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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

A lo largo de las últimas décadas, hemos presenciado la construcción de toda una economía digital sobre una asunción cómoda, pero falsa: que plataformas como Google, Facebook, X, Instagram y otras podían funcionar como canales de distribución estables para nuestros contenidos.

Cualquier página que fuese capaz de producir un contenido de calidad razonable, que modificase sus titulares para dotarlos de un estilo determinado («optimizar», lo llamaban), que jugase con las reglas del buscador y que fuese capaz de conseguir cierta relevancia social se encontraba con un flujo más o menos regular de lectores, a los que podía martirizar sistemáticamente con formatos de publicidad en muchos casos completamente inaguantables.

Como contrapartida, esos canales retenían datos, atención, poder de intermediación y una parte significativa del mercado publicitario. Como pacto, era un desastre asimétrico y que se firmaba con el mismísimo diablo, pero al menos tenia cierto aspecto de pacto.

Desde la llegada de la inteligencia artificial generativa, ese pacto ha muerto oficialmente. Ahora Google ya no tiene el menor interés en enviar al usuario a una web: lo que quiere es responderle dentro de Google y que no salga de ahí. Los AI Overviews, esos resúmenes generados mediante inteligencia artificial, convierten las páginas en materia prima, extraen de ellas los datos, los reorganizan con sus propias palabras e intentan por todos los medios que la consulta termine ahí. Eso ha hecho que el tráfico enviado por Google Search a los editores haya caído ya un 34% en un año. A lo largo de los últimos dos años, los pequeños editores han perdido nada menos que un 60% de su tráfico desde buscadores, frente a un 47% de los editores medianos y un 22% de los grandes. La asimetría castiga especialmente a todos aquellos que construyeron su negocio sobre tráfico alquilado.

La metáfora es evidente: el tráfico procedente de Google o de una red social nunca fue propiedad del editor. Era tan solo audiencia prestada, sometida a unas reglas ajenas, a unos algoritmos opacos y a unas decisiones tomadas por empresas cuyos intereses podían cambiar en cualquier momento, como finalmente ha ocurrido. A pesar de eso, muchos medios, comercios y creadores se dedicaron a contabilizarlo como si fuese de alguna manera un activo propio: contrataron equipos, prometieron audiencias a los anunciantes, calcularon y capitalizaron flujos de ingresos futuros y diseñaron toda una estrategia alrededor de fuentes de visitas que podían desaparecer con una simple actualización del algoritmo.

Ahora al propietario le ha dado por cambiar las condiciones del alquiler. Google conserva al usuario, responde a su pregunta y reduce drásticamente el incentivo para hacer clic. Un estudio de Pew Research Center comprobó que, cuando aparecía un resumen generado mediante inteligencia artificial, los usuarios hacían clic en un resultado tradicional en apenas el 8% de las visitas, frente al 15% cuando no aparecía. Los enlaces incluidos dentro del propio resumen recibían clics en solo el 1% de los casos. No estamos ante una ligera modificación del buscador, sino ante una redefinición radical de su función: de puerta de entrada a destino final.

Los chatbots tampoco compensan esa pérdida. Los datos de Chartbeat citados por Axios demuestran que, aunque las referencias procedentes de ChatGPT han crecido más de un 200%, siguen representando menos del 1% de las visitas recibidas por los editores. Cloudflare además, da cuenta de una brecha aún más reveladora entre rastreo y retorno: los sistemas de inteligencia artificial recorren decenas de miles de páginas por cada visitante que devuelven. Consumen recursos web a escala industrial, pero no contribuyen casi nada a su economía.

Las redes sociales llevan tiempo recorriendo el mismo camino. El Reuters Institute ya señalaba a comienzos de 2026 que las referencias a medios desde Facebook y X habían caído un 43% y un 46%, respectivamente, en tres años, mientras los editores anticipaban otra reducción muy importante del tráfico de búsqueda. Y casos como el reciente impacto sufrido por LBG Media tras un cambio del algoritmo de Meta ofrece una demostración particularmente clara: cuando la plataforma decide privilegiar a creadores individuales frente a editores, el tráfico y los ingresos indirectos pueden hundirse brutalmente de un día para otro.

Todo esto confirma algo que debería haber sido evidente desde el principio: esas plataformas no son socios, sino intermediarios que toleran tu existencia mientras les resulte útil. Pueden enviarte tráfico durante años para consolidar su posición, y retirarlo cuando descubren que pueden apropiarse directamente de la relación con el usuario. La dependencia parecía eficiente porque evitaba el trabajo lento y costoso de construir marca, comunidad, suscripciones, acceso directo o productos propios. Pero aquella eficiencia era simplemente riesgo diferido.

