Un artículo en MIT Tech Review, «The agentic web is here«, incide en los mismos temas que yo ya tocaba en Fast Company el pasado abril: cómo la llegada de agentes personales de inteligencia artificial supuestamente al servicio de los usuarios está provocando la transformación de la web. Si el chatbot y el agente se convierten en nuestro principal entorno de decisión, controlar esos chatbots y esos agentes pasa automáticamente a conceder poder sobre todas las opciones que consideramos, sean comerciales, políticas o de cualquier tipo. El resto de la historia ya la conocemos.

La pregunta, por tanto, sería en manos de quién están esos chatbots y esos agentes, y esa respuesta es cualquier cosa menos tranquilizadora: en manos de una panda de psicópatas a los que conocemos directamente por su nombre sin siquiera necesidad de apellido, como Elon, Sam, Mark, Dario y compañía, completamente decididos a ignorar cualquier problema o complicación y dispuestos a irse a la cama con cualquier poder político, incluidas opciones tan directamente grotescas como Donald Trump, siempre que lo estimen necesario. Si esos son los que van a controlar los chatbots y agentes que usa la mayoría de la humanidad, creo que es el momento de pedir que se pare esto, porque yo me bajo.

Yaqub Chaudhary y Jonnie Penn en Harvard Data Science Review exploran cómo convertir motivaciones e intenciones en mercancía mediante las conversaciones personalizadas que mantenemos con la inteligencia artificial. Esa es la agenda de las big tech: facilitar la creación de una sociedad lerda y manipulable, y vender esa capacidad de manipulación al mejor postor o al político de turno, con unas visiones de lo menos tranquilizadoras. Lo intentaron con las redes sociales: si creías que con ellas sabían mucho de ti porque en ellas seguías a personas, leías artículos, dabas algún «me gusta» y comentabas, espera a ver lo que un chatbot o un agente de inteligencia artificial puede llegar a saber de ti, considerando las conversaciones de todo tipo que tienes con ellos y las cosas que les pides. Además de simplemente observar comportamientos, son capaces de intervenir mientras se forman las decisiones de todo tipo. Es el capitalismo de vigilancia de Shoshana Zuboff elevado a su máxima potencia, una auténtica distopía en la que una sociedad de ovejas está totalmente controlada por unos pocos que la pastorean a su antojo.

La capacidad persuasiva de estos mecanismos automatizados ya tiene amplia evidencia experimental: GPT-4 con datos personales es capaz de superar a interlocutores humanos en debates controlados. El incentivo comercial, además, ya está ahí: Meta ya publicó su intención de utilizar las conversaciones con su inteligencia artificial para personalizar contenidos y anuncios para sus usuarios, que aun así se han lanzado en masa de forma entusiasta a utilizar sus agentes. ¿Alguien se ha planteado por qué el lanzamiento de diciembre de 2025 excluía específicamente a la Unión Europea, al Reino Unido y a Corea del Sur? La monetización de las conversaciones con los chatbots es una realidad ya: no es tu asistente, son sus intereses, un capitalismo de vigilancia que, aprovechando el cognitive surrender, ahora ya piensa por ti. Estamos haciendo que los usuarios pasen de simplemente delegar tareas a delegar criterio. La distopía disfrazada de asistente personal.

La dimensión electoral tampoco es ningún tipo de ciencia-ficción ni de conspiranoia: un reportaje de Reuters del 26 de octubre de 2026 describe estrategias de campañas estadounidenses para influir en cómo los chatbots presentan y recomiendan candidatos. ¿Alguien puede confiar en unas compañías que han demostrado su lealtad sumisa al político de turno? Las respuestas aparentemente independientes que tu chatbot te ofrece, en realidad, pueden acabar incorporando los intereses de quienes han trabajado para condicionarlas. Al menos la aplastante derrota de Donald Trump en las midterms han probado que toda manipulación puede tener un límite.

Necesitamos mucha, muchísima más transparencia sobre cómo se desarrollan estos agentes y sistemas de inteligencia artificial. Transparencia total sobre objetivos, patrocinadores y conflictos, auditorías independientes y control revocable de datos y permisos, exactamente la dirección contraria a la que ahora llevamos. De lo contrario, estaremos entregando las llaves de una sociedad fácilmente manipulable a nuestros «amos» de la inteligencia artificial: no a las inteligencias artificiales como tales, sino a los multimillonarios que las desarrollan. Si una gran cantidad de personas confía en lo que sus chatbots y agentes les dicen o recomiendan, creen ciegamente en lo que su inteligencia artificial les dice simplemente porque «lo ha dicho la máquina», y además le entregan toda su información personal, estamos condenados como sociedad.

Es, en esencia, la hipótesis de WALL-E: una sociedad compuesta por individuos carentes de criterio, que se dejan llevar por fuerzas que ni siquiera llegan a comprender. Es la receta para el desastre, porque los chatbots y agentes permiten una extracción de información personal mucho más íntima que la que realizan las redes sociales. Sería una segunda versión, mucho más aterradora, de esa distopía: una dependencia diseñada por una élite que consigue que el resto de la sociedad pierda toda su autonomía simplemente a cambio de comodidad.

Un buen reportaje en el Financial Times, «The race to keep AI under control«, estudia lo que ocurrió en incidentes de seguridad recientes en los que los agentes encontraron vías de comunicación y actuaron al margen de las instrucciones que tenían: en el caso de Hugging Face, del que ya hemos hablado anteriormente, unos setecientos agentes participaron en el ataque, y hubo intentos de ocultar actividad. La pregunta es evidente: ¿qué autoridad están concediendo estas compañías a estos sistemas?

La tesis fundamental que hay que mantener es que la capacidad y la autoridad deben separarse siempre. Un modelo puede razonar muy bien, y seguir necesitando límites externos sobre datos, herramientas y operaciones. Ese es un argumento que, de hecho, desarrolla explícitamente Microsoft cuando afirma que un modelo nunca debería ser su propia autoridad de seguridad. Pedir obediencia mediante instrucciones y comprobar permisos antes de ejecutar algo son mecanismos diferentes.

¿Cómo se traduce esto en mecanismos concretos? Básicamente, otorgando permisos mínimos, delimitando los destinos de red y los accesos a archivos, y protegiendo las credenciales. La autonomía puede delimitarse para cada operación: por ejemplo, podemos permitir que un agente consulte facturas y prepare reclamaciones, pero sin concederle autoridad para modificar saldos o para exportar toda la base de clientes. Anthropic ha publicado explicaciones sobre su combinación de aislamiento de archivos y red, incluyendo esas posibles restricciones sobre procesos derivados.

