Una compañía ha recibido, de acuerdo con un consultor que ha comentado el tema con Axios, una descomunal factura de quinientos millones de dólares de Anthropic, en concepto de tokens de Claude. Como comenta alguien, eso son cinco jets privados, dos superyates o una isla, vaporizados en la nada y convertidos en simples tokens. O como dice otro usuario, «me gustaría estar en la reunión con el responsable«…

La reacción inmediata supongo que sería pensar que alguien ha cometido un error, que algún empleado se ha vuelto loco con los prompts, que algún departamento ha perdido el control o que la inteligencia artificial es muchísimo más cara de lo que parecía. Pero aparentemente, y con todas las reservas que precisa una noticia así, venida de un simple comentario casual, alguien ofreció licencias de Claude a todos los usuarios de la compañía y no fijó ningún tipo de límites. En pleno contexto de tokenmaxxing, en el que el consumo de tokens es supuestamente algún tipo de prueba de tu valía, las cosas se acumulan rápidamente, hasta terminar con semejante factura demencial.

Después de algunos meses de entusiasmo, muchas compañías están comenzando a analizar con más detalle sus costes reales de inteligencia artificial y, sobre todo, su retorno. No porque hayan dejado de creer en la tecnología, sino porque empiezan a tratarla como cualquier otra inversión empresarial y a poner un mínimo de sentido común en las cosas. Microsoft, por ejemplo, ha empezado a cancelar licencias de Claude Code a miles de sus trabajadores y a pedirles que utilicen las de su GitHub Copilot CLI, y no simplemente por apostar por un producto propio, sino porque la idea original de ofrecer Claude Code a todos sus trabajadores, independientemente de su experiencia en desarrollo de software, tenía una muy difícil justificación. Incluso una compañía que ha apostado miles de millones por la inteligencia artificial empieza a evaluar con más rigor qué herramientas utiliza, cuánto cuestan y qué valor aportan realmente.

La inteligencia artificial generativa tiene un problema curioso: parece barata. La interfaz es una simple caja de texto y formular una pregunta resulta tan sencillo que cuesta percibir toda la infraestructura y recursos que existen detrás. Pero cada interacción consume recursos computacionales, almacenamiento, contexto, herramientas externas y modelos cada vez más complejos. Durante mucho tiempo, ese coste permaneció relativamente oculto. Ahora empieza a aparecer en las cuentas de resultados.

Las compañías que obtendrán verdadero valor de la inteligencia artificial no serán necesariamente las que más la utilicen, sino las que sean capaces de integrarla en procesos concretos, medir resultados y eliminar todo aquello que genere consumo sin aportar impacto. En la práctica, la pregunta está cambiando. Ya no es si estamos usando inteligencia artificial, sino si realmente merece la pena usar inteligencia artificial para una tarea determinada.

Puede parecer una diferencia menor, pero en realidad marca el final de la fase de entusiasmo y el comienzo de la fase de gestión. Y eso suele ser una buena noticia. Porque las tecnologías verdaderamente importantes sobreviven precisamente a ese momento: cuando dejan de venderse mediante promesas y empiezan a justificarse mediante resultados.

Las facturas de quinientos millones de dólares no demuestran que la inteligencia artificial esté fracasando: demuestra que, por primera vez, alguien está empezando a contar.

Cada vez que un europeo paga un café, compra un billete de tren o contrata una suscripción online, es muy probable que la transacción viaje a través de infraestructuras controladas por compañías estadounidenses. Visa, Mastercard, American Express, PayPal, Apple Pay o Google Pay se han convertido en elementos tan cotidianos que rara vez pensamos en ellos. Pero la pregunta es importante: ¿tiene sentido que una economía del tamaño de la Unión Europea dependa de sistemas de pago que no controla?

La cuestión resulta especialmente llamativa porque Europa lleva años hablando de soberanía digital. Discutimos sobre inteligencia artificial, cloud computing, semiconductores o ciberseguridad, mientras ignoramos una de las capas más críticas de cualquier economía moderna: los pagos. En la práctica, hemos construido un mercado único, una moneda común y un complejo entramado regulatorio, pero seguimos dejando que una parte esencial de nuestra infraestructura financiera dependa de empresas sometidas a otra jurisdicción.

Los datos del Banco Central Europeo son reveladores. Los esquemas internacionales siguen representando alrededor del 61% de los pagos con tarjeta en la eurozona, y trece países europeos carecen por completo de una alternativa doméstica relevante. En muchos casos, cada pago realizado por ciudadanos y empresas europeas termina pasando por redes estadounidenses.

Es precisamente en ese contexto donde aparece Wero, impulsado por la European Payments Initiative (EPI), un consorcio respaldado por algunos de los principales bancos europeos. Durante su primer año de funcionamiento, la plataforma ha alcanzado 48.5 millones de usuarios registrados y ha procesado más de 7,500 millones de euros en transacciones. Son cifras todavía modestas frente al gigantesco volumen de Visa o Mastercard, pero suficientes para demostrar que existe una demanda real de alternativas europeas.

Sin embargo, el verdadero valor de Wero no está en sus cifras actuales. Está en lo que representa: durante demasiado tiempo hemos interpretado la competencia en los sistemas de pago como una cuestión de cuota de mercado. Pero la cuestión relevante no es si Wero consigue sustituir a Visa o Mastercard. Lo importante es que exista. Que haya una alternativa funcional, interoperable y europea. Que comerciantes, consumidores, reguladores y gobiernos sepan que disponen de otra opción.

Porque la existencia de una alternativa cambia radicalmente la dinámica competitiva. Hoy, Visa y Mastercard pueden imponer condiciones desde una posición extraordinariamente cómoda. Los comercios aceptan sus costes porque prácticamente no tienen otra opción. Pero si Europa consigue desplegar una infraestructura propia capaz de operar pagos entre particulares, comercio electrónico y pagos en punto de venta, la conversación cambia por completo. Ya no se trata de expulsar a nadie del mercado, sino de impedir que unos pocos actores tengan capacidad para dictar unilateralmente sus reglas. Si añadimos además que esos actores están sometidos a la voluntad de un gobierno norteamericano completamente impredecible que puede exigir los datos que estime oportuno en cualquier momento, el problema parece evidente.

La iniciativa resulta aún más interesante porque no pretende partir de cero. El objetivo es conectar y coordinar sistemas nacionales ya consolidados como Bizum en España, Bancomat en Italia, MB Way en Portugal, iDEAL en los Países Bajos o MobilePay en los países nórdicos. En lugar de crear una nueva fragmentación, la idea consiste en construir una verdadera red paneuropea que permita pagos instantáneos entre ciudadanos y empresas de distintos países sin depender de infraestructuras externas.

Obviamente, el camino no será sencillo. Los hábitos de pago son difíciles de cambiar. Apple Pay y Google Pay ofrecen una experiencia excelente. Visa y Mastercard poseen décadas de ventaja, aceptación universal y enormes economías de escala. Incluso en Alemania, uno de los primeros mercados donde se desplegó Wero, la adopción sigue siendo relativamente limitada.

Pero reducir la discusión a una simple batalla comercial sería un error. Los sistemas de pago son también instrumentos geopolíticos. Cuando Visa y Mastercard tomaron la decisión de suspender sus operaciones en Rusia tras la invasión de Ucrania, demostraron algo evidente: quien controla las infraestructuras financieras dispone de una poderosa herramienta de presión política. En aquel caso concreto, muchos consideraron la medida justificada. Pero la lección sigue siendo válida. La dependencia tecnológica siempre implica vulnerabilidad.

Por eso resulta significativo que el BCE lleve años insistiendo en la necesidad de reforzar la autonomía europea en materia de pagos, o que el debate sobre el euro digital avance en paralelo. No son iniciativas idénticas, pero responden a una preocupación común: la necesidad de garantizar que Europa conserve capacidad de decisión sobre infraestructuras fundamentales para su economía.

La cuestión, además, trasciende el ámbito financiero. Los pagos generan datos, relaciones comerciales, poder de negociación e innovación. Determinan quién captura valor y quién establece los estándares. En una economía cada vez más digitalizada, controlar esas infraestructuras equivale a controlar una parte importante del futuro.

Europa ha cometido demasiados errores en la construcción de plataformas digitales. Llegó tarde a las redes sociales, al cloud, a los sistemas operativos móviles y a muchas otras áreas estratégicas. Pero en pagos todavía existe una oportunidad real. No porque Visa y Mastercard vayan a desaparecer, sino porque la competencia puede volver a existir.

Y ese debería ser el verdadero objetivo. No construir una alternativa europea por patriotismo económico ni por nostalgia industrial, sino porque ningún mercado funciona adecuadamente cuando depende de un número tan reducido de actores. La soberanía no consiste en cerrar fronteras ni en expulsar competidores: consiste en tener opciones.

Porque, al final, la pregunta no es si Wero derrotará a Visa o Mastercard. La pregunta es mucho más sencilla: ¿queremos que la infraestructura que mueve nuestro dinero dependa exclusivamente de decisiones tomadas fuera de Europa? Si la respuesta es no, entonces iniciativas como Wero dejan de parecer experimentos financieros caprichosos para convertirse en algo mucho más importante: una pieza esencial de la autonomía estratégica europea.