En mi página, la caída apenas se ha notado. En parte, porque el tráfico procedente de buscadores nunca fue especialmente importante; en parte, porque no tengo publicidad y, por tanto, una visita más o menos no altera mi modelo económico, y sobre todo, porque escribo para aprender, preparar mis clases, ordenar ideas y conversar con quienes deciden volver habitualmente. Como ya expliqué recientemente en «La web sin visitas«, mi situación es claramente privilegiada: no necesito convertir cada lector en una impresión publicitaria ni adaptar cada título a los caprichos de ningún algoritmo. Frente a los idiotas que no han entendido nada y que se pasan por aquí para acusarme de escribir mediante inteligencia artificial porque lo dice «nosequé prueba diabólica», la realidad: no escribo con inteligencia artificial porque no me hace falta, no «necesito» generar un artículo al día para nada económicamente rentable. Lo necesito para aprender, y si me escribe el artículo un chatbot, no aprendo nada.

Para muchos otros, sin embargo, la situación es mucho más dramática. Quien vive de páginas vistas, afiliación, publicidad programática o descubrimiento algorítmico está viendo cómo desaparece el suelo bajo sus pies. Y no, no hay ninguna técnica de GEO, ningún truco para aparecer citado por un chatbot ni ninguna nueva forma de optimización que pueda restaurar el antiguo equilibrio. Ser mencionado en una respuesta que evita la visita no equivale a recibir al lector.

La conclusión no es que la web esté muriendo, sino que termina una determinada forma de explotarla. Sobrevivirán mejor quienes tengan lectores en lugar de tráfico, clientes en vez de impresiones, comunidades frente a audiencias accidentales alquiladas a terceros. Quienes construyan relaciones directas mediante suscripciones, boletines, aplicaciones, eventos, reputación o utilidad real. Todo lo demás seguirá dependiendo de un casero que controla la puerta, cambia unilateralmente el contrato y, cuando le conviene, deja de enviar visitas.

Durante años, demasiadas empresas han confundido visibilidad con propiedad. Ahora están descubriendo la diferencia.

This article is also available in English on my Medium page, «The internet’s landlords have changed the lease on your website»

A lo largo de unas horas, una plataforma como Google Earth dejó de ser una representación de la realidad del mundo en forma de mapas y perspectivas aéreas, para convertirse en una máquina capaz de reescribirlo. Sin previo aviso, a Google le dio por integrar en el servicio su generador de imágenes Nano Banana 2, y por permitir que cualquier usuario tomase cualquier localización real, apoyada en imágenes aéreas, satelitales y modelos tridimensionales, y pudiese crear sobre él literalmente lo que le diese la gana de ver allí. Una urbanización de adosados, una reconstrucción histórica, una ciudad futurista… o, por qué no, un bombardeo, una invasión, un campo de refugiados o una central nuclear inexistente. ¿Por qué hizo Google algo así? Simplemente, «porque puede». Para lucir sus capacidades, para transmitir su poderío, o simplemente, porque nadie pensó en los posibles riesgos.

La propia presentación de Google invitaba al usuario a «transformar cualquier lugar», y destacaba supuestas aplicaciones educativas, urbanísticas o inmobiliarias. Como era de esperar, el experimento duró apenas un día: varios periodistas de BBC Verify consiguieron generar rápidamente una torre Eiffel derruída, un enorme socavón tragándose la pirámide de Giza, y tanques rusos paseando por Kiev. Otros investigadores fabricaron un hospital bombardeado en Gaza, instalaciones nucleares en Irán o campamentos de refugiados en la frontera entre México y Estados Unidos. En unas horas, Google retiró la función mientras prometía crear en ella «salvaguardas más fuertes». Los imbéciles irresponsables de Google, tomando una página prestada de los idiotas irresponsables de Meta: la pregunta no es cómo pudieron los usuarios hacer esas cosas, sino cómo pudo Google no imaginar que las harían.

El episodio parece extraído directamente de «Mountainhead«, la película escrita y dirigida por Jesse Armstrong en la que cuatro multimillonarios tecnológicos contemplan desde una mansión en lo alto de la montaña cómo el mundo se incendia por culpa de los deepfakes distribuidos por una de sus plataformas, mientras compiten por ver quien acumula más billones. Si no la has visto, te la recomiendo vivamente, porque es un reflejo fiel de lo que estamos viviendo. En ella, los personajes discuten sobre valoraciones, adquisiciones y poder mientras, fuera de su burbuja, la desinformación provoca disturbios de todo tipo, persecuciones y muertes. Cuando se estrenó, algunos críticos señalaron que la película estaba tan cerca de la realidad que casi no funcionaba como sátira. Ahora, cada vez más, empieza a ser directamente un documental.

Google argumenta que las imágenes estaban marcadas como generadas por inteligencia artificial, y que no se incorporaban al mapa visible para otros usuarios (¡solo faltaría!!). Es una defensa absurda y extraordinariamente floja, como planteada por una persona completamente carente de sensibilidad: una captura de pantalla pierde siempre de forma inmediata el contexto de su interfaz, circula sin parar por redes sociales. y llega siempre a personas que no se ponen a comprobar jamás su procedencia. Además, BBC Verify descubrió que la marca invisible de Google y las diversas herramientas de detección existentes podían ser fácilmente engañadas. Los investigadores sobre deepfakes llevan años advirtiendo que las marcas de agua solo sirven si son extraordinariamente resistentes, y que identificar contenido sintético tras su difusión es muchísimo más difícil que impedir su creación o que conservar una cadena verificable de su procedencia.

