo, tienda de aplicaciones, operadores, desarrolladores y una forma nueva de relación con el dispositivo. De hecho hoy muchos llevamos su tecnología en el bolsillo con ese mismo concepto.

Jeff Bezos empezó vendiendo libros online, pero Amazon no se convirtió en Amazon por vender libros. Lo hizo por construir una máquina logística, tecnológica y comercial capaz de prometer comodidad a gran escala. Detrás del botón de compra había almacenes, datos, infraestructura cloud, negociación con proveedores, suscripción, reparto y obsesión por reducir tiempos.

Musk entra en esa tradición de constructores de sistemas. Tesla no es solo un coche eléctrico. Es una mezcla de baterías, software y tecnología, fabricación, carga, marca, datos, integración vertical y cultura de ingeniería. SpaceX no es solo una empresa de cohetes. Es fabricación, motores, reutilización, lanzamientos recurrentes, contratos públicos, satélites, centros de datos para xAI e inteligencia artificial, futuros centros de datos en espacio y una red global como Starlink.

La idea importa. Pero el sistema decide.

Musk no empezó desde cero, pero sí eligió riesgo real

Uno de los errores habituales al contar estas historias es exagerar la pobreza inicial o convertir el camino en una fábula de superación perfecta. Musk no llegó a Tesla y SpaceX sin nada. Venía de Zip2 y PayPal, con capital, experiencia, contactos y una capacidad de atraer talento que no tiene un emprendedor medio.

Eso no le quita mérito. Lo hace más realista.

Zip2 se vendió a Compaq en 1999 por 307 millones de dólares. X.com acabó siendo parte de PayPal, y eBay compró PayPal en 2002 por 1.500 millones. Musk salió de ahí con una fortuna enorme para cualquiera. La decisión razonable habría sido diversificar, invertir y vivir muy bien.

Pero hizo otra cosa. Apostó cantidades muy grandes de su propio patrimonio a sectores donde el fracaso era probable. SpaceX parecía una locura: construir cohetes privados cuando el espacio estaba dominado por gobiernos y contratistas tradicionales. Tesla también parecía improbable: fabricar coches eléctricos cuando la industria automovilística era intensiva en capital, estaba llena de gigantes y apenas creía en ese mercado.

Ese punto me parece importante. Muchas veces confundimos “tener visión” con “decir algo ambicioso”. Pero la visión solo pesa cuando alguien compromete recursos, reputación y tiempo en una dirección que puede salir mal.

En 2008 estuvo muy cerca de salir mal.

SpaceX acumulaba tres fallos con Falcon 1. Tesla tenía problemas de caja, retrasos y una crisis financiera global encima. Musk ha contado varias veces que tuvo que repartir sus últimos recursos entre ambas empresas. Si el cuarto lanzamiento de Falcon 1 hubiese fallado, probablemente hoy contaríamos otra historia. Una más breve, más dura y menos mítica. O quizás no porque habría podido reunir más recursos para seguir intentándolo.

Pero el Falcon 1 alcanzó la órbita en septiembre de 2008. Poco después, NASA adjudicó a SpaceX un contrato de 1.600 millones de dólares para misiones de carga a la Estación Espacial Internacional. Tesla también consiguió financiación crítica. Sobrevivieron por poco.

Y aquí aparece una diferencia entre los grandes empresarios industriales y los simples vendedores de promesas: en algún momento, la realidad tiene que validar la historia.

La fábrica como examen final

En software se puede caer en una trampa: pensar que todo se arregla iterando rápido. En parte es verdad. El software permite probar, corregir, desplegar y medir con una velocidad que la industria tradicional no tenía. Pero cuando el software toca átomos, las reglas cambian.

Un coche no se escala como una app. Un cohete no se despliega como una web. Una batería no perdona una mala decisión de materiales. Un satélite no vuelve al taller si ya está en órbita.

Ahí es donde Musk se parece más a Ford que a muchos fundadores digitales. Su obsesión por la fábrica no es decorativa. Tesla aprendió, a veces a golpes, que automatizar demasiado pronto puede crear más problemas de los que resuelve. La rampa del Model 3 dejó esa lección muy clara: fabricar a escala no es ensamblar más unidades, sino construir un sistema que no colapse cuando sube el volumen.

La expresión “production hell” se hizo famosa porque sonaba dramática, pero describía algo real. Tesla tenía que demostrar que no era una empresa de prototipos caros, sino un fabricante capaz de producir miles de coches por semana. Musk durmió en la fábrica, se metió en los cuellos de botella y convirtió esa crisis en parte de su narrativa.