Read this article in English on Medium with no paywall using this link, «Could Wero wean Europe off dependence on Visa and Mastercard?»

El pasado 15 de mayo, el papa León XIV firmó Magnifica Humanitas, su primera encíclica, dedicada íntegramente a la inteligencia artificial y a sus consecuencias para la humanidad. El documento fue presentado públicamente el 25 de mayo, coincidiendo con el 135 aniversario de la Rerum Novarum de León XIII sobre el capital y el trabajo, y conviene decirlo desde el principio: me parece un texto serio, mucho más profundo que la inmensa mayoría de declaraciones corporativas sobre ética de la inteligencia artificial, y bastante más honesto que muchos libros blancos gubernamentales escritos con una mano en el teclado y con la otra pendiente de no molestar demasiado a las empresas que realmente mandan.

La encíclica acierta en lo esencial: la inteligencia artificial no es simplemente una tecnología más, ni una herramienta neutral que podamos evaluar únicamente por su eficiencia, su precisión o su capacidad para reducir costes. Es una infraestructura de poder. Decide qué vemos, qué leemos, qué trabajos desaparecen, qué decisiones se automatizan, qué formas de vigilancia se normalizan y qué partes de la realidad compartida terminan convertidas en ruido, polarización o espectáculo. Como resume Wired, el Papa entiende la inteligencia artificial como una capa invisible que ya atraviesa el trabajo, la información y las decisiones colectivas. Hasta aquí, muy bien.

El problema es que, en el momento en que el análisis debería convertirse en acusación, el texto se queda sin nombres propios. Habla de concentración de poder, pero no menciona a quienes lo concentran. Habla de plataformas, pero evita señalar a las plataformas. Habla de lógicas de mercado, pero no identifica a las compañías que han convertido esas lógicas en una forma de gobierno privado sobre nuestras vidas. Y eso no es un problema teológico, ni una limitación de estilo vaticano, ni una concesión diplomática inevitable: es una decisión política. Una encíclica que pretende hablar con todos termina, precisamente por eso, sin incomodar de verdad a casi nadie.

Porque la realidad no es abstracta. Mientras el Papa advierte contra la cultura de la potencia y pide incluso, en su discurso de presentación, «desarmar» la inteligencia artificial, el Departamento de Justicia de los Estados Unidos documenta cómo Google ha usado su posición dominante para congelar el mercado de la búsqueda durante más de una década, hasta el punto de que los remedios judiciales aprobados afectan no solo a Search, Chrome o Assistant, sino también a Gemini y a la próxima capa de intermediación algorítmica de la red. No estamos hablando de una «tendencia preocupante», sino de un monopolio declarado por los tribunales, de contratos de exclusividad, de datos, de distribución, de la arquitectura misma del acceso a la información. El documento pontificio ve el edificio. Simplemente evita leer el cartel de la puerta.

Lo mismo ocurre con Meta. Cuando Wired recoge la protesta de trabajadores subcontratados en Dublín que moderaban contenido y etiquetaban datos para entrenar productos de inteligencia artificial de Meta, y que ahora denuncian que se quedan con las migajas mientras la compañía captura el valor de ese trabajo, no estamos ante un ejemplo anecdótico de mala gestión laboral. Estamos ante la forma concreta que adopta la inteligencia artificial cuando se despliega dentro de las cadenas de valor reales: trabajo invisible, externalizado, psicológicamente costoso, presentado como si fuese magia tecnológica, y finalmente desechado cuando deja de ser conveniente. ¿Dónde está ahí la dignidad del trabajo? ¿En qué parte exacta de la cadena queda la «centralidad de la persona humana»?

La parte más interesante de la encíclica es, sin duda, la que dedica al ecosistema informativo. Ahí el Papa acierta de lleno: el problema no es únicamente la desinformación, ni los bulos, ni la posibilidad de que una imagen generada por inteligencia artificial engañe a unos cuantos incautos durante unas horas. El problema es mucho más profundo: es la reconstrucción algorítmica del imaginario colectivo. Un sistema que optimiza para engagement, indignación, permanencia y reacción emocional no solo distribuye contenidos: define lo que una sociedad considera visible, discutible o posible. Un estudio publicado en PNAS Nexus mostró que los algoritmos de ranking basados en engagement amplifican contenido emocionalmente cargado y hostil hacia el adversario político; otro trabajo recogido por El País señalaba que el orden en que se muestran los mensajes políticos afecta a la polarización afectiva. En la práctica, la arquitectura de la conversación pública ya no la diseñan parlamentos, editores o ciudadanos, sino modelos de optimización opacos que convierten nuestras pulsiones más primarias en inventario publicitario.

Y aquí la encíclica es valiosa porque entiende algo que muchos reguladores aún no han entendido: el fact-checking no arregla un sistema construido para premiar lo contrario de la deliberación. Comprobar datos puede ser necesario, pero es desesperadamente insuficiente cuando toda la infraestructura está diseñada para que lo emocional derrote a lo relevante, lo tribal derrote a lo complejo y lo viral derrote a lo verdadero. La democracia no se destruye únicamente cuando alguien publica una mentira, sino cuando el espacio común en el que deberíamos distinguir entre verdad, mentira, interés y manipulación ha sido rediseñado por empresas privadas que responden ante anunciantes, accionistas y métricas internas, no ante ciudadanos.

Donde el documento se queda más corto es en el trabajo. Defiende la dignidad laboral con convicción, pero desde una concepción del empleo que suena cada vez más histórica. La gran pregunta ya no es si la inteligencia artificial destruirá puestos de trabajo, sino quién captura el valor de esa destrucción, de esa sustitución o de esa reorganización. Cuando una empresa automatiza un proceso, reduce plantilla, aumenta productividad y mejora márgenes, ¿a dónde va ese valor? ¿A los trabajadores? ¿A sus comunidades? ¿A impuestos capaces de financiar transición, formación o renta? En absoluto: va, en la mayoría de los casos, a los accionistas y a quienes controlan el capital. McKinsey lo formula desde el lenguaje de la estrategia empresarial: la inteligencia artificial no es simplemente una revolución de productividad, sino un «competitive reset», una reconfiguración de modelos de negocio, estructuras de mercado y profit pools. Dicho de otra manera: no basta con preguntar cuánta riqueza crea la inteligencia artificial. Hay que preguntar quién se la queda.

Por eso resulta tan interesante la propuesta discutida en Corea del Sur de un dividendo ciudadano asociado a los beneficios extraordinarios de la inteligencia artificial. Podrá ser imperfecta, discutible o prematura, pero al menos coloca la pregunta en el lugar correcto: si los sistemas de inteligencia artificial se entrenan con datos, trabajo, infraestructuras, conocimiento colectivo y mercados construidos socialmente, ¿por qué el retorno debe concentrarse casi exclusivamente en unas pocas compañías y sus accionistas? ¿Por qué aceptamos sin pestañear que la automatización sea presentada como progreso cuando sus beneficios se privatizan y sus costes se socializan?

La Iglesia, paradójicamente, tiene tradición suficiente para ir mucho más lejos. La Rerum Novarum no se limitó a lamentar de manera genérica «los excesos de la industrialización». Señaló abusos, habló de salarios, propiedad, patronos, obreros, asociaciones y condiciones concretas. Fue incómoda porque entendió que la doctrina social no podía quedarse en una apelación piadosa al bien común mientras las fábricas, los terratenientes y el capitalismo industrial redefinían la vida de millones de personas. Magnifica Humanitas quiere ser la Rerum Novarum de la inteligencia artificial, y en muchos aspectos lo consigue: entiende el cambio de época, reconoce la magnitud del desafío y se niega a caer en la ingenuidad tecnófila. Pero justo cuando debería transformar el diagnóstico en una crítica institucional concreta, se refugia en la abstracción.

Obviamente, no se trata de pedir al Papa que escriba una lista negra de empresas tecnológicas, ni que convierta una encíclica en una demanda antimonopolio. Las encíclicas están pensadas para poderse leer durante décadas o siglos y que sigan teniendo sentido, por lo que mencionar concretamente a compañías no tendría sentido Pero sí hay que entender que en 2026 hablar de inteligencia artificial sin nombrar a Google, Microsoft, Meta, Amazon, OpenAI, Nvidia, Apple o Anthropic es como hablar de la Revolución Industrial sin mencionar fábricas, minas, ferrocarriles, patronos o sindicatos. La tecnología no cae del cielo. La tecnología tiene propietarios, incentivos, contratos, cadenas de suministro, modelos de negocio y estrategias de captura regulatoria, y se pueden señalar perfectamente quiénes son los buenos y quiénes son los malos sin necesidad de mencionarlos por el nombre. Cuando todo eso desaparece del lenguaje, también desaparece la posibilidad de actuar sobre ello.

Nada de esto disminuye la importancia del documento. En un mundo en el que la ética de la inteligencia artificial está siendo, en demasiadas ocasiones, producida por las mismas empresas que se benefician de su ausencia, que una institución con autoridad moral global diga que la tecnología debe servir a la persona humana y no al revés es relevante. Que insista en que la cuestión central no es la capacidad técnica, sino el poder, también lo es. Y que hable de comunicación, educación, trabajo, guerra, democracia y dignidad en un mismo marco resulta bastante más sofisticado que la habitual letanía de “principios éticos” diseñados para adornar presentaciones corporativas.