Pero aquí hay algo todavía más grave: Google Earth no es un generador de imágenes cualquiera, se ha convertido en una infraestructura de confianza. Periodistas, investigadores de fuentes abiertas, organizaciones humanitarias y ciudadanos lo utilizan como referencia para comprobar dónde ocurrió algo, las características de un terreno o si una imagen coincide con una determinada localización. Como comenta un investigador en el Financial Times, introducir generación sintética dentro de esa misma herramienta equivale a contaminar el instrumento empleado para verificar las falsificaciones. La mentira no solo parece real, sino que incluso hereda la credibilidad del mapa sobre el que ha sido construida.

Durante años, las plataformas tecnológicas han tratado la desinformación como un efecto secundario incómodo de productos esencialmente beneficiosos. Pero la UNESCO recuerda que esos entornos se han convertido también en ecosistemas de polarización, odio e incitación a la violencia. Associated Press ha documentado cómo los deepfakes pueden fabricar atentados inexistentes, crisis bancarias o, como ha ocurrido recientemente, falsas hospitalizaciones de candidatos. No estamos hablando simplemente de que alguien crea algo incorrecto durante unos minutos: hablamos de personas señaladas, insultadas, perseguidas o asesinadas, de mercados alterados, de conflictos armados alimentados con pruebas falsas, de turbas que muchas veces se echan a la calle y actúan antes de que llegue cualquier tipo de verificación.

Lo verdaderamente amargo es comprobar en manos de quién estamos: empresas con recursos prácticamente ilimitados que lanzan, como jugando, productos de alcance planetario, y parecen descubrir sus consecuencias con una estúpida cara de sorpresa, al mismo tiempo que los usuarios. La secuencia se repite: primero se despliega, después se observa el daño y finalmente se anuncia que se trabajará en nuevas salvaguardas. La sociedad como laboratorio, y nosotros como cobayas.

No se trata de oponerse a la inteligencia artificial generativa, ni de negar sus posibilidades para imaginar ciudades, reconstruir el pasado o visualizar proyectos. Se trata de exigir que quienes poseen un gran poder, lo ejerzan con un mínimo de responsabilidad. La capacidad de alterar la percepción de la realidad debe implicar que se asuma una responsabilidad proporcional a ese poder. Lo de «moverse rápido y romper cosas» ya era una consigna estúpidamente irresponsable cuando lo que se rompía era un mercado. Cuando lo que puede romperse es el consenso básico sobre lo que ha ocurrido realmente, la frase llega a adquirir un significado mucho más siniestro.

Google reaccionó y retiró la herramienta. Pero hacerlo veinticuatro horas después no demuestra responsabilidad: demuestra que nadie formuló antes las preguntas más elementales: ¿cómo y quiénes van a abusar de esto? ¿Quién o qué podría resultar dañado? ¿Qué ocurrirá cuando una imagen falsa llegue a una zona en guerra, a una campaña electoral o a una comunidad tensionada?

«Mountainhead» imaginaba una élite tecnológica tan fascinada por sus productos y sus billones, que había dejado completamente de ver a las personas afectadas por ellos o de pensar en las consecuencias. Lo inquietante es que quizá Jesse Armstrong no estaba imaginando nada: estaba simplemente mirando.

This article is also available in English on my Medium page, «Mountainhead’s satire melts in the face of Google Earth’s Nano Banana 2 fiasco»

Durante mucho, mucho tiempo, una parte muy importante de la movilidad social en las sociedades de países desarrollados ha consistido, en cierto sentido, en tratar de alejar a los hijos de los considerados «oficios», o trabajos manuales. El mensaje era sencillo: estudia para no tener que ganarte la vida con las manos, dando implícita y explícitamente a esos oficios una connotación de inferioridad. Sí, trabajar como electricista, carpintero o fontanero podía ser perfectamente respetable e incluso potencialmente muy rentable, pero ser ingeniero, arquitecto o directivo en una compañía parecía siempre más deseable, más seguro y dotado de más prestigio social.

Ahora, la inteligencia artificial está invirtiendo esa jerarquía de una forma sumamente irónica: son precisamente las compañías que prometen automatizar una buena parte del considerado trabajo intelectual las que ahora necesitan ponerse a contratar como si no hubiera un mañana, literalmente por miles, a personas capaces de instalar cables, levantar estructuras, refrigerar o mantener en funcionamiento los descomunales centros de datos que hacen posible esa automatización.

La paradoja es impresionante: precisamente los que construyen las máquinas que están transformando el trabajo de abogados, desarrolladores, consultores, arquitectos o gestores dependen de una serie de profesionales cuyo trabajo exige presencia física, destreza manual, experiencia acumulada, capacidad de improvisación y contacto con una realidad. Se prevé que la demanda de electricistas en los Estados Unidos crezca un 9% entre 2024 y 2034 con unas 81,000 nuevas vacantes anuales, y los fontaneros mantienen también una demanda considerable, en torno a los 44,000 nuevos puestos cada año. Claramente, no es una moda anecdótica, sino un cuello de botella estructural provocado por décadas de desprecio hacia la formación profesional, junto con el consiguiente envejecimiento de las plantillas y la electrificación acelerada de toda la economía.

