Now Alchemist - Carlos Dagorret del dia a dia

El cerebro también necesita el ambiente adecuado

2026-08-17T15:39:04.416-03:00

Seguro que alguna vez has entrado en un bar y has sabido, casi de inmediato, si querías quedarte o marcharte. No hace falta analizar demasiado la situación. A veces el lugar tiene una iluminación agradable, la música acompaña sin imponerse, las conversaciones forman un murmullo de fondo y todo parece invitar a quedarse un rato más. Otras veces sucede exactamente lo contrario: el ruido resulta excesivo, las luces incomodan, apenas puedes escuchar a quien tienes delante y, aunque no haya nada particularmente malo, sientes que preferirías estar en cualquier otro sitio.

Es curioso porque esa impresión suele aparecer antes de que podamos explicarla. No evaluamos conscientemente cada elemento del ambiente para después emitir un veredicto. Simplemente percibimos el conjunto. Nuestro cerebro recibe una enorme cantidad de información y responde a ella continuamente, incluso cuando no somos conscientes de que lo está haciendo.

Con nuestra propia mente ocurre algo parecido. Hay momentos en los que las ideas parecen surgir con naturalidad, conseguimos mantener la atención durante mucho tiempo y resolver un problema resulta incluso estimulante. En otros momentos, en cambio, leer dos páginas se convierte en una batalla. Releemos el mismo párrafo varias veces, abrimos una pestaña sin recordar exactamente para qué, consultamos el teléfono casi por reflejo y terminamos preguntándonos por qué somos incapaces de concentrarnos.

La explicación que solemos darnos es demasiado sencilla: nos falta disciplina, estamos distraídos o sencillamente ese día no rendimos bien. Sin embargo, quizá estemos ignorando algo fundamental. Del mismo modo que el ambiente de un lugar modifica nuestra experiencia, las condiciones en las que se encuentra nuestro cerebro influyen profundamente en nuestra capacidad para pensar, aprender, crear y tomar decisiones.

Un cerebro que nunca se apaga

Aunque desde fuera parezca que no ocurre nada, el cerebro mantiene una actividad extraordinaria durante toda nuestra vida. Incluso mientras dormimos, enormes poblaciones de neuronas continúan comunicándose mediante señales electroquímicas y coordinándose en redes cuya actividad cambia según lo que estemos haciendo y el estado en el que nos encontremos.

Una de las formas de estudiar parte de esta actividad consiste en registrar, mediante electroencefalografía, determinadas oscilaciones eléctricas producidas por la actividad conjunta de grandes poblaciones neuronales. Es aquí donde aparecen términos relativamente conocidos como ondas delta, theta, alfa, beta y gamma. Estas denominaciones corresponden a diferentes rangos de frecuencia que los investigadores pueden observar y relacionar con distintos estados y procesos cerebrales.

El sueño profundo presenta patrones diferentes de los que aparecen cuando estamos despiertos. Una persona relajada con los ojos cerrados no muestra exactamente la misma dinámica que alguien concentrado en resolver un problema. Durante el aprendizaje, la atención, la percepción o el sueño pueden modificarse las relaciones entre diferentes ritmos y regiones cerebrales.

Esto no significa, como a veces sugieren ciertas explicaciones excesivamente simplificadas, que exista una frecuencia mágica para cada actividad. No podemos reducir la creatividad a una onda concreta, la concentración a otra y la inteligencia a una tercera. El cerebro es bastante más complejo que un selector de cinco posiciones. Los distintos ritmos pueden coexistir, interactuar y desempeñar funciones diferentes dependiendo de dónde y cuándo aparezcan.

Sin embargo, detrás de toda esa complejidad existe una conclusión mucho más sencilla y útil para nuestra vida cotidiana: el cerebro no funciona exactamente igual en todos los estados.

Y, aunque resulte evidente cuando lo decimos de esta manera, vivimos como si fuera justamente al contrario.