Pero no es suficiente. La próxima carta, la próxima encíclica o el próximo documento sinodal tendrá que hacer lo que este evita: señalar estructuras, identificar actores y proponer mecanismos concretos. No una apelación genérica al multilateralismo en un mundo en el que el multilateralismo llega tarde, mal y con demasiados lobbies sentados a la mesa. No otra invocación solemne a la responsabilidad compartida mientras la captura de valor sigue siendo brutalmente asimétrica. No otro texto impecable en el diagnóstico y tímido en la acusación.

El Papa ha entendido muy bien cuál es el problema. Ha comprendido que la inteligencia artificial no es una herramienta, sino una nueva arquitectura de poder. Ha visto que afecta a la verdad, al trabajo, a la democracia, a la guerra y a la libertad. Ha encontrado incluso una formulación poderosa: desarmar la inteligencia artificial. Pero desarmar algo exige saber quién tiene las armas, quién las fabrica, quién las vende, quién se beneficia de ellas y quién paga las consecuencias.

Y ahí, precisamente ahí, Magnifica Humanitas se detiene. Diagnostica con lucidez, habla con altura moral, recupera una tradición social valiosa y formula preguntas necesarias. Pero cuando llega el momento de señalar con el dedo, baja la mano.

El Papa diagnostica bien. Lo que le falta, todavía, es valor para nombrar.

Read this article in English on Medium with no paywall using this link, «Pope Leo XIV understands AI as power. He’s right. Now he must name the companies who wield it»

Durante un tiempo, a muchas empresas les pareció una buena idea medir la adopción de la inteligencia artificial contando tokens. Cuántos tokens consumía cada empleado, cuántas llamadas hacía, cuántas veces invocaba un agente, cuánto contexto movía por sus sistemas. Cómodo, cuantificable, fácil de poner en un dashboard y, sobre todo, producía esa tranquilizadora ilusión de control que tanto gusta en las organizaciones cuando aparece una tecnología nueva.

El problema es que, como casi siempre, la tranquilidad era falsa. El caso de Amazon, que acaba de eliminar un ranking interno de uso de inteligencia artificial después de que algunos empleados empezasen a inflar artificialmente su consumo de tokens para subir posiciones, es casi demasiado perfecto para ser real. Según detalla el Financial Times en «Amazon scraps AI leaderboard to stop workers chasing usage scores«, el sistema, llamado Kirorank, puntuaba a los usuarios de la plataforma Kiro en función de su actividad con inteligencia artificial, hasta que algunos trabajadores empezaron a asignar tareas innecesarias a agentes autónomos para así generar más consumo. La propia compañía terminó pidiendo a sus empleados algo que debería haber sido obvio desde el principio: no uséis inteligencia artificial simplemente por usar inteligencia artificial.

Es difícil encontrar una ilustración más limpia de la ley de Goodhart: cuando una métrica se convierte en objetivo, deja de ser una buena métrica. Pero en este caso hay que ir un paso más allá: el consumo de tokens no dejó de ser una buena métrica cuando se convirtió en objetivo, porque en realidad, nunca fue una buena métrica. Era, como mucho, un proxy perezoso de actividad. Y la actividad, en una empresa, no es valor.

Este es el error de fondo: confundir el movimiento con el progreso. Un empleado que consume muchos tokens no está necesariamente trabajando mejor. Puede estar formulando mal sus preguntas, enviando contexto innecesario como si no hubiera un mañana, utilizando agentes para tareas triviales, iterando sin criterio, aceptando respuestas mediocres o delegando en la máquina procesos que habría resuelto más rápido con una conversación, una búsqueda o cinco minutos de concentración. Puede, simplemente, estar quemando dinero de la empresa para parecer moderno.

La industria de la inteligencia artificial tiene todos los incentivos del mundo para alimentar esa confusión. Si facturas por tokens, más tokens significan más ingresos. Si vendes infraestructura, más inferencia significa más demanda. Si vendes la narrativa de la automatización agéntica, más bucles, más llamadas a herramientas, más memoria y más contexto parecen síntomas de sofisticación. Pero para la empresa que paga la factura, el análisis debería ser exactamente el contrario: más consumo no significa más inteligencia. Muchas veces significa peor arquitectura.

La empresa inteligente no debería celebrar que sus sistemas consuman cada vez más, sino preguntarse por qué lo necesitan. La propia Anthropic, en su guía sobre context engineering, lo formula con bastante claridad: el objetivo es encontrar el conjunto más pequeño posible de tokens de alta señal que maximice la probabilidad de obtener el resultado deseado. No el conjunto más grande. No el prompt más largo. No la conversación más aparatosa. El conjunto más pequeño y más relevante.

Esa frase debería estar enmarcada en todos los comités de dirección que hoy se preguntan cómo medir la adopción de inteligencia artificial. Porque medir tokens es fácil. Medir competencia es mucho más difícil. Un buen profesional puede usar pocos tokens porque sabe exactamente qué pedir, qué contexto aportar, qué modelo elegir, cuándo detenerse, e incluso cuándo no utilizar inteligencia artificial. Uno malo, en cambio, puede usar millones porque no sabe pensar el problema, no sabe estructurar información, no sabe evaluar la respuesta o ha aprendido que el dashboard premia el ruido. En ese escenario, el ranking no identifica a los mejores usuarios: identifica a los más caros.

La paradoja es incómoda: el empleado realmente competente puede parecer menos «adoptador» que el que convierte cada tarea en una innecesaria liturgia agéntica de veinte pasos. El primero hace ingeniería. El segundo hace teatro. Y el teatro, cuando se mide, se expande.

No es un fenómeno nuevo. Las organizaciones llevan décadas destruyendo buenas intenciones mediante indicadores mal escogidos: llamadas atendidas, líneas de código, horas facturables, número de reuniones, tickets cerrados, publicaciones, citas, leads, visitas, clics. Siempre ocurre lo mismo. Primero se elige una métrica porque parece correlacionar con algo importante. Después se convierte en objetivo. Finalmente, la organización aprende a producir la métrica aunque el objetivo original desaparezca. La empresa quería productividad y obtiene actividad. Quería aprendizaje y obtiene cumplimiento. Quería adopción y obtiene tokenmaxxing.

Con la inteligencia artificial, el problema es aún más peligroso porque el coste marginal de fingir actividad puede ser muy alto. Un agente puede ejecutar bucles, llamar herramientas, reintentar, resumir, consultar documentos, generar código, descartarlo y volver a empezar. Desde fuera, todo parece trabajo. Desde dentro, puede ser una máquina de transformar presupuesto en vapor.

Por eso son tan importantes las señales contrarias. El estudio de METR sobre desarrolladores experimentados, por ejemplo, encontró que el uso de herramientas de inteligencia artificial les hizo tardar un 19% más en completar tareas sobre repositorios que conocían bien, aunque ellos mismos creían estar siendo más rápidos. El resultado no demuestra que la inteligencia artificial no funcione, demuestra algo más interesante: que la percepción subjetiva de productividad puede ser profundamente engañosa. Y si la percepción engaña, un contador de tokens engaña todavía más.

También por eso tienen sentido técnicas como el prompt caching de OpenAI, que puede reducir latencia y costes en prompts repetidos, o las recomendaciones de Microsoft sobre chunking en sistemas RAG, que insisten en enviar información relevante y eliminar lo irrelevante. Todas esas prácticas parten de la misma idea: el token no es una medalla, es un recurso. Y como todo recurso, debe administrarse.

La adopción real de inteligencia artificial no debería medirse por cuánto se consume, sino por cuánto mejora el trabajo. Menos tiempo hasta una decisión correcta. Menos errores. Menos repeticiones improductivas. Mejor documentación. Mejor código mantenible. Mejor atención al cliente. Mejor aprendizaje organizativo. Mejor capacidad para abordar problemas que antes no se podían abordar. Y, sobre todo, mejor relación entre resultado obtenido y coste incurrido.

Claramente, el numerador importa, pero el denominador también: una empresa que solo mira tokens está midiendo el denominador y fingiendo que eso le dice algo sobre el numerador. Es como evaluar a un conductor por los litros de gasolina consumidos, a un investigador por el número de PDFs abiertos o a un profesor por los megabytes descargados para preparar una clase. Puede haber alguna correlación débil en ciertos contextos, pero sería absurdo convertirlo en criterio de rendimiento. La pregunta relevante no es quién usa más inteligencia artificial. La pregunta relevante es quién obtiene mejores resultados porque sabe cuándo, cómo y para qué usarla.

Esto nos lleva a una distinción fundamental: el acceso a capacidad de inferencia puede convertirse en una parte muy relevante de la propuesta de valor para determinados profesionales, como planteaba al hablar de los tokens como forma de retribución o de capacidad de acción. Pero una cosa es equipar bien a una persona para que pueda trabajar mejor, y otra muy distinta es premiarla por agotar el presupuesto. Dar acceso a modelos potentes puede ser una inversión. Incentivar su consumo indiscriminado es una estupidez contable.

La madurez empresarial en inteligencia artificial no consistirá en presumir de los millones de tokens procesados: consistirá en diseñar sistemas que necesiten menos tokens para conseguir mejores resultados. Menos fuerza bruta y más contexto bien seleccionado. Menos rankings y más criterio. Menos gamificación infantil y más responsabilidad económica. Menos «mira cuánto uso la inteligencia artificial» y más «mira qué problema he resuelto».