¿Significa eso que deberíamos aconsejar a nuestros hijos que olviden la ruta de la universidad y se dediquen a ser fontaneros, electricistas o carpinteros? Obviamente, no. Esa conclusión sería tan simplista como la anterior, la que pretendía absurdamente que cualquier título universitario era una especie de póliza de seguro de por vida. El error, claramente, está en pensar en profesiones enteras como supuestos bloques estables que desaparecen o sobreviven de golpe. La tecnología no suele provocar la sustitución de profesiones enteras: más bien sustituye tareas, modifica procesos, elimina capas de trabajo rutinario y cambia la combinación de capacidades que convierten a una persona en valiosa.

La Organización Internacional del Trabajo afirma que uno de cada cuatro empleos está expuesto, de alguna forma, a la inteligencia artificial generativa, pero insiste en decir que la transformación es mucho más probable que la desaparición. Y la OCDE prueba algo muy interesante: que las capacidades actuales de la inteligencia artificial están más próximas a las de los trabajos basados en procesamiento rutinario de información y tareas codificables, y más alejados de aquellos que requieren juicio contextual, responsabilidad, comprensión interpersonal o actuación física en entornos difíciles de prever.

Ahora, eso tampoco convierte a electricistas, carpinteros o fontaneros en inmunes, o al menos, no para siempre: en realidad, tan solo tiende a retrasar y cambiar la naturaleza de la automatización. Podemos asumir como seguro que la robótica va a avanzar muchísimo, pero cambiar una tubería en una vivienda antigua, reparar una avería en un falso techo o adaptar una instalación eléctrica a una obra llena de excepciones de todos los colores es muchísimo más difícil que mover objetos de forma repetitiva en una fábrica. Los entornos no estructurados, la motricidad fina, la variabilidad y la responsabilidad legal siguen siendo barreras formidables. Antes de tratar de sustituir al profesional, la tecnología tenderá a intentar proporcionarle mejores herramientas: diagnóstico automatizado, visión artificial, planificación, presupuestos, documentación, formación aumentada o robots especializados en tareas específicas… nada que no hayamos visto anteriormente.

Y exactamente lo mismo ocurrirá con ingenieros, arquitectos o directivos: sus títulos no van a convertirse de repente en inútiles, aunque es posible que dejen de justificar por sí solo un puesto concreto. Un arquitecto que únicamente produce planos de forma rutinaria competirá con sistemas cada vez mejores mientras que uno que sea capaz de entender restricciones, negociar con clientes, asumir responsabilidades, integrar criterios técnicos, ambientales y sociales y dirigir a pie de obra será, sin ninguna duda, sensiblemente más valioso. Un ingeniero que se limite a calcular lo que una máquina calcula mejor tendrá seguramente problemas, pero uno capaz de formular correctamente un problema, de contrastar resultados y de responder por las consecuencias tendrá más posibilidades. La inteligencia artificial no elimina necesariamente la educación avanzada: elimina buena parte de la comodidad que generalmente tendíamos a asociar con ella.

El consejo razonable para un joven, por tanto, no es buscar profesiones «a prueba de inteligencia artificial», porque probablemente esas profesiones no existen a medio o largo plazo. Es más bien tratar de desarrollar una combinación difícil de sustituir: conocimientos profundos, capacidades prácticas, criterio, habilidades sociales, familiaridad con la tecnología y disposición permanente para seguir aprendiendo a lo largo de su carrera profesional. La mejor opción podría ser, por ejemplo, una ingeniería acompañada de experiencia real en taller, una arquitectura que entienda de materiales y obras, una formación profesional con capacidades digitales y empresariales, o cualquier itinerario que evite la absurda separación entre thinkers y doers, entre pensar y hacer.

Durante demasiado tiempo hemos confundido educación con estatus, y trabajo manual con un supuesto fracaso escolar. Ahora estamos empezando a descubrir que una sociedad puede producir miles de titulados capaces de preparar presentaciones y, al tiempo, no ser capaz de encontrar a nadie capaz de conectar un transformador, reparar una fuga o instalar una aerotermia. La corrección de ese absurdo desequilibrio social es saludable, pero nunca debería llevarnos a pretender sustituir una jerarquía sin sentido por otra nueva, porque ni es sano, ni mucho menos sostenible en el tiempo.

El futuro no va a ser de los universitarios ni de los oficios: será de quienes sepan combinar conocimiento, herramientas y responsabilidad para resolver problemas reales. Y esos problemas, por más que avance la inteligencia artificial, seguirán teniendo la muy molesta e incómoda costumbre de existir fuera de una pantalla.

This article is also available in English on my Medium page, «The AI revolution is going to need a lot of plumbers«

Durante los dos últimos años, las empresas han intentado añadir inteligencia artificial a sus procesos. Al principio sonaba razonable. Workflows existentes, sistemas existentes, datos existentes, cuadros de mando existentes… ahora con inteligencia añadida. Añadir un copilot aquí, un agente allá, unos cuantos pasos automatizados, un modelo conectado a algunas herramientas, y esperar a que aumente la productividad.