Esperamos el mismo cerebro a cualquier hora

Nos resulta completamente razonable aceptar que nuestro rendimiento físico depende de nuestro estado. Si alguien ha dormido cuatro horas, lleva todo el día sin comer y acaba de correr diez kilómetros, nadie esperaría que inmediatamente después alcanzara su mejor marca deportiva. Entendemos intuitivamente que el cuerpo tiene necesidades, que acumula fatiga y que necesita recuperarse.

Con el rendimiento mental somos mucho menos indulgentes. Podemos dormir mal durante varios días y seguir esperando ocho horas de concentración impecable. Podemos pasar una mañana saltando entre correos, mensajes, reuniones y notificaciones para después sentarnos frente a un problema complejo y exigirle al cerebro claridad absoluta. Podemos trabajar durante horas sin levantarnos de la silla y sorprendernos cuando, al final de la tarde, una decisión sencilla parece requerir un esfuerzo desproporcionado.

Hemos convertido el cerebro en una especie de empleado imaginario al que exigimos disponibilidad permanente. Queremos concentración cuando decidimos concentrarnos, creatividad cuando necesitamos una idea y lucidez cuando aparece un problema, independientemente de todo lo que haya ocurrido durante las horas anteriores.

Cuando esa respuesta no llega, solemos interpretar el fracaso como un problema personal. Pensamos que necesitamos más fuerza de voluntad, una nueva técnica de productividad o alguna aplicación que nos impida distraernos. En ocasiones esas herramientas pueden ayudar, por supuesto, pero existe una pregunta anterior que rara vez nos hacemos: ¿en qué condiciones estamos intentando pensar?

Porque quizá el problema no sea que nuestro cerebro se niegue a colaborar. Quizá llevemos horas creando exactamente las condiciones que dificultan aquello que después pretendemos exigirle.

La fragmentación de la atención

Pensemos en una mañana aparentemente productiva. Estamos escribiendo un documento y llega un correo. Lo consultamos porque solo llevará un minuto. Mientras respondemos aparece un mensaje en el teléfono. Lo abrimos, contestamos y, antes de regresar al documento, recordamos que teníamos que comprobar un dato. Abrimos el navegador, hacemos una búsqueda y encontramos algo interesante que no estaba relacionado con nuestra tarea original. Cinco minutos después volvemos al documento.

Nada de esto parece especialmente grave. Ninguna interrupción ha consumido demasiado tiempo. El problema es que nuestro trabajo intelectual no se compone únicamente de minutos acumulados; también necesita continuidad.

Cuando intentamos comprender un problema complejo construimos mentalmente un contexto: recordamos información, relacionamos conceptos, descartamos alternativas y mantenemos determinadas ideas activas mientras exploramos otras. Una interrupción puede obligarnos a abandonar parcialmente ese contexto y, cuando regresamos, necesitamos reconstruirlo. Si repetimos ese proceso decenas de veces durante el día, terminamos trabajando de una manera extraordinariamente fragmentada.

Es parecido a intentar leer una novela mientras alguien nos interrumpe al final de cada página para hacernos una pregunta distinta. Técnicamente podríamos terminar el libro, pero la experiencia sería completamente diferente. Nos costaría seguir la trama, recordar detalles y sumergirnos en la historia. No porque hubiéramos perdido nuestra capacidad para leer, sino porque las condiciones serían pésimas para hacerlo.

Sin embargo, eso es aproximadamente lo que hacemos con nuestra atención durante buena parte del día. Hemos normalizado un entorno en el que cualquier persona, aplicación o servicio puede reclamar nuestra atención en cualquier momento y después esperamos desarrollar trabajo intelectual profundo dentro de ese mismo entorno.

Estar ocupado no significa estar concentrado

La tecnología ha multiplicado nuestra capacidad para acceder a información, comunicarnos y resolver tareas con una velocidad que habría resultado inimaginable hace apenas unas décadas. Pero esa abundancia tiene una consecuencia menos evidente: nunca había sido tan fácil mantener nuestra mente permanentemente ocupada.