El episodio de Amazon debería ser una advertencia temprana. No porque Amazon haya hecho algo especialmente exótico, sino precisamente porque hizo algo muy normal: intentar acelerar una adopción tecnológica mediante una métrica visible, comparable y aparentemente objetiva. El problema es que las personas no obedecen a los objetivos abstractos de la dirección: obedecen a los incentivos reales del sistema. Y si el sistema premia tokens, producirán tokens.

La inteligencia artificial necesita métricas, por supuesto, pero no cualquier métrica. Necesita métricas que capturen valor, calidad, aprendizaje, fiabilidad, seguridad, coste total y mejora real de procesos. Necesita auditorías, comparativas, experimentos controlados y disciplina. Necesita, en definitiva, gestión. Lo que no necesita es otro marcador luminoso que premie al que más ruido hace.

Porque cuando el consumo de tokens se convierte en objetivo, deja de medir adopción. Y cuando una empresa cree que el consumo de tokens mide inteligencia, lo que realmente está midiendo es su propia ingenuidad.

Read this article in English on Medium with no paywall using this link, «Tokenmaxxing and the failure of simplistic AI metrics»

Durante los dos últimos años, las empresas han estado haciéndose la pregunta equivocada: ¿cómo usamos la inteligencia artificial en nuestros procesos?

Al principio tenía sentido. Cuando aparecieron los grandes modelos de lenguaje, el instinto era natural: tomar lo que ya existía, como workflows, funciones, cadenas de decisión, etc. e intentar acelerarlo. Añadir copilots. Añadir asistentes. Añadir capas de automatización. Mejorar la productividad.

Pero, como hemos visto, ese enfoque no escala. Como argumenté en mis artículos anteriores, la inteligencia artificial empresarial no ha fracasado porque la tecnología no funcione. Ha fracasado porque intentamos colocarla en la capa equivocada. Los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa, y encajarlos dentro de procesos existentes no cambia ese desajuste estructural.

Ahora que el entusiasmo inicial ha chocado con la realidad, empieza a emerger otra pregunta, silenciosamente pero de forma inequívoca: ¿y si el problema no es cómo usar inteligencia artificial en nuestros procesos, sino que nuestros procesos nunca fueron diseñados para la inteligencia artificial?

El regreso de una vieja idea (pero esta vez de verdad)

En los años noventa, la reingeniería de procesos de negocio (Business Process Reengineering, o BPR) prometía algo radical: rediseñar las empresas alrededor de sistemas de información en lugar de limitarse a superponer tecnología sobre workflows existentes. La idea era potente, pero la ejecución fue desigual. Muchas iniciativas acabaron siendo reorganizaciones costosas con poco impacto duradero, en parte porque los sistemas subyacentes seguían siendo rígidos, fragmentados e incapaces de adaptarse en tiempo real.

Esta vez es diferente.

Entonces, los sistemas eran pasivos. Almacenaban información, aplicaban reglas y apoyaban decisiones tomadas por humanos. Hoy, los sistemas empiezan a ser activos: pueden generar, evaluar, coordinar y, cada vez más, actuar. Ese cambio altera completamente la ecuación. Significa que ya no estamos simplemente digitalizando procesos: estamos redefiniendo qué es un proceso.

La investigación más reciente de McKinsey sobre adopción de inteligencia artificial refuerza exactamente este punto: aunque el uso es masivo, el impacto real se correlaciona fuertemente con el rediseño de workflows, no simplemente con desplegar herramientas. Las organizaciones que replantean cómo se redefine el trabajo, y no solo con que tecnología se lleva a cabo, son las pocas que están viendo mejoras medibles.

En otras palabras, la promesa original del BPR está reapareciendo, pero ahora la tecnología sí puede sostenerla.

Por qué la mayoría de los procesos son incompatibles con la inteligencia artificial

La verdad incómoda es que la mayoría de los procesos empresariales actuales no son solo ineficientes. Son estructuralmente incompatibles con el tipo de sistemas en que la inteligencia artificial se está convirtiendo.

Son:

• Fragmentados: repartidos entre herramientas, equipos y silos de datos.
• Secuenciales: construidos alrededor de traspasos y retrasos.
• Pobres en contexto: dependen de individuos para reconstruir el estado.
• Latentes en la toma de decisiones: optimizados para revisión, no para acción.
• Diseñados para humanos: asumen que la cognición, la memoria y la coordinación son escasas.

Estas características tenían sentido en un mundo donde el factor limitante eran las personas. No lo tienen en un mundo donde los sistemas pueden mantener contexto, aplicar restricciones y operar de forma continua.

Deloitte resume bien esta tensión en su análisis reciente sobre inteligencia artificial agéntica: muchas organizaciones están intentando automatizar procesos diseñados para humanos en lugar de replantear el propio trabajo. El resultado es previsible: aumenta la complejidad, pero los resultados no mejoran proporcionalmente.

No es un problema de herramientas. Es un problema de diseño.

La inteligencia artificial no optimiza procesos: los deja al descubierto

Uno de los patrones más consistentes en las iniciativas de inteligencia artificial empresarial es este: cuanto más intentas aplicar inteligencia artificial a un proceso existente, más visibles se vuelven las limitaciones de ese proceso.

Lo que antes estaba oculto detrás del esfuerzo humano pasa a hacerse explícito:

• datos ausentes
• reglas inconsistentes
• propiedad difusa
• trabajo duplicado
• bucles de retroalimentación lentos

En ese sentido, la inteligencia artificial se comporta menos como una capa de optimización y más como una herramienta de diagnóstico. Revela la distancia entre cómo una empresa cree operar y cómo opera realmente.

Por eso tantos pilotos se atascan. No porque falle el modelo, sino porque el proceso en el que se inserta no puede absorber lo que el modelo produce. Como ha señalado el MIT, el desafío no consiste simplemente en adoptar inteligencia artificial, sino en rediseñar las organizaciones para que realmente puedan utilizarla eficazmente.

Y eso lleva a una conclusión mucho más incómoda: el factor limitante ya no es la tecnología. Es la empresa.

De procesos a sistemas

Si la fase anterior de la inteligencia artificial empresarial consistía en añadir inteligencia a tareas, la siguiente consistirá en rediseñar sistemas para que la inteligencia esté integrada desde el principio.

Ese cambio lo altera todo. En lugar de preguntar “¿cómo automatizamos este paso?”, las empresas tendrán que preguntarse:

«¿Por qué existe este paso?»
«¿Cómo sería este proceso si estuviera diseñado alrededor de contexto continuo?»
«¿Dónde deberían producirse realmente las decisiones?»
«¿Qué restricciones deberían aplicarse automáticamente?»

No son mejoras incrementales. Son preguntas estructurales.

Y apuntan hacia un tipo diferente de organización: una donde los procesos dejan de ser secuencias estáticas de acciones y pasan a ser sistemas dinámicos que mantienen estado, integran datos, operan bajo restricciones y se adaptan continuamente a partir de resultados. Exactamente las mismas características que definían los sistemas descritos en mi artículo anterior.

Las empresas que se muevan primero serán muy diferentes

Aquí es donde el cambio empieza a hacerse visible. Las empresas que logren rediseñar con éxito sus procesos alrededor de estos principios no serán simplemente más rápidas o más eficientes. Operarán de otra manera:

• las decisiones ocurrirán más cerca de los datos
• la coordinación requerirá menos traspasos
• los bucles de retroalimentación se acortarán drásticamente
• la ejecución se volverá más continua
• los roles evolucionarán alrededor de sistemas, no de tareas

El Work Trend Index de Microsoft ya apunta hacia esta transición, describiendo organizaciones que evolucionan hacia estructuras más dinámicas y orientadas a resultados, donde humanos e inteligencia artificial colaboran alrededor de objetivos y no de funciones.

Desde fuera, estas empresas quizá no parezcan muy distintas al principio. Pero internamente, su lógica operativa habrá cambiado. Y ese cambio se acumula.

Esto no es opcional

Es tentador pensar en todo esto como una oportunidad. Y lo es. Pero también es otra cosa: una restricción.

Porque una vez que algunas empresas empiecen a operar así, las demás ya no competirán contra mejores herramientas. Competirán contra un tipo distinto de sistema.

Un sistema que:

• aprende más rápido
• se adapta continuamente
• coordina con mayor eficiencia
• ejecuta con menos retrasos

Eso no es algo que puedas igualar añadiendo otro copilot o desplegando otro modelo. Requiere rediseño.

La próxima fase de la inteligencia artificial empresarial será organizativa

Si la primera fase de la inteligencia artificial en la empresa fue la experimentación, y la segunda la toma de conciencia, la siguiente será la transformación.

No una transformación impulsada por modelos, sino por estructura. No estamos pasando de una «inteligencia artificial peor» a una «inteligencia artificial mejor». Estamos pasando de empresas construidas para humanos a empresas que deben operar con máquinas como parte de su lógica central.

Y eso exige algo que muchas organizaciones han evitado durante décadas: reconstruir la forma en que realmente trabajan.

La verdadera pregunta

Así que la pregunta ya no es «¿cómo usamos inteligencia artificial?» La pregunta es: «¿Estamos dispuestos a rediseñar nuestra empresa para que la inteligencia artificial pueda funcionar de verdad?»