Pero este enfoque empieza a mostrar sus límites: el problema no es que la inteligencia artificial no pueda actuar. Cada vez puede hacerlo mejor. El problema es que la mayoría de las empresas no tiene una representación formal de lo que significan sus acciones.

Una empresa no es un montón de aplicaciones. No es un CRM, un ERP, un data lake, un espacio de Slack, un conjunto de hojas de cálculo y una colección de cuadros de mando. Una empresa es un sistema causal: clientes, productos, contratos, precios, proveedores, empleados, aprobaciones, incentivos, restricciones, riesgos, procesos y resultados, todo influyéndose mutuamente a lo largo del tiempo.

Si la inteligencia artificial va a optimizar la empresa, primero necesita saber de qué va la empresa. Por eso la próxima frontera de la inteligencia artificial empresarial no es el agente. Es la ontología.

De los datos a la ontología

La palabra “ontología” puede sonar innecesariamente filosófica, pero la idea es sencilla: es un modelo formal de lo que existe en un dominio y de cómo esas cosas se relacionan entre sí.

En términos empresariales, eso significa representar la compañía no como filas desconectadas en bases de datos o documentos en repositorios, sino como una estructura viva de objetos, relaciones, permisos, workflows y acciones. Un cliente tiene contratos. Un contrato tiene términos. Un producto tiene dependencias. Un pedido modifica inventario. Un retraso afecta a la satisfacción. Un descuento afecta al margen. Una interacción de soporte afecta a la retención.

Esa estructura importa porque los sistemas de inteligencia artificial no pueden gobernar ni optimizar aquello que no pueden representar.

Esta es una de las razones por las que la conocida Ontology de Palantir se ha convertido en una referencia tan importante en inteligencia artificial empresarial. Palantir describe su Ontology, así, con mayúscula, como si de algún modo hubieran inventado ellos la palabra, como un sistema que va más allá de la catalogación de datos o el diseño de esquemas, proporcionando una base para workflows con metadatos, seguridad y gobernanza. Su material arquitectónico describe la Ontology como «el núcleo dinámico y acumulativo de la empresa cibernética”, conectando datos, lógica y acción en un modelo operativo compartido para humanos y agentes habilitados por inteligencia artificial.

Es un cambio significativo. Aleja la inteligencia artificial empresarial del “chatea con tus datos” y la acerca a algo mucho más serio: inteligencia artificial actuando dentro de un modelo formal del negocio.

Pero una vez que una empresa tiene una ontología, aparece una pregunta más profunda: ¿para qué sirve la ontología?

Una ontología estática no basta

Una ontología estática le dice al sistema qué existe. Eso es útil: crea legibilidad, permite que software y humanos se refieran a los mismos objetos, hace que los workflows dependan menos de integraciones improvisadas, da a los agentes algo más estructurado que un prompt y algo más fiable que un montón de documentos recuperados.

Pero las empresas no son estáticas. Una empresa cambia cada minuto. Un cliente pasa de prospecto a cuenta activa y luego a riesgo de no renovación. El inventario cambia. La exposición crediticia cambia. Un proveedor deja de ser fiable. Un proceso comercial funciona en un segmento y fracasa en otro. Una política de soporte mejora las métricas de coste y deteriora silenciosamente la confianza. Una regla de precios aumenta el margen y reduce la retención a largo plazo.

La empresa real no es el sustantivo. Es el verbo. Por eso importa la distinción entre ontología estática y dinámica. La propia documentación de Palantir distingue entre los elementos semánticos de la ontología (objetos, propiedades y enlaces) y lo que denomina la “cinética de la organización”, definida mediante tipos de acciones y funciones que permiten el cambio cumpliendo controles y gobernanza. Eso ya se acerca mucho más a lo que necesita la inteligencia artificial empresarial.

Pero incluso una ontología dinámica puede no ser el paso final. Una ontología dinámica puede decirle al sistema cómo opera la empresa. El siguiente paso es una ontología capaz de mejorar cómo opera la empresa. En otras palabras: una ontología optimizable.

La ontología no debería limitarse a describir la empresa

Aquí está el punto de inflexión, la parte verdaderamente importante: si una ontología representa la estructura de la empresa, y si los sistemas de inteligencia artificial actúan a través de esa estructura, entonces la ontología deja de ser simplemente un mapa, y se convierte en parte de la maquinaria de la propia empresa.

Eso significa que la ontología no debería limitarse a describir operaciones: debería permitir optimizarlas. Aquí es donde la mayoría de las conversaciones sobre inteligencia artificial empresarial siguen quedándose cortas. Tratan la ontología como una capa semántica: una forma de conectar datos, definir entidades, aclarar relaciones y ofrecer a los agentes un entorno más seguro en el que actuar. Todo eso es necesario… pero no es suficiente.

La verdadera oportunidad es convertir la ontología en un sustrato de optimización. Cada workflow representado en la ontología debería estar conectado con resultados. Cada acción debería dejar una traza. Cada traza debería poder utilizarse como retroalimentación. Cada proceso debería tener un objetivo explícito. Cada objetivo debería ser medible. Cada resultado medible debería permitir al sistema aprender qué acciones, configuraciones y secuencias mejoran los resultados.