Para poder auditar un agente necesitamos evidencia de las llamadas, los accesos y los cambios reales que haya podido llevar a cabo. En los casos que han sido noticia recientemente, hemos visto ejemplos de coordinación no autorizada e intentos de manipulación de transcripciones, algo que nunca debería ocurrir: los registros de seguridad tienen que estar protegidos frente al sistema observado, porque preguntarle al sistema a posteriori qué es lo que hizo es una base claramente insuficiente para exigir responsabilidades.

En ese sentido, que los agentes mejoren mediante la experiencia no garantiza que no se dediquen a aprender comportamientos indeseables. Anthropic ha estudiado cómo los agentes aprenden a explotar recompensas (reward hacking) y cómo eso puede llevarnos a comportamientos desalineados. Por eso, una compañía debería definir tanto el resultado buscado como las restricciones que ninguna mejora del indicador debería permitir vulnerar. El aprendizaje automático no es ningún remedio automático: además, hay que exigir que tanto los objetivos como la evaluación y los límites estén bien diseñados. La desidia de las compañías en los incidentes conocidos hasta ahora en este sentido es completamente injustificable e irresponsable: continuar las evaluaciones después de detectar comunicaciones no autorizadas, como relata el Financial Times, es algo que demanda explicaciones y sanciones. Mientras estas decisiones no tengan consecuencias para quienes las toman, los incentivos para priorizar la seguridad seguirán siendo insuficientes.

Resulta fundamental que antes de ampliar autonomía, exijamos demostraciones de permisos efectivos, trazabilidad, revocación y capacidad para detener operaciones. Microsoft, por ejemplo, habla de respuestas graduadas, como conservar los permisos de lectura mientras se bloquean los de escritura o se exige una aprobación humana. Una autonomía útil necesita una arquitectura capaz de concederla, observarla y retirarla con la precisión necesaria en cada momento.

La diferencia fundamental debería estar entre pedirle a un agente que no haga algo, frente a diseñar un sistema en el que simplemente carezca de autoridad para hacerlo. Eso exige una arquitectura en la que los agentes actúen mediante operaciones explícitamente definidas y cada ejecución pase por una comprobación de permisos independiente del modelo. Un agente puede idear una estrategia para acceder a una base de datos, comunicarse con otro agente o modificar una herramienta, pero esa intención no debería concederle los permisos necesarios para hacerlo. Incluso la capacidad de mejorar su propio funcionamiento debe quedar sometida a controles que no pueda reescribir. Si todas las vías de ejecución, incluidas las herramientas externas, atraviesan ese control, determinadas acciones prohibidas pueden impedirse aunque el modelo intente llevarlas a cabo. Eso no elimina los errores ni el posible abuso de funciones autorizadas, pero cambia sustancialmente el problema: la seguridad deja de depender de que el agente tenga a bien obedecer. El control debe funcionar incluso cuando falla la obediencia.

In English on Medium, «Don’t ask agents to behave, build systems where they can’t misbehave»

Piergiorgio M. Sandri, de La Vanguardia, me llamó para hablar sobre las inversiones en inteligencia artificial y las dudas que empiezan a generar en los mercados. Algunas de mis impresiones aparecen en su artículo del pasado 30 de octubre, «El mercado bursátil castiga el gasto millonario de las tecnológicas en la inteligencia artificial«. La conversación fue telefónica, pero me parece interesante desarrollar aquí las dos cuestiones que planteé: la circularidad financiera y el rumbo de esas inversiones.

La primera resulta relativamente sencilla de entender: si inviertes en una compañía que utiliza ese dinero para comprarte capacidad de cómputo, tienes una inversión y unos ingresos, pero queda por demostrar que al final de la cadena exista alguien dispuesto a pagar lo suficiente por el servicio. Que el dinero circule entre compañías no demuestra, por sí solo, que el negocio sea sostenible.

Un análisis de FTSE Russell sobre esa red de financiación explica precisamente cómo las relaciones entre proveedores, inversores y clientes hacen muy difícil identificar la demanda independiente y quiénes están asumiendo realmente el riesgo. No implica necesariamente un fraude, pero sí obliga a mirar bastante más allá de los anuncios de contratos multimillonarios. Reuters recogía también las advertencias del profesor de Columbia Business School Stijn Van Nieuwerburgh: el recurso creciente a financiación externa aumenta el endeudamiento y hace depender la expansión de unos ingresos todavía por demostrar.

La segunda cuestión me parece incluso más importante: hemos convertido una hipótesis tecnológica en una especie de dogma inversor. Más chips, más centros de datos, más electricidad y modelos más grandes deberían producir, supuestamente, una rentabilidad inevitable o la llegada a una supuesta inteligencia artificial general que va a cambiarlo todo. Y sí, escalar ha permitido avances extraordinarios, pero de ahí a asumir que cualquier incremento de gasto se traducirá en valor económico hay un salto considerable.

Como llevo tiempo defendiendo, el problema de la inteligencia artificial empresarial es cada vez más arquitectónico. Una compañía necesita representar sus procesos, sus restricciones y sus objetivos, saber quién puede decidir qué, conservar memoria de lo que hace y comprobar sus resultados. Comprar acceso a un modelo más potente no resuelve automáticamente ninguna de esas necesidades.

Lo expliqué también en Fast Company: para optimizar una empresa, primero hay que poder representarla. Pensemos en un sistema que recomienda reducir inventarios: lo relevante es comprobar después si ahorró costes o provocó roturas de stock, incorporar ese resultado y mejorar la siguiente decisión. Ese bucle de aprendizaje, gobernado por la organización, puede convertirse en un activo propio. La factura de tokens, por elevada que sea, no lo sustituye.

Por eso, cuestionar esta carrera de inversiones es perfectamente compatible con estar convencido del potencial transformador de la inteligencia artificial. Me interesa muchísimo una tecnología que permita a las organizaciones aprender y decidir mejor. Lo que me cuesta bastante más es aceptar que su futuro consista en encadenar cheques cada vez mayores mientras esperamos que alguien encuentre cómo pagarlos.

In English on Medium, «The AI investment boom: follow the money, not the hype»

El 14 de junio, Satya Nadella publicó un artículo en X sobre la inteligencia artificial en el ámbito empresarial que me dejó profundamente impresionado: su planteamiento principal, que el activo duradero de una empresa no es el modelo fundacional, sino el ciclo de aprendizaje, coincidía exactamente con la idea que mi empresa y yo llevábamos desarrollando durante los últimos tres años. Respondí con un artículo en Fast Company —sin esperar respuesta, dado que los directores ejecutivos del sector tecnológico suelen ser, por norma general, mucho más inaccesibles que los reyes o los presidentes—, con el objetivo de elevar un poco más el debate: el desafío central de la inteligencia artificial empresarial no es la inteligencia en sí, sino la arquitectura.