Cualquier instante vacío puede llenarse inmediatamente. Esperamos un ascensor y miramos el teléfono. Caminamos durante cinco minutos y escuchamos un podcast. Comemos viendo un vídeo. Antes de dormir consultamos las noticias y, al despertar, muchas veces lo primero que hacemos es comprobar qué ocurrió mientras dormíamos.

El problema no consiste en que alguna de esas actividades sea perjudicial por sí misma. El problema aparece cuando eliminamos sistemáticamente todos los espacios en los que nuestra atención no está siendo dirigida hacia un estímulo nuevo.

Podemos terminar entonces confundiendo estimulación con actividad mental y actividad mental con productividad. Son cosas diferentes. Una jornada repleta de mensajes, noticias, reuniones y pequeños asuntos pendientes puede producir una intensa sensación de actividad y, sin embargo, dejarnos con la impresión de no haber pensado profundamente en nada.

Las tareas intelectualmente exigentes necesitan algo que nuestra cultura digital ofrece cada vez con menos frecuencia: continuidad. Comprender una idea difícil requiere permanecer con ella. Escribir bien requiere tiempo para descubrir qué queremos decir. Resolver ciertos problemas exige atravesar primero una etapa incómoda en la que todavía no sabemos cuál es la respuesta.

Cuando llenamos inmediatamente esa incomodidad con un estímulo nuevo, quizá no estemos descansando de pensar. Tal vez estemos interrumpiendo precisamente el proceso que necesitábamos completar.

El descanso no es lo contrario del pensamiento

Existe además una concepción bastante limitada del descanso. Tendemos a imaginar que mientras trabajamos estamos produciendo y que, cuando descansamos, el proceso se detiene. Desde esa perspectiva, cualquier pausa parece tiempo perdido que debemos justificar.

Nuestra experiencia cotidiana debería hacernos sospechar que la realidad es más interesante.

Todos conocemos esa situación en la que llevamos mucho tiempo intentando resolver un problema sin éxito. Cuanto más insistimos, más atrapados parecemos estar en las mismas alternativas. Finalmente abandonamos el escritorio, salimos a caminar, preparamos algo de comer o nos duchamos y, cuando ya no estamos intentando conscientemente encontrar la respuesta, aparece una posibilidad que no habíamos considerado.

No hay nada mágico en ello. Nuestro cerebro no necesita que mantengamos permanentemente la misma forma de atención para continuar procesando información. Alternar períodos de concentración intensa con momentos de menor exigencia puede permitirnos contemplar un problema desde perspectivas diferentes.

Por eso una caminata puede ser intelectualmente productiva aunque durante ella no escribamos una sola palabra. Dormir puede ser más importante para el rendimiento del día siguiente que exprimir una hora adicional de trabajo durante la madrugada. Y detenerse durante unos minutos antes de una reunión importante puede ser más útil que llegar a ella después de responder apresuradamente los últimos siete correos pendientes.

El descanso no debería entenderse únicamente como la recompensa que recibimos después de haber trabajado lo suficiente. En determinadas circunstancias forma parte del propio proceso de trabajar bien.

No existe Wingardium Leviosa para el cerebro

Naturalmente, sería mucho más atractivo descubrir algún mecanismo instantáneo capaz de modificar nuestro estado mental a voluntad. Nos gustaría pronunciar Wingardium Leviosa y conseguir inmediatamente un cerebro descansado, concentrado y creativo. O encontrar la música perfecta, el suplemento definitivo, la aplicación adecuada o el truco de productividad que nos permitiera ignorar indefinidamente todo lo demás.

Ojalá fuera tan sencillo.