Aquí conviene separar dos cosas.

La primera: estar cerca del problema es una virtud. Hay directivos que gestionan desde dashboards, reuniones y capas intermedias hasta perder contacto con la realidad. En industrias difíciles, eso puede ser letal. La fábrica, el cliente, el soporte, el centro de datos o la línea de producción cuentan verdades que no siempre aparecen en un comité.

La segunda: romantizar el agotamiento es peligroso. Que un fundador duerma en la fábrica puede ser una muestra de compromiso, pero también puede indicar que el sistema depende demasiado de una persona. Una empresa madura no debería necesitar siempre un acto heroico para funcionar.

Esa tensión define buena parte del liderazgo de Musk. Es capaz de empujar límites que otros no se atreverían a tocar. Pero ese mismo estilo también puede generar desgaste, rotación, miedo, decisiones precipitadas y una cultura demasiado dependiente del fundador.

La pregunta incómoda es: ¿cuánto de ese sacrificio era necesario y cuánto era síntoma de un sistema llevado al límite? y ¿está preparando Musk sus empresas para sobrevivir sin su liderazgo?

Comparar a Musk con Edison, Ford, Jobs o Bezos ayuda, pero también engaña

Las comparaciones históricas son útiles si no las usamos para fabricar santos. Edison fue brillante, pero también agresivo defendiendo intereses y patentes. Ford revolucionó la fabricación, pero tuvo posiciones personales y políticas muy discutibles. Jobs creó productos extraordinarios, pero su estilo de gestión podía ser durísimo. Bezos construyó una de las empresas más influyentes del mundo, aunque Amazon ha sido criticada durante años por la presión laboral y su poder de mercado.

Con Musk pasa lo mismo. Sus logros son enormes, pero no obligan a comprar todo el personaje. Se puede reconocer que SpaceX cambió el sector espacial y, al mismo tiempo, cuestionar su forma de comunicar. Se puede aceptar que Tesla aceleró el coche eléctrico y, a la vez, discutir sus plazos, su cultura o algunas decisiones de gobierno corporativo. Se puede admirar la ambición industrial sin convertirla en obediencia intelectual.

De hecho, quizá esa sea una forma más sana de estudiar a estos personajes: no preguntarnos si son buenos o malos, sino qué mecanismos utilizaron para cambiar industrias y qué costes dejaron por el camino.

Esta tabla no pretende igualarlos. Solo muestra una constante: muchas personas que cambian industrias mezclan genialidad, obsesión, conflicto y coste humano. La historia suele quedarse con los productos. Las empresas viven también las cicatrices.

El dinero como marcador imperfecto

En 2026, tras la salida a bolsa de SpaceX, distintas estimaciones situaron temporalmente a Elon Musk por encima del billón de dólares de patrimonio. La cifra es casi absurda, tan grande que cuesta pensarla. Pero también es engañosa.

La mayor parte de esa riqueza no es dinero en una cuenta corriente. Es valor de mercado de participaciones en empresas, especialmente SpaceX y Tesla. Puede subir o bajar de forma violenta. De hecho, después de alcanzar ese nivel, varias estimaciones volvieron a reducir su patrimonio por la caída de las acciones.

Esto también merece una lectura. En nuestra época, la riqueza extrema no solo mide beneficios presentes. Mide expectativas. Musk vale lo que el mercado cree que sus empresas pueden llegar a ser: una plataforma espacial, una red satelital, un actor de defensa, más o menos centros de datos para IA, una empresa de IA, un fabricante de coches, un proveedor de energía, quizá algo más.

Es una valoración del futuro, no solo del presente.

Y eso abre otra pregunta: ¿hasta qué punto premiamos resultados reales y hasta qué punto premiamos narrativas convincentes sobre lo que podría pasar?

Musk domina esa mezcla como pocos. Construye cosas reales, pero también domina el relato. Ahí se parece a Jobs, aunque con otro estilo. Jobs convertía una presentación en teatro de producto. Musk convierte un plan industrial en una epopeya pública, a veces brillante y a veces caótica.

Qué puede aprender un empresario normal de todo esto

La mayoría de nosotros no vamos a fundar SpaceX, ni Tesla, ni Amazon, ni Apple. Y quizá tampoco deberíamos intentar copiar literalmente a quienes lo hicieron. El error típico de la literatura empresarial es convertir casos extremos en recetas generales.