Ahora, Nadella ha escrito otro artículo en el que da un paso más: no solo sostiene que el modelo no constituye un activo duradero, sino que, además, debe tratarse como un componente en el que no se puede depositar ninguna confianza. Debemos asumir que todos los modelos de inteligencia artificial podrían verse comprometidos y diseñar nuestros sistemas de modo que, desde el primer momento, permitan contenerlos.

La prensa ha interpretado esta idea como una propuesta a favor de una especie de «freno de emergencia»: una persona autorizada debería poder, en cualquier momento, interrumpir la actividad de un modelo. Sin embargo, esa no es, ni de lejos, la parte más interesante ni la más importante del artículo de Nadella. Lo verdaderamente relevante no es el hipotético botón de parada, sino la arquitectura que lo hace posible. Un modelo no debería tener la capacidad de controlar sus propios permisos, ni de decidir por sí mismo a qué puede acceder, ni de ejecutar directamente todas sus acciones, ni de ser la única fuente de evidencia sobre las operaciones que ha realizado. La inteligencia puede provenir del modelo, pero la autoridad, bajo cualquier circunstancia, debe permanecer fuera de él.

Cuando el sandbox se convierte en parte del experimento

Dado el contexto, resulta fácil comprender por qué Nadella plantea estas cuestiones precisamente ahora. El pasado mes de julio, varios agentes de OpenAI lograron eludir las salvaguardas que debían mantenerlos aislados de internet; utilizaron credenciales que encontraron en su entorno y terminaron nada menos que hackeando sistemas en Hugging Face. Así, sin más, como quien podría haber hackeado, por qué no, los silos nucleares rusos. Estos agentes no solo descubrieron una vía nueva y no autorizada para comunicarse entre sí, sino que también compartieron información y llevaron a cabo acciones coordinadas para alcanzar el objetivo de la evaluación. Nunca recibieron instrucciones de atacar Hugging Face: simplemente descubrieron que, al hacerlo, podían acercarse más al objetivo que se les había asignado.

Es importante entender esto: no es que estos agentes fueran intrínsecamente malvados, conscientes o que se hubieran vuelto incontrolables. Basta con combinar altas capacidades con un objetivo mal definido, permisos excesivos y/o un entorno vulnerable. Es comparable a un empleado que infringe todos los procedimientos para cumplir con una cuota determinada, solo que, en este caso, operando a la velocidad de una máquina, de forma paralela y con capacidades técnicas extraordinarias.

Como ya he mencionado, no se trata de un problema de malas intenciones: simplemente existen demasiadas formas de alcanzar el objetivo definido, y el sistema puede encontrar vías que sus propios diseñadores jamás llegaron a imaginar.

El principio de «asumir la brecha» llega a la inteligencia artificial

Lo que Nadella plantea aquí es trasladar a los modelos de inteligencia artificial un principio muy conocido en el ámbito de la ciberseguridad: «asumir la brecha» (o assume breach), es decir, dar por sentado que el sistema ya ha sido comprometido. En la arquitectura de confianza cero (Zero Trust) de Microsoft, este principio implica verificar explícitamente cada acceso, conceder únicamente los privilegios indispensables y diseñar controles bajo la premisa de que un posible atacante podría encontrarse ya dentro del perímetro. No se confía en un usuario simplemente porque se encuentre en una ubicación determinada, por el hecho de ser gerente o por haber completado el proceso de autenticación una vez. Todas y cada una de sus acciones seguirán estando sujetas a autorización y supervisión. Every breath you take, I’ll be watching you.

Aplicar este principio a un modelo de inteligencia artificial no significa asumir que todos los modelos han sido hackeados o comprometidos. Significa reconocer que todos ellos pueden cometer errores, malinterpretar un objetivo, ser objeto de una prompt injection, utilizar información manipulada, encontrar credenciales abandonadas, explotar una vulnerabilidad o hallar un atajo que maximice su recompensa, desvirtuando así la intención original de la tarea encomendada.

En esencia, el término «comprometido» no describe necesariamente un ataque, sino una hipótesis de diseño. Durante años, el sector ha intentado crear modelos en los que pudiéramos confiar. Nadella propone, en cambio, desarrollar sistemas que sigan siendo seguros incluso cuando no confiamos en el modelo que los sustenta.

El modelo no es el sistema

El aspecto más relevante de las ideas de Satya Nadella es su insistencia en separar el modelo de su «entorno operativo», del conjunto de elementos que este utiliza para organizar su trabajo: memoria, herramientas, credenciales, contexto, flujos de ejecución, conexiones con otros sistemas y espacios de acción.

Esta separación transforma por completo la arquitectura de la inteligencia artificial corporativa. Un modelo puede proponer una acción, pero nunca debe ser quien determine si posee o no la autoridad para ejecutarla. Puede sugerir enviar un correo electrónico, modificar un servidor, aprobar una operación o transferir fondos; sin embargo, un entorno de ejecución independiente debe verificar sus permisos, validar los parámetros, aplicar las políticas correspondientes y decidir si la acción puede llevarse a cabo.

Esto conecta directamente con mi planteamiento anterior (y el de Nadella): el activo duradero de una empresa nunca debería ser el modelo de inteligencia artificial, sino el ciclo de aprendizaje que se construye a su alrededor. Los modelos pueden cambiar, mejorar o ser reemplazados, pero la experiencia acumulada por la empresa debe permanecer.

No obstante, si el modelo no puede ostentar autoridad, tanto el aprendizaje como el control deben residir en una capa superior independiente. El modelo se convierte, entonces, en un componente intercambiable, en un recurso estandarizado o commodity, que aporta capacidad cognitiva, pero que no constituye, en modo alguno, el centro soberano de nuestro sistema corporativo.

Una compañía optimizable requiere una representación formal de sus objetos, relaciones, procesos, permisos, restricciones y resultados. Esa misma representación que nos permite optimizar una organización es la que también nos permite gobernar sus agentes de inteligencia artificial. No es posible controlar formalmente una acción si el sistema desconoce qué objeto modifica dicha acción, qué identidad la solicita, qué consecuencias puede acarrear o qué regla debe aplicarse en tales circunstancias.

Por ello, la próxima generación de inteligencia artificial corporativa no será simplemente una colección de agentes; será un entorno de ejecución integral que contará con identidades explícitas, permisos granulares, espacios de acción delimitados, un estado persistente, políticas ejecutables y un registro independiente y trazable de cada cambio realizado.