Podemos utilizar herramientas para organizarnos mejor y desarrollar estrategias para gestionar nuestra atención, pero ninguna técnica convierte de forma permanente la privación de sueño en descanso ni elimina las consecuencias de vivir constantemente interrumpidos. Tampoco podemos esperar que nuestro cerebro responda siempre de la misma manera independientemente del estrés, la fatiga, la actividad física, el descanso y el entorno que le proporcionamos.

Lo interesante es que muchas de las herramientas más eficaces son extraordinariamente poco espectaculares. Dormir adecuadamente. Hacer ejercicio. Trabajar durante determinados períodos sin interrupciones. Dejar el teléfono fuera de nuestro alcance cuando necesitamos concentración. Caminar. Descansar. Mantener conversaciones sin mirar una pantalla cada dos minutos. Reservar algunos momentos del día en los que no necesitemos consumir información.

Son recomendaciones tan sencillas que pueden parecer triviales. Pero quizá precisamente por eso tendemos a subestimarlas. Resulta más seductor buscar una solución extraordinaria que aceptar que buena parte de nuestro rendimiento depende de hábitos ordinarios repetidos durante mucho tiempo.

Crear las condiciones adecuadas

Volvamos al bar del principio. Si quisiéramos conversar durante dos horas con alguien sobre un asunto importante, probablemente elegiríamos el lugar con cierto cuidado. No buscaríamos una discoteca con música ensordecedora y luces intermitentes para después reprocharnos nuestra incapacidad para mantener una conversación profunda.

Entenderíamos inmediatamente que el entorno importa.

Sin embargo, muchas veces construimos el equivalente cognitivo de esa discoteca alrededor de nuestro trabajo. Dejamos abiertas todas las vías de interrupción posibles, acumulamos cansancio, cambiamos constantemente de contexto y después interpretamos nuestra dificultad para concentrarnos como una deficiencia personal.

Tal vez necesitemos comenzar a diseñar nuestro ambiente mental con el mismo cuidado con el que diseñamos otros espacios. No significa vivir aislados ni convertir cada jornada en un ritual perfecto. Significa reconocer que nuestra atención es sensible al entorno y actuar en consecuencia.

Podemos decidir cuándo consultar el correo en lugar de permitir que el correo decida cuándo interrumpirnos. Podemos dejar el teléfono en otra habitación durante una tarea especialmente difícil. Podemos identificar qué horas del día suelen ofrecernos mayor claridad y reservarlas, cuando sea posible, para el trabajo que realmente la necesita. Podemos distinguir entre tareas que admiten interrupciones y aquellas que requieren continuidad. Podemos incluso recuperar algo tan aparentemente improductivo como caminar durante veinte minutos sin escuchar nada.

Son pequeñas decisiones, pero todas comparten la misma lógica: en lugar de exigir continuamente un estado mental determinado, intentamos construir las condiciones que lo hacen más probable.

Antes de exigir más, conviene observar

Quizá uno de nuestros errores sea interpretar cualquier dificultad mental como una señal de que debemos esforzarnos más. Si no podemos concentrarnos, insistimos. Si no aparece una idea, permanecemos frente a la pantalla. Si estamos cansados, añadimos café. Si sentimos que no llegamos a todo, intentamos hacer varias cosas simultáneamente.

A veces, por supuesto, necesitamos perseverar. No toda incomodidad es una señal para detenernos y ninguna vida puede organizarse de manera que siempre trabajemos en condiciones ideales. La disciplina sigue siendo necesaria precisamente porque habrá días malos, obligaciones inevitables y tareas que tendremos que realizar aunque no nos apetezcan.

Pero disciplina y hostilidad hacia nuestras propias limitaciones no son lo mismo.

La próxima vez que sientas que tu cabeza no responde como esperabas, antes de concluir que te falta voluntad quizá valga la pena observar las condiciones. Pregúntate cuánto has dormido, cuánto tiempo llevas trabajando, cuántas veces has interrumpido tu atención durante la última hora, cuánto tiempo ha pasado desde que te levantaste de la silla o cuándo fue la última vez que permitiste que tu mente permaneciera unos minutos sin recibir información nueva.