Porque si la respuesta es no, el resultado ya está claro: la inteligencia artificial no fracasará. Pero tus procesos, sí.

(This article was previously published on Fast Company)

California acaba de hacer algo que, por obvio, resulta casi revolucionario: dejar de tratar la inteligencia artificial como una simple cuestión de innovación tecnológica y empezar a tratarla como lo que realmente es, una cuestión de política económica, de distribución de riqueza y de poder. La nueva orden ejecutiva de Gavin Newsom no parte del entusiasmo infantil de «preparemos a todos para los empleos del futuro», sino de una premisa mucho más incómoda: habrá disrupción, habrá sectores muy afectados, habrá muchos trabajadores desplazados, y si el estado no mide, anticipa y regula ese proceso, la factura volverá a caer sobre los mismos de siempre.

Lo interesante no es que California hable de formación, reciclaje profesional o alfabetización en inteligencia artificial. Eso ya lo había hecho antes, incluso asociándose con Google, Microsoft, IBM y Adobe para llevar certificaciones, prácticas y programas de inteligencia artificial generativa a institutos y universidades públicas. Lo verdaderamente importante es el cambio de tono: la IA deja de ser presentada únicamente como una herramienta para aumentar la productividad y pasa a aparecer como un fenómeno que puede requerir seguros de desempleo, estándares de indemnización, participación en capital, modelos de propiedad de los trabajadores, cambios en la ley WARN, paneles públicos de seguimiento sectorial e incluso mecanismos para que una parte del valor generado por las compañías de inteligencia artificial se destine a usos de interés público.

Ese giro es fundamental. Durante los primeros años de la inteligencia artificial generativa, la interpretación dominante fue una mezcla de evangelismo tecnológico, determinismo histórico y consultoría barata: «la inteligencia artificial no te quitará el trabajo, te lo quitará alguien que sepa usar inteligencia artificial mejor que tú». Era una frase perfecta para conferencias, cursos y titulares, pero pésima como diagnóstico social. California parece empezar a entender que el problema no es si cada trabajador aprende a escribir prompts, sino qué ocurre cuando las empresas descubren que pueden reorganizar procesos completos, reducir capas enteras de trabajo cualificado y concentrar aún más los beneficios de la automatización en accionistas, directivos y propietarios de infraestructura computacional.

La orden ejecutiva tiene un importante valor simbólico porque llega desde el territorio que más se ha beneficiado de esa concentración. California presume, con razón, de ser el mayor ecosistema de innovación del mundo y de alojar 33 de las 50 principales compañías privadas de inteligencia artificial. Pero precisamente por eso su movimiento resulta especialmente revelador: cuando el lugar que produce la disrupción empieza a prepararse para protegerse de ella, el resto del mundo debería dejar de mirar la inteligencia artificial como una promesa abstracta y empezar a verla como una política industrial de primer orden.

No hablamos de una reacción aislada. El AI Index 2026 de Stanford muestra un fenómeno con dos frentes claros: inversión privada disparada, adopción organizativa creciente y capacidades técnicas en rápida expansión, pero también efectos laborales desiguales, especialmente en los trabajadores más jóvenes de ocupaciones expuestas. Según Stanford, el empleo de desarrolladores de software de 22 a 25 años ha caído cerca de un 20% desde 2024, y una parte significativa de las empresas espera reducir plantilla en el próximo año. La misma Stanford destaca además que los estadounidenses son particularmente escépticos: solamente un 33% cree que la inteligencia artificial mejorará su trabajo, y la confianza en la capacidad del gobierno para regularla es muy baja.

Ese es el contexto real: no una revolución tranquila, sino una tensión creciente entre quienes diseñan la tecnología, quienes la financian y quienes la sufren. Los expertos tienden a ver posibilidades; el público ve riesgo, opacidad y pérdida de control. Una tecnología que avanza más deprisa que la capacidad social para comprenderla, gobernarla o confiar en ella. Y esa frase debería estar enmarcada en todos los despachos públicos: una tecnología que avanza más rápido que la gobernanza no es progreso, es simplemente poder sin contrapesos.

Por supuesto, la orden de Newsom no satisface a todos. La Federación Laboral de California la ha recibido con una mezcla de reconocimiento y crítica: está bien que el gobernador admita el daño potencial de la inteligencia artificial sobre los trabajadores, pero estudiar no basta, y la pérdida masiva de empleo no debe tratarse como una fatalidad inevitable, sino como una decisión política. Esa objeción es muy relevante, porque señala la diferencia entre gobernar la transición y limitarse a documentarla. Un dashboard sobre el impacto de la inteligencia artificial puede ser útil; pero si solo sirve para certificar el deterioro una vez producido, será otra forma elegante de llegar tarde.

La parte más sugerente de la orden es, precisamente, la que rompe con el lenguaje habitual de la «empleabilidad». Hablar de «universal basic capital«, de propiedad de los trabajadores o de participación en el valor generado por la productividad equivale a reconocer que la inteligencia artificial no es solo una cuestión de salarios, sino de propiedad. Si la productividad ya no procede únicamente del trabajo humano, sino de modelos entrenados con datos colectivos, infraestructura masiva y una concentración extraordinaria de capital, entonces la pregunta deja de ser «¿qué curso debe hacer el trabajador desplazado?» y pasa a ser «¿quién va a capturar (o está capturando ya) la renta de la automatización?». Esa es la pregunta incómoda. Y es exactamente la que la mayoría de gobiernos siguen evitando.

California será representativa para el resto del mundo en un sentido muy preciso: no porque sus soluciones sean exportables sin más, sino porque allí aparecerán antes las contradicciones. Silicon Valley ha sido durante décadas el laboratorio donde primero se veían las promesas de la tecnología; ahora puede convertirse en el laboratorio donde primero se vean sus costes sociales. Los países que hoy miran la inteligencia artificial como una carrera por atraer centros de datos, startups y talento deberían fijarse más en esta orden que en cualquier keynote de una gran tecnológica. La verdadera madurez no consiste en aplaudir cada nuevo modelo, sino en preguntarse qué instituciones serán necesarias cuando esos modelos empiecen a reorganizar mercados laborales enteros.

También hay una diferencia importante con las primeras interpretaciones de la inteligencia artificial generativa. Al principio se habló mucho de creatividad aumentada, productividad individual, asistentes personales y democratización del conocimiento. Todo eso existe, y sería absurdo negarlo. Pero la fase actual es distinta: las empresas ya no están experimentando con chatbots, sino rediseñando estructuras de costes. La inteligencia artificial ha pasado de ser una herramienta en manos del trabajador a ser un argumento en manos del consejo de administración. Ese desplazamiento semántico es crucial: cuando una tecnología entra en Excel, ya no se discute en términos de fascinación, sino de márgenes, plantilla y retorno sobre el capital.

Por eso California importa. No porque Newsom haya encontrado alguna fórmula mágica, sino porque ha puesto sobre la mesa un marco más adulto: innovación sí, pero con señales tempranas. Adopción sí, pero con negociación colectiva. Productividad sí, pero con reparto. Formación sí, pero no como coartada para abandonar a quienes sean desplazados. Colaboración con las grandes tecnológicas sí, pero sin confundir el interés público con el folleto comercial de quienes venden la tecnología.

La pregunta para Europa, para España y para cualquier economía que aspire a algo más que consumir herramientas diseñadas en otro sitio es evidente: ¿vamos a esperar a que la disrupción llegue convertida en estadísticas de desempleo, o vamos a diseñar antes los mecanismos de reparto, protección y gobernanza? Porque la inteligencia artificial no es inevitable en sus consecuencias. Lo inevitable, si no hacemos nada, es que siga el patrón habitual: socialización de costes, privatización de beneficios y una narrativa optimista cuidadosamente empaquetada para que parezca modernidad lo que en realidad es una transferencia masiva de poder.

California acaba de admitir que la inteligencia artificial no se gobierna con entusiasmo. Se gobierna con datos, con derechos, con negociación, con fiscalidad, con propiedad y con una pregunta que muchos preferirían no escuchar: si las máquinas van a producir más riqueza que nunca, ¿por qué deberíamos aceptar que esa riqueza pertenezca a menos gente que nunca?

Read this article in English on Medium with no paywall using this link, «How Gavin Newsom’s AI Executive Order raises the age-old question of who owns the means of production»

Mi columna de esta semana en Invertia se titula «Europa descubre el botón de apagado» (pdf), y trata sobre cómo Europa ha empezado, por fin, a comprender que su dependencia tecnológica de las grandes compañías estadounidenses no era simplemente una cuestión de comodidad o eficiencia, sino un problema estratégico de primer orden.

El detonante de esa toma de conciencia lo analiza muy bien un reciente artículo en Wired, «The EU Is going through a Trump-fueled breakup with Big Tech«, que explica cómo el retorno de Donald Trump y el uso crecientemente agresivo del poder político estadounidense han acelerado en Europa un debate que llevaba años latente: el de la soberanía digital.

La idea de que un gobierno europeo pueda depender de herramientas, infraestructuras o servicios sometidos a jurisdicciones extranjeras empieza a resultar cada vez más inquietante cuando la política exterior de ese país se vuelve imprevisible, injustificable o abiertamente hostil. La decisión francesa de sustituir progresivamente herramientas como Microsoft Teams, Zoom o Webex por soluciones propias para sus millones de funcionarios no responde únicamente a un impulso proteccionista o nacionalista, sino a la constatación de que la dependencia tecnológica tiene implicaciones geopolíticas muy reales.