El freno de emergencia llega demasiado tarde

El freno de emergencia es una metáfora poderosa, pero también puede resultar engañosa: interrumpir lo que un modelo está haciendo no implica necesariamente deshacer lo que ya se ha realizado. Un correo electrónico enviado puede haber sido leído, y no es posible «desleerlo» ni hacer que deje de haber sido visto. Un dato exfiltrado no volverá a ser secreto nunca más. Una transferencia de dinero puede haber atravesado varias jurisdicciones y no poder ya retrotraerse. Una base de datos eliminada podría ser imposible de recuperar. Además, un agente que opera a la velocidad de una máquina puede completar miles de acciones antes de que una persona logre comprender el significado de una alerta.

Debemos distinguir entre interrumpir, revocar y recuperar: interrumpir detiene la ejecución en curso; revocar elimina de inmediato credenciales, permisos y conexiones; y recuperar permite revertir, compensar o reconstruir acciones que ya se han ejecutado. Sin embargo, antes de estas tres medidas existe una mucho más importante: la prevención. Las acciones que sean destructivas, financieras, administrativas o que tengan visibilidad pública no deberían ejecutarse simplemente porque un modelo lo indique. La cheat sheet de seguridad para agentes de inteligencia artificial de OWASP recomienda separar claramente la toma de decisiones de la ejecución, validar de forma independiente el alcance y los permisos de cada acción, utilizar autorizaciones de corta duración y aplicar controles adicionales a las acciones irreversibles.

Esta es la diferencia fundamental entre un mecanismo de protección (guardrail) y una garantía: un mecanismo de protección le pide al modelo que no realice una acción determinada, mientras que una garantía impide que el modelo posea la capacidad necesaria para llevarla a cabo.

Resulta interesante señalar que el artículo 14 de la Ley de Inteligencia Artificial de la Unión Europea ya exige que ciertos sistemas de alto riesgo permitan a una persona anular, invalidar o revertir sus resultados, así como detener su funcionamiento mediante un botón o un procedimiento equivalente. En este sentido, la aportación de Nadella va aún más allá: dicho botón no debería ser una simple funcionalidad añadida al producto, sino el resultado visible de una arquitectura de control integral.

Ni usar múltiples modelos ni usar otro modelo como supervisión resulta suficiente

Sin embargo, dos de los principios de Nadella requieren ciertas matizaciones: el primero es la diversidad de modelos. Recurrir a múltiples proveedores reduce la concentración tecnológica y facilita la sustitución, pero no garantiza una verificación verdaderamente independiente. La mayoría de los grandes modelos comparten datos de entrenamiento, arquitecturas, técnicas de alineación y numerosos sesgos. Contar con varios «testigos» probabilísticos no convierte su coincidencia en una prueba independiente.

El segundo aspecto es el uso de otros modelos para supervisar a los agentes. Esta supervisión puede ser útil y probablemente llegará a ser esencial, pero no puede constituir la única barrera. El benchmark SLEIGHT-Bench, desarrollado por Anthropic, pone de manifiesto diversas estrategias perjudiciales que pueden pasar inadvertidas para los modelos que actúan como supervisores. Un supervisor también puede tener puntos ciegos, y un agente lo suficientemente capaz podría detectarlos sin dificultad.

La solución no consiste en eliminar dichos supervisores, sino en integrarlos dentro de un sistema de defensa de múltiples capas: políticas deterministas, permisos formales, pruebas ejecutables, registros inalterables por parte del modelo, límites a las acciones y mecanismos de escalado hacia personas con autoridad real.

La independencia no consiste, simplemente, en «consultar a otro modelo».

Una arquitectura planteada al revés

Una parte significativa de la industria ha situado al modelo en el centro del sistema. A su alrededor, ha incorporado memoria, herramientas, bases de datos, credenciales y conexiones, para luego intentar acotar todo el conjunto mediante filtros y mecanismos de control. El modelo razona, toma decisiones, utiliza herramientas, describe sus propias acciones y, en muchos casos, participa incluso en su propia evaluación.

Lo que sugiere Nadella es que este planteamiento es, en realidad, inverso: lo que debería ocupar el centro es el entorno operativo de la empresa: su modelo de objetos y procesos, identidades, políticas, permisos, restricciones, objetivos y registros. Los modelos deberían funcionar como servicios cognitivos invocados desde dentro de este entorno, del mismo modo que una aplicación invoca una base de datos o un servicio informático. Pueden razonar, interpretar, proponer y generar, pero no deben usurpar la autoridad institucional.

Además, este enfoque facilita su sustitución. Una empresa debería poder cambiar de OpenAI a Anthropic, Google, Mistral, DeepSeek, Qwen o cualquier otro modelo futuro sin perder su memoria, sus procesos, sus permisos, sus evidencias y, lo que es aún más importante, su aprendizaje. La inteligencia puede alquilarse, pero la arquitectura, el control y el conocimiento acumulado deben pertenecer siempre a la empresa.

La primera fase de la inteligencia artificial consistió en modelos que ofrecían respuestas. La segunda consiste en dotar a estos modelos de herramientas para que puedan ejecutar acciones. La tercera deberá separar, de nuevo, la inteligencia de la autoridad, antes de que terminemos confundiendo de forma irreversible la capacidad con el control.

La empresa más avanzada no será aquella que confíe en el modelo más potente, mejor alineado o que ofrezca mayor tranquilidad. Será aquella capaz de utilizar cualquier modelo sin tener que depender de él ni depositar su confianza en él. Porque la confianza puede ser una cualidad valiosa en las relaciones humanas, pero resulta un fundamento espantoso para una arquitectura empresarial.

(This article was previously published on Fast Company)

La red de tren de alta velocidad en España, inaugurada en 1992, ha sido durante mucho tiempo un orgullo nacional: con cifras de julio de 2026, hablamos de 3,973 km, la más grande de Europa y la segunda más grande del mundo después de China, un país con distancias y magnitudes en absoluto comparables a las de España. Pero plantear una gran red ferroviaria no es simplemente inaugurar tramos y cortar cintas: además, compromete recursos de manera constante durante décadas: conservación, inspecciones, personal y renovación tecnológica. Los recientes accidentes de Adamuz y Urda permiten examinar cómo se ha gestionado esa responsabilidad a medida que los componentes de la red original, desde las vías a los sistemas de monitorización, iban envejeciendo. La cuestión me toca, además, de cerca: justo el día anterior al accidente de Urda viajé por esa misma línea en un Iryo, volviendo de dos conferencias en Sevilla y Córdoba.