Y entonces hazte una pregunta todavía más importante: ¿le estoy pidiendo a mi cerebro algo para lo que he creado las condiciones adecuadas?

No siempre podremos modificar la respuesta. Habrá reuniones cuando estemos cansados, problemas que aparecerán en el peor momento y días en los que tendremos que trabajar aunque nuestra concentración esté lejos de ser perfecta. Pero comprender que el rendimiento mental depende también del estado y del entorno cambia nuestra manera de enfrentarnos a esas situaciones.

Dejamos de pensar exclusivamente en términos de fuerza de voluntad y comenzamos a pensar en términos de condiciones.

Quizá esa sea la enseñanza más interesante de todo esto. Pensar mejor no consiste únicamente en aprender más, esforzarnos más o encontrar mejores técnicas. También consiste en comprender qué necesita nuestra mente para hacer aquello que le pedimos.

Igual que elegimos un bar por su ambiente, podemos aprender a prestar atención al ambiente que construimos alrededor de nuestro cerebro. Porque nuestra mente no existe separada del cuerpo, del descanso, de los estímulos y de los hábitos cotidianos. Está inmersa en todos ellos.

Y quizá muchas veces, cuando sentimos que necesitamos exigirle más, lo que realmente necesitamos es algo bastante diferente: darle mejores condiciones para que pueda ofrecernos lo mejor de sí misma.

La trampa de los despidos por IA: cuando lo racional para cada empresa puede ser desastroso para todas

2026-08-17T00:21:51.000-03:00

La discusión sobre inteligencia artificial y empleo suele plantearse de una manera relativamente sencilla: las empresas incorporan una tecnología más productiva, algunas tareas desaparecen, otras se crean y, después de un período de transición, la economía encuentra un nuevo equilibrio.

Pero un reciente trabajo de Brett Hemenway Falk y Gerry Tsoukalas plantea una posibilidad bastante más inquietante. El problema de la inteligencia artificial no estaría solamente en cuántos empleos puede reemplazar, sino en los incentivos económicos que enfrentan las propias empresas durante la transición.

El paper se titula The AI Layoff Trap y fue publicado en 2026. Los autores construyen un modelo económico para estudiar qué ocurre cuando la IA puede sustituir trabajadores más rápidamente de lo que la economía consigue reabsorberlos en nuevos empleos. Su conclusión central merece atención: aun cuando las empresas sepan que una automatización masiva terminará perjudicando la demanda de sus propios productos, individualmente pueden seguir teniendo incentivos para automatizar.

El trabajador que desaparece de los costos también desaparece parcialmente de la demanda

Imaginemos una empresa que reemplaza trabajadores mediante inteligencia artificial.

Desde el punto de vista de esa empresa, la decisión puede ser perfectamente racional. Reduce salarios y otros costos laborales, aumenta la productividad y puede ofrecer precios más competitivos.

La empresa captura directamente ese beneficio.

Pero existe otro efecto.

El trabajador despedido no era solamente un costo de producción. También era un consumidor.

Si pierde su salario y ese ingreso no es recuperado rápidamente mediante otro empleo, disminuye su capacidad de consumir. Y esa caída del consumo no perjudica exclusivamente a la empresa que lo despidió: se distribuye entre muchas empresas de la economía.

Aquí aparece la externalidad que constituye el corazón del modelo.

La empresa recibe íntegramente buena parte del beneficio privado de automatizar, pero soporta solamente una fracción de la pérdida de demanda provocada por su decisión.

Cuantas más empresas compiten en el mercado, menor puede ser la proporción de ese daño que cada una internaliza.

Por eso puede aparecer una paradoja: una decisión individualmente racional puede contribuir a producir un resultado colectivamente irracional.

Un dilema del prisionero empresarial

Este mecanismo se parece a un enorme dilema del prisionero.