El episodio que actuó como catalizador fue especialmente significativo: las sanciones de la administración Trump al fiscal de la Corte Penal Internacional Karim Khan, que provocaron restricciones de acceso a servicios tecnológicos esenciales. De repente, algo que muchos consideraban una discusión académica pasó a verse como una amenaza tangible: si un proveedor extranjero te puede cortar el acceso a herramientas críticas por motivos políticos, entonces la autonomía institucional queda claramente comprometida.

La administración francesa ya habla explícitamente de «reducir dependencias extraeuropeas», y ha pedido a todos sus ministerios planes concretos para abandonar tecnologías estratégicas controladas desde fuera de la Unión Europea, según explica el propio gobierno francés. Y Francia no está sola: el debate se extiende cada vez más por toda Europa, mientras medios como TechCrunch o The Next Web empiezan a tratar estas iniciativas como algo estructural, y no simplemente anecdótico.

El problema, desde mi punto de vista, es que Europa llega muy tarde. Durante décadas ha permitido que prácticamente todas las capas críticas de su ecosistema digital quedasen dominadas por empresas estadounidenses: sistemas operativos, servicios de cloud computing, plataformas de productividad, inteligencia artificial, redes sociales o herramientas de colaboración. Un informe reciente del Parlamento Europeo reconoce precisamente esa vulnerabilidad y plantea la necesidad de desarrollar capacidades propias, interoperables y abiertas.

La Comisión Europea también ha comenzado a mover ficha con iniciativas como el Digital Commons EDIC, orientado a promover infraestructuras digitales abiertas y reutilizables. Pero el desafío es enorme: construir soberanía digital no significa simplemente cambiar una aplicación por otra con bandera europea, sino desarrollar un ecosistema basado en estándares abiertos, interoperabilidad y capacidad real de elección. Porque si la alternativa europea termina siendo simplemente software peor financiado y menos competitivo protegido artificialmente por razones políticas, el remedio podría acabar siendo peor que la enfermedad.

Como advierte un interesante análisis del Atlantic Council, el verdadero riesgo es confundir soberanía con aislamiento. Europa necesita autonomía tecnológica, pero no una especie de «internet nacional» burocrática y cerrada. Necesita capacidad de decisión, no autarquía digital.

En realidad, lo más llamativo es que Donald Trump haya terminado haciendo más por la soberanía digital europea que años enteros de debates regulatorios, informes y declaraciones institucionales. La amenaza política ha convertido una cuestión aparentemente técnica en algo inmediato y perfectamente comprensible: quien controla tu infraestructura digital tiene, potencialmente, capacidad para condicionar tus decisiones. Y eso, para cualquier proyecto político que aspire a tener autonomía real, es sencillamente inaceptable.

You can read this article in English on Medium with no paywall using this link, «Europe discovers the off switch»

Hay pocas historias más irónicas que la de una industria nacida para reinventar el dinero que ahora empieza a preocuparse por otra tecnología nacida, también, para reinventarlo todo: la computación cuántica. Una prometía acabar con los intermediarios, con la inflación arbitraria, con la captura del sistema financiero por bancos centrales y gobiernos. La otra lleva décadas prometiendo resolver problemas imposibles para la computación clásica. Y las dos comparten algo muy característico de nuestra época: han sido extraordinariamente eficaces a la hora de generar expectativas, titulares, rondas de financiación y especulación, pero bastante menos a la hora de producir cambios reales, cotidianos y masivos.

La noticia tiene un punto casi literario: mientras el gobierno estadounidense presume de reserva estratégica de bitcoin, anuncia también una apuesta de unos 2,000 millones de dólares en compañías de computación cuántica, con IBM como principal beneficiaria y GlobalFoundries, Rigetti, D-Wave o Infleqtion entre las empresas mencionadas. Es decir: el mismo Estado que algunos querían imaginar como futuro comprador disciplinado de bitcoin está poniendo dinero en una tecnología que, si alguna vez cumple sus promesas, podría poner en cuestión una parte esencial de la seguridad criptográfica sobre la que descansa ese ecosistema.

El problema no es nuevo. Bitcoin no «se rompe» mañana porque aparezca un titular sobre ordenadores cuánticos. Pero tampoco es razonable seguir repitiendo, con esa mezcla de fe y arrogancia tan habitual en el mundo cripto, que «no pasa nada». Un paper reciente de Google Quantum AI sostiene que los recursos necesarios para atacar criptografía de curva elíptica podrían ser menores de lo estimado anteriormente, y recomienda a la comunidad cripto empezar a migrar hacia criptografía post-cuántica antes de que el problema sea operativo.

La cuestión es especialmente incómoda para bitcoin porque su gran virtud, la descentralización, es también su gran dificultad. Ethereum puede crear equipos, hojas de ruta y mecanismos relativamente coordinados. Ripple, Circle o Tron pueden diseñar planes corporativos para proteger carteras o infraestructuras. Bitcoin, en cambio, es deliberadamente resistente a la coordinación centralizada. No hay CEO, no hay comité ejecutivo, no hay nadie que pueda ordenar una migración. Esa es precisamente la belleza del sistema, pero también su fragilidad cuando aparece una amenaza que exige actuar de forma coordinada. Un artículo reciente del Financial Times lo resume bien: la amenaza ha pasado de «teórica» a «creíble», pero bitcoin sigue sin una propuesta clara que proteja a todos los tenedores.

La vulnerabilidad tampoco afecta por igual a todos. Glassnode ha estimado que unos 6.04 millones de bitcoins, valorados en torno a 469,000 millones de dólares, podrían estar expuestos en un escenario futuro por tener claves públicas ya visibles en la cadena, especialmente por reutilización de direcciones. Sólo los exchanges concentrarían alrededor de 1.66 millones de BTC en carteras potencialmente inseguras. La cifra no significa que alguien vaya a robar mañana medio billón de dólares. Significa algo más interesante: que una tecnología construida sobre la idea de que «el código es la ley» descubre que la ley puede necesitar ser reescrita.

Y ahí aparece la paradoja de fondo. La criptoeconomía fue, en su origen, un proyecto intelectual fascinante: dinero programable, resistente a la censura, con reglas transparentes y sin necesidad de confiar en intermediarios. Pero la industria que se construyó encima convirtió demasiadas veces esa promesa en un casino global, alimentado por codicia, narrativas mesiánicas, apalancamiento, celebridades, fraudes y una obsesión enfermiza por el precio. El proyecto de construir el futuro del dinero fue desplazado por la necesidad de enriquecerse antes que el vecino. Lo que podía haber sido una infraestructura de confianza distribuida terminó, en demasiados casos, convertido en una gigantesca máquina de extracción de liquidez.

La computación cuántica, por su parte, es la promesa eterna de la informática: siempre a diez años vista, siempre a punto de cambiarlo todo, siempre necesitada de otra ronda de financiación, otra arquitectura, otro avance en corrección de errores, otro titular sobre supremacía cuántica. IBM habla ya de sistemas tolerantes a fallos hacia 2029 y de una hoja de ruta hasta 2033, pero incluso sus propios planteamientos reconocen que el reto esencial sigue siendo la corrección de errores y la construcción de máquinas realmente escalables. La historia de la computación cuántica es una sucesión de «ya casi», y los «ya casi» no pagan facturas, no protegen claves privadas y no ejecutan ataques reales.

Pero sería un error despreciarla. NIST ya publicó estándares de criptografía post-cuántica en 2024, no porque exista hoy una máquina capaz de destruir Internet, sino porque las migraciones criptográficas llevan años, afectan a sistemas críticos y obligan a inventariar dependencias que muchas organizaciones ni siquiera saben que tienen. En seguridad, esperar a que la amenaza sea visible suele ser sinónimo de llegar tarde. La expresión «harvest now, decrypt later« se hizo popular precisamente por eso: un atacante puede capturar hoy información cifrada y esperar a que mañana exista la capacidad de descifrarla.

Para bitcoin, el desafío es más profundo que cambiar un algoritmo. Es una prueba de gobernanza. ¿Puede una comunidad que ha convertido la inmutabilidad en un dogma aceptar que la seguridad exige adaptación? ¿Puede un sistema diseñado para evitar la confianza coordinarse para preservar la confianza? ¿Puede una cultura que ha premiado durante años el maximalismo, el insulto fácil y la sospecha hacia cualquier cambio ponerse de acuerdo antes de que el problema deje de ser una conjetura puramente académica?

La respuesta probablemente no llegará desde los foros más ruidosos ni desde los influencers que miden la realidad en las barras verdes y rojas de los gráficos de precio de su shitcoin favorita. Llegará, si llega, desde los desarrolladores, los expertos en criptografía y las instituciones que entienden que la tecnología no es religión, sino ingeniería. Y la ingeniería tiene una virtud que muchas comunidades cripto han olvidado: no cree en dogmas, cree en modelos de amenaza, pruebas, migraciones, compatibilidad y mantenimiento.