Partamos de la evidence de que no soy en experto en transportes ni en ferrocarriles. Sin embargo, un paper que publiqué con mi advisor de doctorado, Burt Swanson, en MISQ en el año 2000, «System life expectancy and the maintenance effort: exploring their equilibration«, puede tal vez aportar algunos detalles al problema: en él, estudiamos 758 sistemas de información de 54 organizaciones y encontramos evidencia compatible con una idea relevante: las expectativas de los gestores sobre cuánto tiempo seguirá utilizándose un sistema contribuyen a determinar el esfuerzo que dedican a mantenerlo. Cuando anticipan su retirada, pueden moderar ese esfuerzo.

La aplicación al ferrocarril es clara: prever una sustitución puede condicionar la atención al sistema existente. El mantenimiento suele entenderse como lo que permite prolongar la vida de un sistema. Nuestro trabajo examinaba también la relación inversa: la vida que esperamos obtener de él condiciona cuánto nos comprometemos a mantenerlo. Esa lógica puede justificar que se pospongan mejoras opcionales ante una sustitución inminente. Pero si la sustitución se retrasa, las necesidades del sistema existente tienen que reevaluarse. Su retirada puede estar prevista sobre el papel mientras su responsabilidad operativa permanece intacta.

El problema de la red ferroviaria española precede al gobierno actual. La serie ministerial de mantenimiento muestra una caída nominal por kilómetro entre 2011 y 2017 desde los 49,860 a los 45,150 euros, seguida de un aumento hasta los 67,640 en 2024. En el caso del accidente de Adamuz, las investigaciones apuntan a una cuestión muy concreta, un defecto de nivelación detectado en octubre de 2025 que pudo contribuir, según los peritos, a acelerar la fractura de una soldadura. A falta de conclusiones definitivas, las preguntas son evidentes: qué se detectó, cómo se evaluó y qué se hizo al respecto. Aumentar el presupuesto de mantenimiento sirve de poco si los defectos identificados no reciben la intervención necesaria antes de convertirse en una tragedia.

En el accidente de Urda, hablamos de un sistema de control que sigue trabajando mientras llega su sustituto. Si contrastamos el informe sobre el contrato de modernización con las recientes declaraciones del ministro de transportes, las preguntas son inmediatas: ¿se revisaron las necesidades de mantenimiento, de soporte y los riesgos al decidirse prolongar la utilización del sistema LZB, ya considerado en desuso, en la línea más antigua del trazado? Las interrupciones recurrentes justifican examinar también la capacidad de operar con seguridad en condiciones degradadas, aunque su número aislado no demuestra necesariamente un mantenimiento deficiente. Nuestro paper no demuestra que se descuidara: permite formular una hipótesis concreta que los registros de mantenimiento y las decisiones de gestión deberían esclarecer.

Cuando se tiene una red ferroviaria como la española, la responsabilidad no termina cuando inauguras una línea, sino que precisamente comienza ahí. Inaugurar es relativamente fácil, pero mantener, aunque no sea vistoso, es absolutamente fundamental. Son necesarios planes plurianuales, evaluaciones periódicas, registros de defectos y seguimiento detallado de las renovaciones. El Tribunal de Cuentas ya advertía de problemas de planificación y financiación anteriores a 2018. Ahora, la continuidad del problema obliga a investigar las decisiones tomadas en cada una de las distintas etapas: cada gobierno responde por las que adopta mientras la infraestructura permanece bajo su responsabilidad.

Veintiséis años después, recupero la pregunta de aquella investigación: cómo ajustan las organizaciones sus compromisos de mantenimiento a la vida que esperan de sus sistemas. En una infraestructura crítica, ese compromiso debe cubrir cada día de funcionamiento efectivo, incluidos todos los retrasos de su sustituto. La fecha decisiva es aquella en la que deja de transportar pasajeros. Hasta entonces, mantenerlo es gobernar.

La vida útil de una infraestructura no se prolonga por decreto, ni porque su sustituta todavía no esté lista. Se prolonga con mantenimiento, inspecciones y decisiones que tienen que ejecutarse a tiempo. Haber heredado un problema obliga a corregirlo, y gastar más obliga a comprobar que ese dinero resuelve las necesidades reales. Mientras sigamos vendiendo las inauguraciones como éxitos políticos y tratando el mantenimiento y la conservación como un gasto que puede esperar, estaremos confundiendo construir un país con mantenerlo en pie. Y lo pagaremos cada vez más caro.

In English on Medium, «Spain’s high-speed railway: the cost of keeping an aging network on the tracks»

Según un artículo en The Register, «Anthropic engineer declares the coding interview dead«, las entrevistas técnicas a candidatos a desarrolladores basadas en que lleven a cabo pruebas tradicionales de programación ya no tienen ningún sentido, dado que la inteligencia artificial es perfectamente capaz de hacerlo mejor que los propios candidatos en este tipo de pruebas. Como escribe el ingeniero de Anthropic, Felix Rieseberg, no ve correlación entre lo buenos que son sus ingenieros y lo bien o mal que funcionan en ese tipo de pruebas, por lo que han dejado de resultarle útiles para predecir quién trabajará bien en su equipo.

La decisión es algo que ha adoptado su equipo, no se corresponde (al menos todavía) con una decisión a nivel de toda la compañía, pero podría tener mucho sentido: ¿por qué utilizar un tipo de examen cuya relación con el futuro desempeño profesional de la persona prácticamente no existe? En un artículo escrito en su blog personal, Rieseberg explica que busca en los portfolios pequeños prototipos que revelen criterio, empatía y decisiones fundamentadas, y aconseja a los ingenieros identificar problemas relevantes para su compañía y construir demostraciones centradas en buenas ideas. Como ya defendían algunos hace años, el propósito de la contratación de ingenieros debería ser la creación de valor para la compañía, y la inteligencia artificial es capaz de hacer más visible esa distinción.

En junio de 2025, Canva comenzó a afirmar que esperaba que los candidatos que entrevistaba para puestos en la compañía utilizasen inteligencia artificial, y sustituyó los ejercicios clásicos por problemas más ambiguos y realistas. Con ello esperaba poder observar cómo los candidatos aclaraban requisitos, dividían tareas, revisaban resultados o corregían errores. Si lo pensamos, tiene sentido: no parece muy lógico examinar a los candidatos exigiéndoles que durante ese examen, prescindan precisamente de las herramientas que van a utilizar todos los días de manera habitual.

Esto no quiere decir que el rigor técnico ya no sea necesario: es importante mantener los fundamentos informáticos y la responsabilidad sobre todo el código que uno entrega, lo que convierte en recomendable pedir al candidato que nos explique sus decisiones, que detecte fallos o que demuestre que entiende lo que ha construido. De hecho, Rieseberg aclara que aún no tiene construida una metodología que sustituya a las pruebas tradicionales, y que aunque está experimentando con varias, no posee aún una receta universalmente validada.