No todo el mundo puede ni debe gestionar como Musk. No todas las empresas necesitan vivir en modo emergencia. No todos los equipos responden bien a presión constante. Y no todos los problemas se resuelven trabajando más horas.

Pero sí hay aprendizajes útiles.

El primero: estar cerca del lugar donde se crea valor. En una empresa tecnológica puede ser el código, el soporte, la infraestructura, el cliente, la operación o la venta. En una industrial será la fábrica. En una empresa de servicios puede ser el equipo que habla todos los días con el cliente. Los grandes problemas rara vez se entienden solo desde arriba.

El segundo: distinguir entre idea y sistema. Una idea buena atrae atención. Un sistema bueno genera resultados repetidos. La diferencia entre ambas cosas es enorme.

El tercero: asumir que la escala cambia la naturaleza del problema. Vender diez unidades no enseña lo mismo que vender diez mil. Atender a un cliente no enseña lo mismo que atender a mil. Lanzar un prototipo no enseña lo mismo que sostener una operación durante años.

El cuarto: no confundir sacrificio con estrategia. Trabajar mucho puede ser necesario en algunos momentos, pero no sustituye a diseñar procesos, contratar bien, delegar, medir y construir una cultura que no dependa de una sola persona.

Y el quinto: mantener criterio propio ante los mitos. Musk, como Edison, Ford, Jobs o Bezos, ofrece lecciones valiosas. Pero también advertencias.

Algunas preguntas que me deja esta historia

Me interesa más terminar con preguntas que con una conclusión cerrada, porque creo que estos perfiles no admiten una lectura simple.

¿Hasta qué punto una empresa necesita una personalidad obsesiva para romper industrias muy asentadas?

¿Es posible construir empresas tan ambiciosas sin culturas de trabajo extremas?

¿Dónde está el límite entre liderazgo exigente y desgaste innecesario?

¿Premia demasiado el mercado a quienes saben contar el futuro antes de demostrarlo por completo?

¿Europa podría producir empresarios industriales de este tipo o nuestro marco cultural, financiero y regulatorio los empuja fuera antes de tiempo?

¿Queremos más fundadores así o queremos empresas más equilibradas, aunque avancen más despacio?

Mi impresión es que Elon Musk pertenece a esa categoría rara de empresarios que no solo crean productos, sino que fuerzan a sectores enteros a moverse. Eso no lo hace perfecto. Tampoco lo hace imitable. Lo hace relevante.

Antes de los billones, antes de los titulares y antes de la discusión eterna sobre si es genio o villano, Musk aprendió una lección que ya habían entendido otros grandes constructores: una idea solo cambia el mundo cuando alguien consigue fabricarla, repetirla y sostenerla el tiempo suficiente.

La épica ayuda a contar la historia. La fábrica decide si era verdad.

Un análisis independiente que circula entre usuarios avanzados y desarrolladores ha puesto números a esa sensación. Sus autores compraron varios planes de Anthropic y OpenAI, lanzaron tareas largas de programación hasta agotar los límites semanales y compararon ese consumo con lo que habría costado usando precios de API. La conclusión es llamativa: una suscripción Claude Max 20x de 200 dólares mensuales podría permitir un uso equivalente a unos 8.000 dólares al mes en API. En ChatGPT Pro 20x, también por 200 dólares, el equivalente aproximado podría llegar a 14.000 dólares.

Conviene aclarar desde el principio que esto no significa que Anthropic u OpenAI paguen internamente esos 8.000 o 14.000 dólares por cada usuario intensivo. Los precios de API incluyen margen, infraestructura, disponibilidad, producto, soporte y costes comerciales. Pero la comparación sirve para entender algo importante: la tarifa plana de la IA funciona porque la mayoría de usuarios no exprime el servicio al máximo. Si muchos empezamos a usar agentes durante horas, trabajar con repositorios completos, pedir análisis largos o automatizar tareas de desarrollo, la economía cambia.

El coste real está oculto en la suscripción

Las suscripciones siempre han funcionado con una idea parecida. Un gimnasio no espera que todos los socios entrenen dos horas al día. Una plataforma de streaming no asume que todos los usuarios van a ver contenido sin parar. Un proveedor de IA tampoco calcula su margen pensando en que cada persona agotará sus límites de uso cada semana.

La diferencia está en que una consulta a un modelo avanzado no es un contenido ya producido que se distribuye a bajo coste. Cada respuesta consume cómputo. Cada contexto largo, cada iteración de código, cada herramienta ejecutada y cada agente trabajando durante minutos u horas tiene un coste real en GPUs, memoria, red, almacenamiento, energía y operación.