La ironía es que cripto y cuántica se necesitan como enemigos. La cuántica necesita un caso de uso narrativamente poderoso para justificar inversiones gigantescas: romper o amenazar la criptografía global es perfecto para eso. La cripto necesita un enemigo externo que le recuerde que su supervivencia no depende únicamente del precio, sino de su capacidad para evolucionar técnicamente. Una promesa fallida puede obligar a madurar a otra promesa fallida. No deja de tener su punto poético.

Quizá la conclusión sea incómoda para ambos mundos. Bitcoin no está muerto por la computación cuántica. Pero tampoco puede seguir comportándose como si su seguridad fuese una propiedad metafísica escrita en piedra. La computación cuántica no ha demostrado todavía ser la revolución práctica que lleva décadas anunciando, y probablemente está muy lejos de hacerlo. Pero tampoco puede seguir siendo tratada únicamente como ciencia-ficción irrelevante. Entre la fe ciega del bitcoiner y el PowerPoint eterno del evangelista cuántico hay un espacio mucho más interesante: el de la preparación racional.

El futuro del dinero no se construye con superstición tecnológica, ni con memes, ni con apuestas especulativas disfrazadas de inevitabilidad histórica. Se construye con instituciones, aunque sean distribuidas, con incentivos, aunque sean imperfectos, con protocolos capaces de cambiar cuando cambia el mundo. Y si bitcoin quiere seguir siendo algo más que un activo para especular, tendrá que demostrar precisamente eso: que puede adaptarse sin traicionarse. Ahí está la verdadera prueba. No en el próximo máximo histórico, ni en la próxima subvención pública, ni en la próxima promesa de que la revolución sigue estando a diez años vista.

You can read this article in English on Medium with no paywall using this link, «The real test for Bitcoin isn’t price. It’s quantum computing»

Hay una forma bastante sencilla de entender buena parte de la geopolítica de los dos últimos siglos: seguir el rastro de aquello que se quema. Carbón, petróleo, gas. Quien controla los combustibles fósiles controla rutas, precios, alianzas, guerras, inflación y política exterior. Europa creyó durante años que había encontrado una solución razonable: comprar gas barato a Rusia mediante gasoductos que garantizaban suministro estable para su industria. La teoría era que la interdependencia económica haría imposible el conflicto. Hasta que Rusia invadió Ucrania y convirtió esa dependencia en un arma.

La reacción europea fue rápida, pero no necesariamente inteligente: sustituir tuberías rusas por barcos metaneros estadounidenses. Según el Consejo de la Unión Europea, Estados Unidos ya es el principal proveedor de LNG para Europa, y según IEEFA, podría llegar a representar cerca del 80% de las importaciones europeas de gas natural licuado en 2030. Hemos simplemente cambiado una dependencia por otra, y pasado de depender del sinvergüenza de Putin a depender del idiota de Trump. Un logro diplomático de primera magnitud. Antes el problema llegaba por tubería desde Siberia, ahora cruza el Atlántico en barcos y sale muchísimo más caro. Y que Nord Stream saltase por los aires en beneficio evidente de ciertos actores no deja de ser un detalle que conviene recordar, aunque la evidencia disponible no permita señalar a nadie con el dedo.

Eso no significa automáticamente que Estados Unidos quiera que la guerra de Ucrania nunca termine para seguir vendiendo gas. La realidad geopolítica es bastante más compleja. Sí es evidente que las empresas energéticas estadounidenses están obteniendo enormes beneficios del nuevo mapa energético europeo, igual que resulta evidente que la destrucción de Nord Stream eliminó físicamente la principal infraestructura de interdependencia energética entre Europa y Rusia. Pero una cosa es reconocer incentivos económicos y estratégicos, y otra muy distinta convertirlos en pruebas concluyentes de una conspiración.

La cuestión importante no es quién nos vende el gas. La cuestión importante es por qué seguimos necesitando tanto gas. Porque mientras Europa dependa estructuralmente de importar combustibles fósiles, siempre habrá alguien al otro lado con capacidad de presión política, económica o estratégica. Rusia, Estados Unidos, Qatar o Argelia: cambia el proveedor, pero no la vulnerabilidad.

Por eso la transición energética no es solo una cuestión climática. Es una cuestión de soberanía. Chatham House lo resume muy bien: las renovables y la electrificación son la verdadera base de la seguridad energética europea. Un panel solar en un tejado español no puede ser utilizado como arma geopolítica de la misma manera que un gasoducto. Una bomba de calor reduce importaciones. Una red inteligente disminuye exposición a mercados internacionales. Un sistema eléctrico basado en renovables, almacenamiento y flexibilidad desplaza el poder desde los productores de combustible hacia la tecnología y la ingeniería.

Y aquí conviene desmontar otro mito: la energía nuclear tampoco resuelve este problema. En realidad, lo prolonga. La nuclear actual es extraordinariamente cara frente a la solar y la eólica. El último informe de Lazard vuelve a mostrar que las renovables son, con diferencia, la forma más barata de nueva generación eléctrica. Mientras la solar y la eólica siguen reduciendo costes gracias a curvas de aprendizaje y economías de escala, la nuclear occidental acumula retrasos, sobrecostes y proyectos prácticamente imposibles de financiar sin enormes subvenciones públicas. Casos como Flamanville o Hinkley Point C parecen demostrar que cada nueva central nuclear funciona más como un monumento a la complejidad burocrática y financiera que como una solución de futuro. Occidente lleva décadas sin conseguir construir reactores a tiempo ni dentro de presupuesto.

Además, la nuclear encaja mal en un sistema dominado por renovables. Las redes eléctricas modernas necesitan flexibilidad, almacenamiento y capacidad de adaptación a una generación distribuida y variable. Las centrales nucleares, diseñadas para funcionar continuamente como generación de base rígida, desincentivan precisamente esa flexibilidad. Y tampoco ofrecen verdadera independencia estratégica: Europa importa prácticamente todo el uranio que consume. Según Euratom, gran parte del combustible nuclear europeo depende de importaciones y de cadenas de suministro donde Rusia sigue teniendo un peso importante. Cambiar dependencia de gas por dependencia de uranio no parece precisamente una revolución geopolítica ni una decisión que caracterice a alguien especialmente inteligente.

La buena noticia para Europa es que, por primera vez en mucho tiempo, existe una alternativa real. La transición energética no consiste simplemente en sustituir centrales fósiles por otras tecnologías; consiste en cambiar completamente la arquitectura del sistema energético. Pasar de un modelo basado en importar y quemar combustible a otro basado en electricidad renovable, almacenamiento, digitalización, redes inteligentes y eficiencia. Es una transformación tecnológica mucho más parecida a internet que a una central térmica.

Y ahí Europa tiene una oportunidad histórica. Porque no tiene grandes reservas de petróleo o gas, pero sí tiene capacidad industrial, ingeniería, tecnología, regulación y talento. Puede dejar de actuar como cliente cautivo de imperios fósiles y convertirse en líder de un sistema energético distribuido y electrificado. Puede sustituir importaciones por inversión local, volatilidad por estabilidad y dependencia geopolítica por autonomía tecnológica.

La gran pregunta ya no es si Europa debe comprar gas ruso o estadounidense. Esa es la pregunta vieja, fósil, del siglo XX. La pregunta importante es cuánto tiempo más queremos seguir dependiendo de combustible que alguien tiene que enviarnos en barcos o tuberías. Porque mientras sigamos quemando cosas, seguiremos dependiendo de quienes las venden.

El siglo XX se entendió siguiendo el rastro del petróleo. El XXI se entenderá siguiendo el rastro de los electrones. Europa tiene que decidir en cuál quiere vivir.

You can read this article in English on Medium with no paywall using this link, «Europe didn’t end its energy dependence. It relocated it.»

En un artículo de hace un par de semanas, argumenté que el fracaso de la inteligencia artificial empresarial no tenía realmente que ver con el entusiasmo, la adopción o incluso la capacidad de los modelos. Era un problema arquitectónico: los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa. Las empresas funcionan con memoria, contexto, retroalimentación y restricciones, mientras que los LLM siguen siendo, en esencia, sistemas para predecir texto.

En un segundo artículo, defendí que la respuesta no eran «mejores prompts«, sino un cambio más profundo: pasar de herramientas a sistemas, de respuestas a resultados, de copilots a sistemas de acción y de prompts a restricciones. La inteligencia artificial empresarial no puede basarse en sesiones. Tiene que recordar.

Ese argumento necesita ahora un tercer paso, porque algo importante está empezando a ocurrir: los sistemas que empiezan a funcionar en la inteligencia artificial empresarial no se parecen a mejores chatbots, mejores copilots ni siquiera a mejores cadenas de prompts. Se parecen a algo completamente distinto. Y, si se observa con atención, la evidencia ya está a la vista.

El cambio de herramientas a sistemas ya no es teórico

Durante los dos últimos años, la industria de la inteligencia artificial se ha dedicado sobre todo a optimizar la capa visible: modelos más grandes, mejores interfaces, copilots más pulidos y, ahora, agentes más ambiciosos. Pero las señales más claras de valor no provienen solo de esa capa visible: vienen de organizaciones que están rediseñando flujos de trabajo, integrando inteligencia artificial dentro de procesos y tratando la inteligencia no tanto como una herramienta sino como una infraestructura. La última encuesta global de McKinsey lo dice claramente: el uso de inteligencia artificial es amplio, pero la mayoría de las organizaciones aún no la ha integrado lo suficiente en sus procesos y workflows como para generar beneficios materiales a nivel empresarial. También concluye que el rediseño de workflows es uno de los factores que más contribuyen a un impacto real en el negocio.