Pero exigir criterio y capacidad de supervisión plantea otra cuestión: ¿cómo se desarrollan esas capacidades si desaparecen los puestos de entrada en los que tradicionalmente se aprendía el oficio? Un estudio de Stanford que ya he comentado hace tiempo viene a afirmar que los puestos para trabajadores de 22 a 25 años en las ocupaciones más expuestas a la inteligencia artificial presentan una brecha del 19% respecto a la trayectoria de las menos expuestas, que viene sobre todo de una menor contratación. Hablamos de resultados descriptivos, no de estimaciones causales. La pregunta, por tanto, es muy clara: ¿cómo van a adquirir experiencia personas que encuentran cada vez menos puertas de entrada a la profesión?

Me parece interesante conectar esto con lo que vemos en educación: un cambio en las herramientas debería obligarnos a plantear la revisión de lo que realmente estamos evaluando. ¿Cuántos procesos de selección y exámenes siguen premiando destrezas aisladas que no tienen correlación con nada, en lugar de comprobar el nivel de comprensión, la capacidad de verificación o la calidad de las decisiones del entrevistado o examinado? ¿No deberíamos plantearnos cambiar eso de manera prioritaria? ¿Hasta cuándo vamos a seguir pidiendo a alguien que demuestre que sabe trabajar prescindiendo precisamente de las herramientas con las que tendrá que hacerlo?

In English on Medium, «It’s time companies started testing candidates with the tools they’ll be using in their job»

En un memorando interno, Amazon ha pedido a sus empleados que dejen de utilizar el llamado tokenmaxxing para parecer más ocupados y productivos, y les ha explicado que, oh sorpresa, el nivel de uso no debe convertirse en el único objetivo. Simplemente, la compañía reconoce algo tan evidente como que convertir el consumo en objetivo es algo que incrementa brutalmente los costes y la complejidad, lo que termina de matar la supuesta legitimidad de la práctica como criterio de productividad.

En realidad, la métrica ya era completamente absurda antes de que empezasen a manipularla: más allá de la ley de Goodhart, se trata de entender que, en realidad, como ya comenté el pasado mayo, los tokens nunca midieron valor, únicamente medían consumo. Es como evaluar a los conductores por la gasolina que gastan: incentivarás comportamientos que poco tienen que ver con ser o no un buen conductor. Ahora, después de gastar seguramente un buen montón de dinero inútilmente, Amazon reconoce que ese tipo de indicadores están completamente desconectados de los criterios que realmente son importantes. La responsabilidad del error, en este caso, no proviene de los empleados que maximizaron su uso de tokens, sino de los idiotas que diseñaron el incentivo: los empleados simplemente aprendieron a responder a él.

Facilitar supuesta inteligencia bruta para mejorar la productividad o la capacidad de trabajo es algo que exige presupuestos, seguimiento y control continuo sobre los resultados obtenidos. A lo único que te puede llevar el simplismo del tokenmaxxing es a facturas absurdamente desmesuradas.

Amazon no es la única compañía que cayó en semejante «modernidad»: una investigación de Joseph Cox en 404 Media basada en audios internos de Accenture identificó un consumo muy elevado de tokens entre empleados no técnicos, que se dedicaban incluso a convertir pdfs en presentaciones: un mayor consumo no implica una mayor sofisticación, e incluso puede indicar lo contrario, porque a medida que aprenden a manejar mejor las nuevas herramientas, se suele desarrollar una cierta mentalidad de optimización. Salvo, claro está, que te paguen por gastar más. Hace ya algún tiempo, The Verge habló sobre la progresiva retirada de licencias de Claude Code en Microsoft: por supuesto, había un interés porque sus empleados utilizasen Copilot CLI, pero había también evidentes razones económicas.

Incluso Anthropic, en su guía sobre context engineering, recomienda seleccionar el mínimo contexto relevante, y reconoce que puede haber una pérdida de precisión cuando se opta por acumular información innecesaria sin sentido. La consecuencia es que premiar el volumen puede estar incentivando sistemas más caros y menos fiables. Obviamente, eso no quiere decir que usar menos tokens sea siempre mejor: el criterio es aprender a utilizar los tokens necesarios para resolver adecuadamente cada tarea.

Según Amazon, demostrar en dónde la inteligencia artificial todavía no ayuda supone un hallazgo y una muestra de buen juicio. Las métricas lógicas serán las que han sido siempre: calidad, número de errores, tiempo total empleado y coste por resultado útil. La rectificación de Amazon, en la práctica, supone el paso del entusiasmo desenfrenado y sin sentido a la gestión optimizada. Abandonar el uso de un incentivo estúpido permite empezar a evaluar más seriamente una tecnología valiosa.

In English on Medium, «Tokenmaxxing, or the law of unintended consequences (that surely could have been predicted»

Una tecnología puede transformar completamente la economía mientras sus inversores pierden auténticas fortunas. Según Reuters, el STAR50, el índice de referencia de las grandes compañías del mercado de innovación tecnológica de Shanghai, ha perdido nada menos que un 40% desde julio, lo que ha provocado que «se evaporasen» unos 480,000 millones de dólares de capitalización. Estamos hablando de compañías vinculadas al desarrollo de la inteligencia artificial y los semiconductores, una de las grandes apuestas estratégicas del país como motor de su economía. En China, a todos los efectos, la burbuja de la inteligencia artificial ya ha estallado.

Las razones de semejante caída parecen complejas: no se puede decir que haya un único detonante, sino que concurren circunstancias que van desde valoraciones excesivamente infladas, dudas más que razonables sobre la demanda futura y amenazas de posibles restricciones comerciales.

Lo dije hace ya algún tiempo, en abril de 2024: hay una gran diferencia entre que haya una burbuja financiera, que la hay y muy grande, y la permanencia o importancia de una tecnología. Las burbujas financieras son parte de la naturaleza humana: cuando se desarrolla una tecnología de propósito general, surge una fiebre intensamente contagiosa por intentar ordeñar sus resultados que da lugar este tipo de comportamiento, que obliga a tratar de diferenciar claramente entre inversión desproporcionada e innovación útil. Que de repente los mercados financieros se den la gran bofetada o que una serie de compañías dedicadas a la inteligencia artificial y temas relacionados quiebren y desaparezcan no supone automáticamente una prueba de que toda inversión anterior fuese absurda o de que toda corrección resulte beneficiosa. Si tienes más de cuarenta o cincuenta años y no has vivido dentro de una cueva, ya has visto esta historia antes.