Supongamos que los empresarios comprenden perfectamente el problema. Incluso podrían preferir colectivamente un proceso de automatización más gradual que preserve empleo, salarios y demanda.

Pero cada empresa tiene que preguntarse qué ocurrirá si ella desacelera mientras sus competidores continúan automatizando.

Si los demás utilizan IA para reducir drásticamente sus costos y yo no lo hago, pueden bajar precios, ganar participación de mercado y eventualmente desplazarme.

Entonces aparece una carrera armamentística tecnológica:

“Tengo que automatizar porque mis competidores también pueden hacerlo.”

El modelo de Falk y Tsoukalas muestra precisamente que la competencia puede llevar a las empresas a desplazar más trabajadores de lo que sería colectivamente óptimo. Y el resultado no perjudica solamente a los trabajadores: bajo las condiciones estudiadas, también pueden terminar perjudicados los propietarios de las propias empresas.

Este punto cambia bastante la discusión habitual sobre IA.

No estamos necesariamente frente a un conflicto sencillo entre empresarios ganadores y trabajadores perdedores.

Podemos estar frente a un problema de coordinación económica.

La paradoja: una economía capaz de producir muchísimo y vender muy poco

Llevemos el razonamiento hasta el extremo.

Si cada empresa continúa sustituyendo trabajo humano porque hacerlo reduce sus costos privados, la capacidad productiva puede crecer extraordinariamente.

La IA produce más.

Los costos bajan.

La productividad aumenta.

Pero simultáneamente puede disminuir la masa de ingresos laborales que sostiene una parte importante del consumo.

Así aparece la paradoja más provocadora del paper: una economía extraordinariamente eficiente para producir puede terminar deteriorando el mecanismo mediante el cual esa producción encuentra compradores.

Los autores describen ese límite con una frase particularmente potente: las empresas podrían automatizar hasta alcanzar una productividad prácticamente ilimitada acompañada de demanda nula.

No debemos interpretar esto como una predicción de que inevitablemente llegaremos a ese escenario. Es el resultado límite de un modelo diseñado para identificar una falla específica de coordinación. Pero precisamente por eso resulta intelectualmente interesante: muestra que productividad y bienestar no son necesariamente la misma cosa cuando cambia radicalmente la distribución del ingreso que permite consumir esa producción.

Una IA mejor no necesariamente resuelve el problema

Hay otro resultado contraintuitivo.

Nuestra intuición suele decirnos que cuanto mejor sea la inteligencia artificial, mayores serán los beneficios económicos.

Desde el punto de vista tecnológico, seguramente.

Pero el modelo muestra que una IA más efectiva también puede aumentar el incentivo privado para sustituir trabajadores y, por esa vía, ampliar la diferencia entre el nivel de automatización elegido competitivamente y el que resultaría colectivamente conveniente.

Algo similar sucede con la competencia.

Habitualmente consideramos que más competencia mejora los mercados. Sin embargo, en presencia de esta externalidad, una competencia más intensa puede acelerar la carrera por reducir costos mediante automatización. Los autores encuentran que tanto una IA “mejor” como una competencia mayor pueden amplificar el exceso de automatización.

Esto no significa que la competencia o el progreso tecnológico sean malos.

Significa algo más interesante: cuando existe una externalidad, aquello que normalmente disciplina al mercado también puede amplificar el problema.

¿Y el Ingreso Básico Universal?

Aquí aparece probablemente una de las conclusiones más polémicas del trabajo.

Los autores estudian distintas respuestas que suelen proponerse frente al desplazamiento tecnológico: ajustes salariales, entrada de nuevas empresas, impuestos al ingreso del capital, participación accionaria de trabajadores, capacitación y reconversión laboral, negociación entre agentes e Ingreso Básico Universal.

Dentro de su modelo, ninguna de esas herramientas elimina por sí sola el incentivo fundamental que genera la sobreautomatización.

Esto requiere una aclaración importante.

Decir que el paper demuestra que “el UBI no sirve” sería incorrecto.