Eso importa porque confirma el argumento central de mis dos artículos anteriores: el problema nunca fue sólo si los modelos podían responder bien. El problema era dónde los estábamos colocando. Las organizaciones que avanzan más no son simplemente las que «usan más inteligencia artificial». Son las que están rediseñando la compañía alrededor de ella.

Los sistemas que funcionan no empiezan con prompts

Aquí es donde empieza el verdadero cambio. Los sistemas de inteligencia artificial empresarial más interesantes que están emergiendo hoy no parten de un prompt en sentido estricto. Parten del contexto: un contexto persistente, estructurado y gobernado. El propio equipo de ingeniería de Anthropic describe ahora la ingeniería de contexto como la evolución natural de la ingeniería de prompts, argumentando que el verdadero reto ya no es solo cómo formular instrucciones, sino cómo gestionar todo el estado contextual alrededor del modelo: instrucciones del sistema, herramientas, datos externos, historial de mensajes y entorno.

Es un cambio profundo. Significa que el centro de gravedad se está desplazando desde «¿qué debo preguntar al modelo?» hacia «¿qué entorno, estado y restricciones debería conocer ya el sistema antes siquiera de formular la pregunta?» Anthropic refuerza la misma idea en sus recomendaciones para agentes de larga duración, donde enfatiza la gestión del entorno y la necesidad de preparar a los futuros agentes con el contexto que necesitarán para trabajar eficazmente a través de múltiples ventanas y horizontes temporales largos.

Esto empieza a acercarse mucho a lo que planteaban mis dos artículos anteriores. Una empresa no es una sesión: es un sistema dinámico con memoria. La inteligencia artificial empresarial que reconstruye contexto desde cero en cada interacción parte ya de una premisa equivocada.

El mayor cambio no es la inteligencia. Es la desaparición

Esta es la parte que mucha gente sigue sin ver: la próxima fase de la inteligencia artificial empresarial no estará necesariamente definida por sistemas que parezcan más obviamente inteligentes. Estará definida por sistemas que resulten menos visibles. Cuando la inteligencia se integra en workflows, se conecta a sistemas de registro, se alinea con reglas y se actualiza continuamente a partir de resultados, deja de comportarse como una capa separada a la que el usuario «acude». Pasa a formar parte de cómo funciona la propia organización.

El Work Trend Index 2025 de Microsoft apunta precisamente en esa dirección cuando afirma que las empresas están pasando de organigramas rígidos a estructuras de trabajo más dinámicas y orientadas a resultados, impulsadas por humanos y agentes colaborando en torno a objetivos en lugar de funciones. No es solo una afirmación sobre nuevas herramientas. Es una afirmación sobre un nuevo sustrato organizativo.

Accenture plantea algo parecido desde otro ángulo, describiendo la inteligencia artificial como una fuerza que empieza a aplanar estructuras y crear formas de trabajo más adaptativas y auto-organizadas, en lugar de limitarse a añadir inteligencia sobre jerarquías antiguas.

Así que el cambio más profundo no es que los modelos se vuelvan más inteligentes. Es que la inteligencia empieza a desaparecer dentro del tejido mismo de la empresa.

Por qué los copilots y los agentes siempre fueron transicionales

Nada de esto significa que la ola anterior fuera irrelevante. Los copilots, asistentes y agentes fueron formas transicionales importantes. Hicieron tangible la inteligencia artificial. Enseñaron a las personas a interactuar con estos sistemas. Ayudaron a las organizaciones a descubrir casos de uso. Pero también anclaron la conversación en la capa de interfaz.

Eso siempre iba a ser temporal. Un copilot sugiere. Un agente puede planificar y ejecutar. Pero una empresa necesita continuidad, coordinación, gobernanza, permisos, umbrales de riesgo y bucles de retroalimentación. Por eso tantas implementaciones actuales siguen siendo impresionantes en las demos y frustrantes en la operación real. La inteligencia es visible, pero la arquitectura subyacente sigue siendo superficial. Ese patrón aparece ya no solo en los análisis previos sobre fracasos citados anteriormente, sino también en trabajos recientes de McKinsey y Deloitte, que apuntan exactamente al mismo problema: añadir inteligencia artificial encima de workflows heredados no es suficiente; las organizaciones tienen que rediseñar operaciones y arquitecturas alrededor de ella.

Deloitte lo plantea de forma especialmente clara en su reciente informe sobre estrategia de inteligencia artificial agéntica: muchas empresas están chocando contra un muro porque intentan automatizar procesos diseñados para humanos en lugar de replantear el propio trabajo. Su conclusión es prácticamente idéntica a la que venimos construyendo aquí: el valor surge del rediseño operativo y de arquitecturas compatibles con agentes, no de añadir agentes sobre workflows antiguos.

El verdadero cambio arquitectónico ya está en marcha

Por eso creo que este tercer artículo tiene que ir más allá de decir simplemente «necesitamos mejores sistemas». Tiene que afirmar algo más fuerte: esos sistemas ya están empezando a emerger.

Basta mirar hacia dónde se dirige la energía: Anthropic escribe sobre ingeniería de contexto y entornos de ejecución para agentes persistentes. IBM escribe sobre ingeniería de contexto para inteligencia artificial agéntica fiable, insistiendo en que las empresas necesitan trazabilidad, procedencia, auditabilidad, gobernanza en tiempo real y capacidad para inspeccionar y redirigir agentes en funcionamiento.

McKinsey encuentra que las organizaciones que más valor extraen son aquellas que rediseñan workflows, integran inteligencia artificial en procesos y construyen prácticas de gestión alrededor de validación, gobernanza, datos y modelos operativos.

Microsoft describe explícitamente una transición hacia empresas construidas alrededor de inteligencia bajo demanda, equipos híbridos humano-agente y estructuras dinámicas en lugar de jerarquías estáticas.

Deloitte advierte de que muchas implementaciones agénticas se están estancando porque los sistemas heredados no pueden soportar las exigencias de ejecución de la inteligencia artificial moderna y porque las empresas siguen intentando automatizar las cosas equivocadas.

No son observaciones aisladas. Todas apuntan en la misma dirección: el cambio de arquitectura ya no es hipotético.

La verdadera división no será «usa inteligencia artificial» frente a «no usa inteligencia artificial»

Esa división ya carece de sentido. Los datos de McKinsey muestran que casi nueve de cada diez organizaciones utilizan inteligencia artificial en al menos una función de negocio, y aun así la mayoría sigue atrapada en experimentos o pilotos, mientras solo aproximadamente un tercio ha comenzado realmente a escalar sus programas de inteligencia artificial. En otras palabras, el uso es masivo, pero la transformación sigue siendo desigual.

La división relevante está empezando a ser otra completamente distinta: la que separa a las empresas que tratan la inteligencia artificial como una capa visible de herramientas y aquellas que la tratan como una capacidad sistémica. Unas seguirán generando outputs. Las otras empezarán a cambiar resultados. Unas seguirán añadiendo asistentes e interfaces. Las otras integrarán memoria, restricciones, lógica de workflow y aprendizaje en el núcleo operativo de la organización. Esa es la discontinuidad hacia la que apuntaba ya mi artículo anterior.

Y cuando esa discontinuidad se haga visible, probablemente parecerá repentina, aunque los cimientos lleven meses construyéndose silenciosamente.

Cuando se haga visible, no parecerá progreso

Parecerá otra cosa. MIT Sloan lleva tiempo argumentando que los líderes necesitan replantear cómo gestionan personas, procesos y proyectos alrededor de la inteligencia artificial, en lugar de limitarse a añadir tecnología a rutinas existentes. Su enfoque es revelador: el verdadero reto es el rediseño organizativo, no simplemente el acceso a modelos.

Por eso los próximos ganadores en inteligencia artificial empresarial probablemente no parecerán, desde fuera, empresas con el asistente más espectacular o los productos más visiblemente «AI-powered». Parecerán empresas cuyos sistemas internos se han vuelto silenciosamente más adaptativos, más conscientes del contexto, más sensibles a restricciones y más capaces de actuar de forma coherente entre funciones.

En otras palabras, cuando la inteligencia artificial empresarial funcione de verdad, no se sentirá como otro ciclo de adopción tecnológica: se sentirá como si la propia empresa se hubiera vuelto más inteligente.

El futuro de la inteligencia artificial empresarial no es algo que uses

Es algo en lo que tu empresa se convierte. Ese es el cambio para el que mis dos artículos anteriores estaban preparando el terreno: el primero establecía que los LLM nunca fueron arquitectura empresarial. El segundo argumentaba que la inteligencia artificial empresarial debía pasar de herramientas a sistemas. El siguiente paso ya es evidente, porque esta transición ha dejado de ser teórica: la evidencia procedente de la investigación, la consultoría, la ingeniería de proveedores y el diseño organizativo apunta a que la verdadera frontera está varias capas por debajo del chatbot.

Y cuando esa capa se haga visible, no parecerá mejores prompts, mejores copilots ni mejores demos: parecerá una compañía completamente diferente.

(This article was previously published on Fast Company)