Como comentó el pasado febrero el co-CEO de SMIC, Zhao Haijun, «a las empresas les encantaría construir en uno o dos años la capacidad de data centers equivalente a la que necesitarían para una década (…) pero aún no han terminado de definir qué harán exactamente con ellos». Es decir, que una necesidad real puede perfectamente traducirse en una inversión excesiva o claramente adelantada a la demanda.

Unitree es otro caso clarísimo: de ser la estrella absoluta de las salidas a bolsa en la bolsa de Shanghai, con una demanda minorista que excedía en más de 8,000 veces a la oferta de acciones disponible, ha pasado a una caída en barrena de sus acciones que supone la pérdida de la mitad del valor de la compañía desde el pasado agosto. Es, obviamente, un problema de expectativas y de especulación que recuerda mucho a la fiebre de las puntocom a principios de siglo: no se trata de que los robots de Unitree carezcan de utilidad, en absoluto, sino de que las expectativas bursátiles que habían generado eran simplemente demenciales. Es como aquella compañía de la que hablé no hace mucho: con tal de obtener datos para entrenar robots, está dispuesta a limpiar gratis miles de hogares con trabajadores humanos a los que obviamente hay que pagar y que, eso sí, tienen que llevar puesta una cámara en la frente.

Es una de las características más claras de una burbuja: las prisas absurdas y la financiación desmesurada y obtenida de maneras «pintorescas», con vehículos fuera de balance. Unos niveles de apalancamiento y unas concentraciones de riesgo que pueden, en cualquier momento, hacer mucho más grande y más virulenta una eventual corrección. En ese sentido, que estalle la burbuja en China no tiene por qué ser un calendario inevitable para los Estados Unidos… pero sí es una muy buena advertencia, sobre todo para los inversores que se juegan su dinero.

Al final, lo verdaderamente importante es separar adopción tecnológica de entusiasmo financiero. Exigir resultados medibles, costes sostenibles (no empeñarse en generar energía a precios demenciales, por ejemplo) y usos concretos. El pinchazo debería endurecer la evaluación de las inversiones, por supuesto, pero no necesariamente convertirse en coartada para dejar de aprender o experimentar. La burbuja no descalifica a la tecnología, que sigue siendo importantísima y que, como todas las de propósito general, no tiene vuelta atrás, pero sí pone en cuestión las expectativas, las valoraciones y la forma de financiar su despliegue. La utilidad de la inteligencia artificial no garantiza la rentabilidad de cualquier empresa, infraestructura o inversión que lleve su etiqueta.

In English on Medium, «China’s AI bubble has burst, but the technology is here to stay»

Lo que ha pasado en Brasil durante las últimas elecciones presidenciales debería servir para que dejásemos de una vez de considerar a Meta como una simple empresa tecnológica. Diversos medios brasileños han comprobado y publicado que la inteligencia artificial integrada en WhatsApp se negaba a generar imágenes electorales de Lula con el número 13 que identifica su candidatura, mientras aceptaba peticiones equivalentes para Flávio Bolsonaro con el número que identificaba la suya, el 22. Y lo más escandaloso es que la discriminación continuó incluso después de que Meta anunciase haber corregido el problema. ¿Un error técnico? Es posible, aunque en absoluto probable. ¿Una interferencia potencialmente gravísima en un proceso democrático? Eso, sin ningún género de duda.

Pero la cosa tampoco termina ahí: la campaña de Lula denunció ante la justicia electoral que sus publicaciones y anuncios en Instagram sufrían restricciones «inexplicables», mientras que los contenidos favorables a Bolsonaro obtenían, «casualmente», una difusión desproporcionada. Las denuncias llegaron incluso a observadores electorales internacionales, y el Tribunal Superior Electoral ordenó a Meta garantizar un tratamiento equitativo de ambas candidaturas, bajo amenaza de multas de medio millón de reales diarios. Algunos empleados de Meta señalaron este trato desigual en tiempo real y elevaron el asunto: posteriormente, la empresa ofreció diversas excusas técnicas que no coinciden con las fechas ni con el hecho de que la campaña de Bolsonaro siguiese utilizando las mismas herramientas a las que Lula no tenía acceso. El resultado, independientemente de cuáles fueran las intenciones de Meta, fue un tratamiento profundamente desigual de dos candidaturas presidenciales, algo que ninguna democracia debería aceptar en una plataforma con semejante capacidad de influencia.

¿Nos sorprende? Deberíamos recordar de qué basura de empresa estamos hablando: ¿Cambridge Analytica y sus 87 millones de perfiles obtenidos sin consentimiento y utilizados para propaganda política personalizada nos dice algo? O Myanmar, donde Amnistía Internacional documentó que los algoritmos de Facebook amplificaron discursos de odio contra la minoría rohinyá, contribuyendo a crear las condiciones para verdaderas atrocidades masivas. O incluso España, donde la Agencia Española de Protección de Datos tuvo que intervenir para impedir determinadas funcionalidades electorales que amenazaban la privacidad de los votantes.

Podríamos añadir, y no es sobre Meta, el caso de Rumanía, sobre el que ya escribí en diciembre de 2024, cuando la primera vuelta de unas elecciones presidenciales terminó anulada entre acusaciones de manipulación a través de TikTok. En aquel momento ya advertía del peligro de unas plataformas cuyos algoritmos podían convertir la propaganda y la desinformación en armas de manipulación electoral. Lo que vemos ahora en Brasil añade otra dimensión al problema: ya no se trata únicamente de lo que determinados actores políticos consigan hacer utilizando esas plataformas y pagando por sus servicios, sino también de cómo las propias plataformas deciden qué herramientas funcionan, para quién y en qué condiciones. ¿De verdad vamos a seguir dejando algo tan importante como la integridad de unas elecciones en manos de empresas privadas con espantosos antecedentes éticos y que además no rinden cuentas ante los ciudadanos ni ante nadie?

Todo esto encaja inquietantemente bien con el concepto de tecnofascismo: la convergencia entre concentración tecnológica, vigilancia, control algorítmico y tendencias políticas autoritarias. El fascismo contemporáneo no necesita necesariamente uniformes ni desfiles: puede avanzar mediante sistemas de recomendación opacos, manipulación de la atención y plataformas que deciden qué mensajes circulan, cuáles desaparecen y quién puede expresarse. Esto no es un «protesto si no ganan los míos», es una llamada a la integridad de la democracia y a evitar que un sinvergüenza carente de ética y de escrúpulos la manipule simplemente porque se cree por encima del resto de los humanos.

Y mientras tanto, Mark Zuckerberg va, elimina los verificadores independientes en Estados Unidos, y relaja las políticas de moderación, en una más que evidente aproximación política a Donald Trump. La empresa que controla buena parte de la conversación pública mundial modifica unilateralmente sus reglas, sin que los ciudadanos tengan la menor capacidad de opinar o de intervenir.