En ese punto, la empresa ya no está simplemente usando inteligencia artificial: la empresa se está volviendo optimizable.

De workflows a estructura causal

La mayoría de los procesos de negocio siguen tratándose como diagramas: cajas, flechas, aprobaciones, traspasos y excepciones. Así es como los humanos entienden el trabajo. Pero no es así como los sistemas adaptativos lo optimizan.

Un sistema de inteligencia artificial necesita algo más que un diagrama. Necesita estructura causal. Necesita entender que reducir el tiempo en un paso puede aumentar el re-trabajo en otro. Que acortar una llamada de soporte puede aumentar el churn. Que aplicar descuentos puede ganar un cliente pero reducir la calidad de los ingresos. Que automatizar una aprobación puede aumentar la velocidad pero reducir la rendición de cuentas. Que optimizar el KPI de un departamento puede dañar el objetivo global de la empresa.

No es una distinción cosmética. Un artículo reciente en Nature Computational Science sostiene que la toma de decisiones algorítmica fiable necesita razonamiento causal, porque las decisiones implican necesariamente relaciones de causa y efecto y deben alinear los métodos computacionales con objetivos del mundo real.

Ese es exactamente el problema empresarial: una ontología corporativa no puede detenerse en la representación. Tiene que codificar consecuencias. Los sistemas de inteligencia artificial empresarial más interesantes no se limitarán a saber que existe una oportunidad comercial, que un contrato está pendiente o que un cliente ha abierto tres tickets. Entenderán cómo las acciones sobre esos objetos modifican la probabilidad de resultados que importan a la empresa: conversión, retención, margen, riesgo, satisfacción, tiempo de ciclo, resiliencia.

Esa es la diferencia entre una ontología semántica y una ontología causal: una ontología semántica dice al sistema qué significan las cosas; una ontología causal le dice qué hacen las acciones. Y una ontología optimizable va más allá: aprende qué acciones funcionan.

Los KPI se convierten en señales de recompensa

Las empresas ya tienen algo parecido a una función objetivo: los KPI. Métricas importantes como ingresos, margen, churn, conversión, satisfacción del cliente, tiempo de resolución, rotación de inventario, precisión de previsiones, pérdidas por fraude, incidentes de cumplimiento, retención de empleados, tiempo de salida al mercado…

El problema es que, en la mayoría de las empresas, los KPI son mediciones a posteriori. Dicen a los directivos qué ocurrió después de los hechos. Se reportan, se discuten, se explican, a veces se manipulan, y luego se revisan de nuevo en el siguiente trimestre.

En una ontología optimizable, los KPI se convierten en algo mucho más poderoso: señales de recompensa. Esto no significa optimizar ciegamente cada métrica. Sería peligroso. Las métricas pueden entrar en conflicto. Algunas son proxies. Algunas están incompletas. Algunas son políticas. Algunas generan incentivos perversos si se persiguen de forma aislada.

Pero precisamente por eso importa la ontología: un KPI no debería flotar solo en un cuadro de mando. Debería estar vinculado al proceso, los objetos, las restricciones y las decisiones que influyen sobre él. Debería situarse dentro de un modelo de la empresa capaz de entender trade-offs. Debería estar conectado con otros KPI para que la mejora local no produzca daño global.

Aquí es donde el aprendizaje por refuerzo se vuelve relevante para la inteligencia artificial empresarial: no como palabra de moda ni como capa mágica atornillada a chatbots, sino como mecanismo para mejorar la acción dentro de un sistema empresarial formalmente representado.

Un bucle actúa. La ontología registra qué cambió. El KPI mide si el resultado mejoró. El sistema se ajusta. La siguiente acción está mejor informada. Esa es la forma básica de una empresa optimizable.

La escala cambia el significado de la optimización

La mejora tradicional de procesos es lenta porque los humanos tienen que observar, interpretar, rediseñar, implementar y medir. Funciona, pero no escala bien cuando hablamos de miles de procesos, millones de interacciones y condiciones que cambian constantemente.

La inteligencia artificial cambia la velocidad del bucle. Una vez que las acciones empresariales están representadas en una ontología ejecutable, cada interacción se convierte en un experimento. Cada ejecución de proceso produce una traza. Cada traza se convierte en evidencia. Cada evidencia actualiza la comprensión del sistema sobre lo que funciona. Cuanto mayor es la empresa, más interacciones genera. Cuantas más interacciones, más retroalimentación. Cuanta más retroalimentación, más rápida la optimización. Es lo contrario de cómo se comportan la mayoría de los sistemas empresariales actuales.

En el software tradicional, la escala crea complejidad. Más clientes, más workflows, más excepciones, más países, más productos y más regulación hacen que el sistema sea más difícil de cambiar. En una ontología optimizable, la escala también crea combustible para el aprendizaje. La empresa se vuelve más compleja, sí, pero también produce más evidencia sobre cómo se comporta esa complejidad.