A fecha de publicación, he usado como referencia aproximada el cambio del Banco Central Europeo del 12 de junio de 2026, con 1 euro equivalente a 1,1567 dólares. Eso deja 1 dólar en unos 0,8645 euros. Las cifras siguientes están redondeadas, no incluyen impuestos, comisiones ni diferencias de facturación por país, y deben leerse como una aproximación.

La tabla impresiona porque rompe la percepción de “pago una cuota y ya está”. En realidad, estamos usando un servicio de cómputo avanzado que hoy se empaqueta como suscripción para hacerlo más sencillo, más masivo y más atractivo. El problema es que el consumo no es lineal. Un usuario que pregunta cosas sueltas no se parece en nada a un desarrollador que usa agentes de código durante toda la jornada.

La clave está en la utilización media. Si la mayoría usa poco, el modelo comercial aguanta. Si cada vez más usuarios empiezan a exprimir las suscripciones para tareas largas, la tarifa plana se convierte en una subvención cruzada: los usuarios ligeros compensan a los intensivos.

API, suscripción o modelos propios: tres formas distintas de pagar

La comparación con la API ayuda a ver dónde está el coste. OpenAI publica precios para GPT-5.5 de 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida en contexto corto, mientras que GPT-5.5 Pro sube a 30 dólares por millón de tokens de entrada y 180 dólares por millón de tokens de salida. Anthropic, por su parte, lista Claude Fable 5 a 10 dólares por millón de tokens de entrada y 50 dólares por millón de salida, y Claude Opus 4.8 a 5 y 25 dólares respectivamente.

Pasado a euros, el orden de magnitud se ve mejor:

Cuando uno mira estos precios entiende por qué los laboratorios separan cada vez más entre usuario final, API, planes profesionales y empresa. La suscripción sirve muy bien para adopción masiva. La API sirve para producto, integración y control de consumo. El modelo empresarial permite negociar condiciones, soporte, seguridad y límites. Son negocios distintos, aunque todos usen la misma materia prima: inferencia.

Para un usuario individual, pagar 20 o 200 dólares al mes puede ser baratísimo si la IA ahorra horas de trabajo real. Para una empresa que mete IA en procesos internos, la pregunta cambia: ¿cuánto cuesta cada tarea?, ¿qué modelo se usa?, ¿qué datos salen?, ¿qué latencia es aceptable?, ¿qué ocurre si suben precios o cambian límites?

La parte incómoda es que quizá tengamos que acostumbrarnos a pagar más por usar IA avanzada. No porque las empresas sean malas, sino porque servir inteligencia artificial de alta gama cuesta dinero. Si un modelo nos ayuda a programar, analizar contratos, revisar documentación, generar informes o automatizar tareas complejas, quizá pagar 100, 200 o 500 euros al mes no sea una barbaridad si el retorno es claro.

Lo que no parece sostenible es pensar que siempre tendremos acceso casi ilimitado a los mejores modelos del mundo por una cuota plana baja. Puede ocurrir durante un tiempo por competencia, estrategia de crecimiento y caída de costes. Pero si el uso profesional se dispara, alguien tendrá que pagar la factura.

La alternativa: modelos abiertos, infraestructura propia y más control

La otra posibilidad es que no todo pase por pagar más a OpenAI, Anthropic, Google o xAI. Cada vez tendremos más modelos abiertos o de pesos disponibles que podremos ejecutar en nuestros propios servidores, en cloud privado o en cloud público. Quizá sean más lentos. Quizá no alcancen siempre la calidad del mejor modelo propietario del momento. Pero para muchos usos serán suficientes.

Esta es una parte del debate que me interesa especialmente. No todo necesita el modelo más potente. Muchas tareas empresariales son repetitivas, internas, acotadas y medibles: clasificar documentos, extraer datos, resumir incidencias, responder sobre una base de conocimiento, revisar logs, preparar borradores, generar consultas SQL sencillas, analizar tickets o ayudar a equipos técnicos con documentación interna.

Para esos casos, un modelo abierto bien desplegado puede ser mucho más interesante que una API externa. No solo por coste. También por privacidad, cumplimiento, control operativo y soberanía. Si los datos no salen de tu entorno, reduces dependencia y puedes adaptar mejor el sistema a tus necesidades. Eso sí: no desaparece el coste. Cambia de forma.