No hace falta demostrar que Meta haya decidido explícitamente instaurar el fascismo: basta con ver cómo sus incentivos económicos, su arquitectura tecnológica y sus decisiones políticas facilitan la expansión de movimientos autoritarios. Y eso debería resultar absolutamente intolerable desde cualquier punto de vista en una democracia razonablemente madura. El problema no es únicamente lo que Meta permite o no permite publicar, sino el poder que se ha arrogado para determinar las condiciones en las que se desarrolla la conversación democrática.

Meta, además de ser una compañía profundamente dañina para sus usuarios, se ha convertido en un auténtico cáncer para la democracia. No hablamos de censurar opiniones ni de prohibir tecnologías: hablamos de impedir que una corporación privada concentre un poder sobre los procesos democráticos que ningún gobierno debería poseer. El mínimo exigible ante precedentes como los que ya existen sería someterla a auditorías independientes, transparencia algorítmica, responsabilidades legales efectivas y separación estructural de sus plataformas. Pero lo que realmente habría que hacer es cerrarla.

Si una compañía demuestra reiteradamente que no puede operar sin poner en peligro los derechos fundamentales y la integridad de las elecciones democráticas, deberíamos plantearnos seriamente si debe seguir teniendo permiso para operar. Es una maldita vergüenza con la que cualquier ciudadano con unas convicciones democráticas mínimamente serias debería plantearse actuar. La democracia no puede depender de lo que Mark Zuckerberg considere más conveniente para su cuenta de resultados o para su asquerosa visión del mundo.

In English on Medium, «Meta is a cancer on democracy»

A lo largo de todo el año pasado y buena parte de este, por circunstancias que no vienen al caso, me vi obligado a utilizar televisores diferentes al que tengo en mi casa, y tuve la oportunidad de comprobar cómo su evolución me resultaba profundamente desagradable: aparatos que, bajo la supuesta idea de ser «smart», están cada vez más pensados no para que los enciendas y veas el canal que quieres, sino más bien para martirizarte con sus propios anuncios, adicionales a los de las cadenas, o para empeñarse en ofrecerte ramilletes de canales absurdos que funcionan como meros soportes publicitarios y que no tienes el menor interés en ver.

Básicamente, tratar al usuario no como dueño de su televisor, sino como alguien que está delante de algún tipo de valla publicitaria. Me pareció una auténtica basura, me generó no pocas reacciones de indignación profunda, y me llevó a escribir algún artículo al respecto, así como a decidir que mi próximo televisor no sería un televisor como tal, sino un simple monitor.

La idea brillante de fabricantes como LG y otros es convertir el televisor en eso: una valla publicitaria capaz de generarles ingresos después de haber sido vendido. Captación de datos, venta y gestión de publicidad como una vía de crecimiento para unas compañías que, por tratar de seguir ordeñando la vaca, son capaces de alienar al usuario hasta el punto de que abomine de la idea de tener un televisor supuestamente «inteligente».

Ahora, un artículo en The Verge, «People are vibe coding their way to better TVs«, empieza a devolverme la fe en la humanidad y en la tecnología: algunos desarrolladores están empezando a ofrecer soluciones en GitHub para «limpiar» sus televisores y recuperar el control sobre ellos. CleanYourTV, por ejemplo, utiliza la conexión de desarrollo de Android por WiFi para desactivar componentes publicitarios, telemetría y aplicaciones sobrantes, e instalar una pantalla de inicio inspirada en Apple TV, además de guardar información para poder revertir los cambios si algo no funciona como es debido. Una mejora basada fundamentalmente en quitar obstáculos y ofrecer acceso directo a las aplicaciones elegidas.

Una segunda solución consiste en «rejuvenecer» el televisor que tenemos: TV Detox ofrece conjuntos de instrucciones para Claude Code o Codex con una interfaz minimalista: aplicaciones, entradas HDMI y reloj. Además, desactiva el software sobrante y busca con ello mejorar la respuesta de televisores Android antiguos como se hacía con los smartphones, en los que buena parte de la sensación de obsolescencia procede en muchos casos del software acumulado. El repositorio documenta incompatibilidades y problemas de arranque en algunos equipos debido a la amplia diversidad de las implementaciones de Android de los fabricantes, pero puede ser una opción a considerar si estás en esa tesitura.

Una tercera idea tiene como objetivo reducir las comunicaciones indeseadas. DumbTV, orientado a televisores compatibles con Fire TV, desactiva componentes, sustituye la pantalla de inicio y añade filtrado DNS contra servidores de publicidad y telemetría, pero permite conservar funciones elegidas por el usuario. No es una garantía de privacidad total: bloquear destinos conocidos no demuestra que hayamos conseguido detener toda posible recogida de datos, pero es interesante.

La inteligencia artificial está facilitando modificaciones que ya eran técnicamente posibles, pero relativamente complejas. Ahora, aprovechan por lo general herramientas de desarrollo, sin sustituir el sistema operativo completo, con un alcance que depende del modelo de televisor y del sistema que utilice, en ocasiones, con propósito meramente lúdico. Sobre televisores de LG con webOS, uno de los casos de desprecio al usuario más sangrantes y recalcitrantes que me ha hecho jurar que jamás volveré a comprar nada de la marca surcoreana, no he visto aún muchas soluciones, como esta, que lleguen a atajar el problema. Pero llegarán. Y si no, puedes intentar «rootear» tu televisor, aunque eso supone un nivel totalmente distinto de hackeo y control del dispositivo.

Obviamente, la penetración de este tipo de soluciones va a ser anecdótica: el usuario medio no se baja un paquete de GitHub, no tiene ni la más ligera idea de cómo instalarlo, y no hackea su televisor. Pero que haya usuarios más avanzados que dedican tiempo y esfuerzo a retirar funcionalidades indeseadas impuestas por el fabricante es, en cualquier caso, muy positivo, envía una señal inequívoca de rechazo y marca una dirección de futuro: que el mercado aprenda a rechazar determinados productos. Además, el problema va más allá de la molestia o de la estética: hay documentados casos de reconocimiento de contenido y de claras violaciones de privacidad a través de un dispositivo como el televisor, que hasta hace no mucho era algo completamente inofensivo y no generaba especial desconfianza.

La idea parece impensable, y sobre todo, profundamente incorrecta: tener que «intervenir» un dispositivo recién comprado para que responda como tú quieras, y no como al fabricante le da la gana para exprimirte mejor. Claramente, debería ser ilegal. Pero mientras no lo sea, habrá que recurrir al hackeo.

In English on Medium, «You thought you’d bought a smart television, but they sold you an advertising machine. It’s time to fight back»