Por eso la ontología debe ser ejecutable. Una ontología descriptiva puede ayudar a los humanos a entender el negocio. Una ontología ejecutable permite que la inteligencia artificial actúe dentro del negocio. Una ontología optimizable permite que el negocio mejore mediante la acción. Son tres etapas muy diferentes.

La capa que falta por encima de los agentes

Por eso la obsesión actual con los agentes es incompleta. Los agentes son útiles. Pueden planificar, llamar herramientas, escribir código, buscar documentos, tomar acciones y coordinarse con otros agentes. Además, la conversación ya se está desplazando de los prompts individuales a los bucles: un artículo reciente de Business Insider describe la “ingeniería de bucles” como la práctica de diseñar sistemas recurrentes que guían a los agentes de inteligencia artificial en lugar de exigir que un humano introduzca cada paso manualmente.

Es un cambio significativo. Pero los agentes y los bucles siguen necesitando un mundo en el que actuar. Sin una ontología, cada agente reconstruye la empresa a partir de prompts, fragmentos recuperados, descripciones de herramientas e integraciones frágiles. Por eso los despliegues se vuelven artesanales. Alguien tiene que explicar el negocio una y otra vez: cuáles son los objetos, cuáles son las reglas, qué sistemas importan, quién puede aprobar qué, qué resultados cuentan y dónde viven las restricciones ocultas.

Una arquitectura madura de inteligencia artificial empresarial no debería exigir que cada agente redescubra la empresa. La ontología debería ser el mundo compartido. Y si esa ontología es ejecutable y optimizable, los agentes se convierten en componentes dentro de un sistema adaptativo más amplio, no en actores aislados improvisando dentro de la realidad corporativa.

Esto también explica por qué importa la independencia respecto al modelo. La ontología es el activo duradero. Los modelos cambiarán. Los agentes cambiarán. Las interfaces cambiarán. Pero la representación que la empresa tiene de sí misma, desde sus objetos y procesos hasta sus restricciones, resultados, trazas y estructura causal aprendida, debería persistir. Ahí es donde la inteligencia artificial empresarial se acumula.

Los gemelos digitales fueron el anticipo

Hay una analogía útil con los gemelos digitales. NIST describe un gemelo digital como un modelo informático de un sistema físico que puede apoyar simulación, monitorización, optimización y toma de decisiones. En otra publicación, NIST afirma que los gemelos digitales permiten a los operadores representar dinámicamente, diagnosticar, predecir, optimizar y controlar contrapartes reales como equipos, subsistemas y procesos.

Es una intuición muy cercana a la que ahora necesita la inteligencia artificial empresarial, salvo que el objeto ya no es solo una máquina, una línea de fábrica o un edificio. El objeto es la empresa. Una empresa necesita el equivalente a un gemelo digital operativo: no simplemente una réplica de sus activos físicos, sino una representación de su estructura de negocio, sus procesos, sus restricciones, sus decisiones y sus resultados. Investigaciones recientes sobre gemelos digitales de procesos de negocio apuntan en la misma dirección, describiendo réplicas virtuales de procesos reales que combinan modelos de proceso, datos en tiempo real y capacidades de simulación para guiar la actividad diaria de la organización.

Esa es la dirección del movimiento. Pero la inteligencia artificial empresarial necesita ir un paso más allá. No necesita simplemente un gemelo que muestre qué está ocurriendo. Necesita un modelo a través del cual humanos y sistemas de inteligencia artificial puedan actuar, aprender y mejorar. Eso es la ontología optimizable.

Los modelos del mundo pasan de la física al negocio

La expresión “modelo del mundo” suele asociarse con robótica, conducción autónoma o inteligencia artificial física: sistemas que necesitan una representación interna del entorno para anticipar consecuencias y actuar inteligentemente. Tiene sentido. Un robot que se mueve por el mundo físico necesita saber algo sobre objetos, espacio, causalidad y tiempo.

Pero las empresas también son mundos. No son mundos físicos en el mismo sentido, pero son mundos operativos: parcialmente observables, en cambio constante, llenos de agentes, restricciones, dependencias, incentivos y consecuencias retardadas. Un sistema de inteligencia artificial que actúa dentro de una empresa sin un modelo de ese mundo es como un robot moviéndose por un almacén sin conciencia espacial. Puede ser potente, pero no es seguro.

La idea de los modelos del mundo ha sido central en algunos de los trabajos más importantes en aprendizaje por refuerzo. El artículo «World Models«, de David Ha y Jürgen Schmidhuber, exploraba el entrenamiento de agentes utilizando representaciones comprimidas de sus entornos. MuZero, de Google DeepMind, fue más allá al aprender un modelo del entorno en el que jugaba y utilizarlo para planificar el mejor curso de acción.

La lección no es que las empresas sean juegos: no lo son. La lección es que la inteligencia se vuelve mucho más poderosa cuando las acciones se conectan con resultados mediante un modelo del entorno.

La inteligencia artificial empresarial necesita el mismo principio, pero aplicado a la realidad organizativa. No solo: ¿qué respuesta debería generar el modelo? Sino: ¿qué acción debería tomar la empresa, mediante qué proceso, bajo qué restricciones, hacia qué objetivo y con qué efecto esperado sobre el resto del sistema? Eso requiere un modelo del mundo corporativo.