Ejecutar IA en infraestructura propia implica pagar servidores, GPUs, almacenamiento, electricidad, refrigeración, red, administración, monitorización, actualizaciones, seguridad y tiempo técnico. En cloud público ocurre algo parecido, aunque el coste se convierte en consumo bajo demanda. En cloud privado o bare metal puedes ganar previsibilidad y control, pero necesitas dimensionar bien.

Lo interesante será elegir con cabeza. Para una tarea crítica de razonamiento complejo quizá compense usar el mejor modelo comercial disponible. Para una tarea interna de clasificación o resumen quizá baste un modelo abierto más pequeño. Para código, puede tener sentido combinar herramientas: suscripción para productividad personal, API para flujos medidos y modelos propios para tareas repetibles.

La arquitectura de IA que viene será híbrida. Igual que muchas empresas combinan cloud público, cloud privado, SaaS y sistemas on-premise, también combinarán modelos propietarios, APIs, modelos abiertos, inferencia local y servicios especializados. La pregunta no será “qué IA uso”, sino qué IA uso para cada tarea, con qué coste, bajo qué control y con qué dependencia.

La factura de la IA nos obligará a madurar

Durante la primera fase de la IA generativa, muchos hemos usado estas herramientas como si el coste de la inteligencia fuera casi invisible. Abrimos una ventana, preguntamos, iteramos, probamos y seguimos. Es normal: el producto está diseñado para que no pensemos en tokens ni en GPUs. Pero las empresas que construyan procesos reales sobre IA tendrán que mirar la factura con más cuidado.

Eso no tiene por qué ser negativo. En el mundo cloud ya pasamos por algo parecido. Primero llegó la fascinación por la elasticidad. Después llegaron las facturas inesperadas. Más tarde llegaron FinOps, observabilidad, reservas, optimización, arquitecturas híbridas y una cultura más madura de costes. Con la IA pasará algo similar.

Habrá que medir coste por tarea, no solo coste por usuario. Habrá que decidir qué modelo merece cada flujo. Habrá que cachear contexto, evitar prompts gigantes innecesarios, usar modelos pequeños cuando baste, limitar agentes, registrar consumos y comparar resultados. La eficiencia volverá a ser una virtud técnica, no una obsesión de contables.

También habrá que aceptar que la Inteligencia Artificial buena puede costar dinero. Nos hemos acostumbrado demasiado rápido a una abundancia artificial. Si una herramienta nos ahorra trabajo real, reduce errores o permite crear productos que antes no eran viables, pagar más puede tener sentido. Lo importante es no quedar atrapados en una dependencia ciega de tarifas planas que mañana pueden cambiar.

Por eso mi conclusión no es “todo será más caro” ni “hay que huir de las grandes plataformas”. Mi conclusión es más práctica: conviene prepararse para un mundo en el que la IA tendrá varios precios, varias calidades y varias formas de despliegue. A veces pagaremos más por el mejor modelo. A veces usaremos modelos abiertos más lentos, pero suficientes. A veces nos interesará la API. A veces preferiremos infraestructura propia.

La tarifa plana ha sido magnífica para descubrir la IA. Para producción, estrategia y soberanía tecnológica, necesitaremos algo más serio: costes claros, modelos alternativos, control de datos y capacidad para decidir dónde se ejecuta cada parte de nuestra inteligencia artificial.

Preguntas frecuentes

¿Las suscripciones de IA están subvencionadas?

En cierto modo, sí para los usuarios más intensivos. El modelo funciona porque muchos usuarios pagan y no agotan todos los límites. Si se compara el consumo máximo con precios de API, algunas suscripciones pueden permitir un uso equivalente muy superior al precio mensual.

¿Significa esto que OpenAI o Anthropic van a subir precios?

No necesariamente, pero sería razonable esperar más segmentación. Los modelos más potentes, los agentes largos, las ventanas de contexto grandes o las funciones profesionales podrían quedar cada vez más asociadas a planes superiores, créditos, API o contratos de empresa.

¿Tiene sentido ejecutar modelos open source en servidores propios?

Sí, en muchos casos. Puede ser interesante para datos sensibles, costes previsibles, cumplimiento normativo o tareas internas repetibles. Pero no es gratis: exige hardware, operación, seguridad, mantenimiento y capacidad técnica.

¿Qué estrategia parece más razonable para una empresa?

Usar una combinación de opciones. Modelos comerciales para tareas complejas, API cuando haga falta integración y medición, modelos abiertos para usos internos repetibles, y una arquitectura que permita cambiar de proveedor o de modelo sin rehacerlo todo.