La empresa necesita saber qué es

La parte más difícil de esta transición puede ser cultural, no técnica. La mayoría de las empresas no tiene realmente un modelo formal de sí misma. Tienen organigramas, diagramas de procesos, configuraciones ERP, registros CRM, documentos de políticas, almacenes de datos, cuadros de mando, canales de Slack, archivos de correo electrónico y miles de hábitos implícitos sostenidos por personas que saben cómo funcionan realmente las cosas. Eso no es un modelo del mundo. Es un yacimiento arqueológico.

Los humanos compensan esta carencia porque llevan el contexto en la cabeza. Un buen directivo sabe qué política importa, qué excepción es segura, qué relación con un cliente es frágil, qué proceso es oficial pero se ignora, qué métrica está siendo manipulada, qué equipo está sobrecargado y qué aparente éxito esconde un daño futuro.

Los bucles de inteligencia artificial no saben nada de eso a menos que la organización lo haga explícito. Por eso tantos despliegues de inteligencia artificial empresarial siguen necesitando consultores, integradores e ingenieros desplegados en cliente. Alguien tiene que reconstruir la empresa para el sistema de inteligencia artificial: qué importa, qué está conectado, qué está permitido, qué cuenta como éxito y dónde están las restricciones ocultas.

El «State of AI 2025» de McKinsey deja visible el patrón general: el uso de inteligencia artificial está extendido, pero la mayoría de las organizaciones no la han integrado con suficiente profundidad en workflows y procesos como para obtener beneficios materiales a escala empresarial, mientras que quienes obtienen mejores resultados tienen mucha más probabilidad de rediseñar workflows y buscar una transformación más amplia. Esa reconstrucción manual es la señal de que falta una capa de plataforma.

Un modelo del mundo corporativo haría que esa reconstrucción fuera persistente, gobernada y reutilizable. Cada bucle no tendría que redescubrir la empresa. Cada nuevo agente no tendría que recibir instrucciones individuales sobre la realidad organizativa. Cada workflow no tendría que reconstruir contexto desde cero. La empresa se volvería, por fin, legible para sus propios sistemas de inteligencia artificial.

De decisiones gobernadas a estructura auto-mejorable

La investigación reciente ya se mueve en esta dirección. Un artículo de 2026 sobre simulación de grafos gobernada por ontología para inteligencia artificial empresarial sostiene que los sistemas de agentes basados en LLM fallan cuando responden desde un espacio de conocimiento no restringido sin simular cómo los eventos de negocio remodelan el escenario en cuestión. Su pipeline propuesto (evento, simulación, decisión) apunta a un enfoque más estructurado: decisiones empresariales derivadas de una representación gobernada por ontología, no de razonamiento fluido pero desanclado.

Eso importa porque muestra hacia dónde se mueve la frontera. Pero la pregunta más profunda no es solo si la ontología puede hacer más seguras las decisiones. Es si la ontología puede hacer que la propia empresa mejore a sí misma. La verdadera promesa de la inteligencia artificial empresarial no es que cada empleado tenga un asistente mejor. Eso es útil, pero no es transformación. La verdadera promesa es que la empresa se convierta en un sistema capaz de mejorar continuamente sus propias operaciones.

No mediante proyectos ocasionales de transformación. No mediante rediseños anuales de procesos. No mediante consultores reconstruyendo el negocio workflow por workflow. Sino mediante una arquitectura en la que el propio trabajo genera la evidencia necesaria para mejorar el trabajo.

Eso exige tres capas.

1. Primero, una ontología formal que represente la empresa.
2. Segundo, workflows ejecutables que permitan a la inteligencia artificial y a los humanos actuar a través de esa ontología.
3. Tercero, bucles de optimización que conecten acciones con resultados y mejoren la estructura con el tiempo.

Si eliminas la primera capa, la inteligencia artificial no tiene un mundo estable. Si eliminas la segunda, la ontología se queda en documentación. Si eliminas la tercera, el sistema no puede aprender. Ponlas juntas, y la inteligencia artificial empresarial deja de ser una herramienta añadida a la empresa: se convierte en un mecanismo mediante el cual la empresa mejora.

La siguiente pregunta

La última ola de software empresarial ayudó a las empresas a digitalizar lo que eran. La siguiente ola les ayudará a optimizar lo que están llegando a ser. Es un cambio mucho más profundo que los chatbots, los copilots o los agentes. Cambia el papel del software: de sistema de registro a sistema de mejora. Convierte los KPI de artefactos de reporting en señales de retroalimentación. Convierte los workflows de diagramas en estructuras ejecutables y aprendibles. Convierte la ontología (la palabra real y su significado real, no la versión en mayúscula como término comercial) de descripción en acción.

Y plantea una pregunta que toda empresa acabará teniendo que responder: ¿está tu organización simplemente «representada en software«, o es «optimizable mediante software«? Porque la próxima frontera de la inteligencia artificial empresarial no será la empresa que tenga más agentes: será la empresa cuya estructura causal pueda aprender.

(This article was previously published on Fast Company)