Un ingreso básico puede mejorar enormemente la situación material de las personas desplazadas y sostener parte de su capacidad de consumo. Lo que el modelo sostiene es algo diferente: no corrige directamente el incentivo marginal que enfrenta una empresa cuando decide si reemplaza o no a otro trabajador mediante IA.

Es una diferencia fundamental entre compensar las consecuencias de una externalidad y modificar el incentivo que la produce.

El impuesto a la automatización

La solución que sí consigue corregir directamente la distorsión dentro del modelo es un impuesto pigouviano sobre la automatización.

La lógica económica es conocida.

Cuando una actividad genera un costo que quien toma la decisión no incorpora completamente —contaminación, congestión u otras externalidades— una posibilidad es colocar un precio sobre ese daño.

En este caso, el razonamiento sería similar.

Si despedir a un trabajador mediante automatización reduce poder adquisitivo y parte de ese costo termina siendo soportado por otras empresas y por el conjunto de la economía, la empresa que automatiza debería incorporar parte de ese costo social al decidir.

El objetivo del impuesto no sería impedir la inteligencia artificial.

Tampoco tendría sentido conservar artificialmente todos los empleos existentes.

La cuestión sería lograr que una empresa automatice cuando el beneficio social de hacerlo sea superior al costo social, y no simplemente cuando resulte rentable desde su balance individual.

En términos económicos, se trataría de internalizar la externalidad. El paper encuentra que un impuesto pigouviano correctamente diseñado puede hacerlo.

Pero el modelo no es una profecía

Este punto es esencial.

The AI Layoff Trap no demuestra matemáticamente que la inteligencia artificial destruirá inevitablemente el capitalismo.

El resultado depende de una condición que los propios autores explicitan: que la IA desplace trabajadores más rápidamente de lo que la economía pueda reabsorberlos.

Y ahí se encuentra probablemente la gran incógnita de los próximos años.

Las revoluciones tecnológicas anteriores destruyeron determinadas ocupaciones pero también crearon nuevas tareas, industrias y fuentes de ingreso. Si la inteligencia artificial vuelve a producir ese proceso con suficiente velocidad, el mecanismo descripto por el paper pierde buena parte de su fuerza.

El problema aparece si esta vez existe una diferencia de velocidades:

si podemos automatizar empleos mucho más rápidamente de lo que podemos crear nuevas fuentes de ingreso laboral.

Entonces la transición deja de ser un detalle.

Se convierte en el problema económico central.

La pregunta importante no es cuánto puede producir la IA

Durante los últimos años nos hemos obsesionado con medir qué tan inteligente será la próxima generación de modelos, cuántas tareas podrán automatizarse y cuánto aumentará la productividad.

Quizás estamos mirando solamente una mitad de la ecuación.

Una economía no es simplemente una máquina para producir bienes y servicios.

También es un mecanismo para distribuir ingresos que posteriormente permiten comprar esos bienes y servicios.

Producción y demanda son dos caras del mismo circuito.

Por eso, ante una tecnología capaz de sustituir cantidades crecientes de trabajo humano, la pregunta relevante no es solamente:

¿cuánto podremos producir con IA?

También debemos preguntarnos:

¿cómo llegará a las personas el ingreso necesario para comprar todo aquello que podremos producir?

El aporte más interesante de The AI Layoff Trap no es haber demostrado que nos espera inevitablemente una economía sin empleos ni consumidores. No lo hizo.

Es haber identificado una posibilidad más incómoda: incluso si todos conocemos el riesgo, los incentivos individuales pueden empujarnos colectivamente en esa dirección.

Y ese es un problema mucho más profundo que decidir si ChatGPT, los agentes autónomos o los robots podrán reemplazar determinado porcentaje de los empleos.

Porque significaría que el desafío de la inteligencia artificial no es solamente tecnológico.

Es institucional.

El mercado puede ser extraordinariamente eficiente coordinando decisiones cuando los costos y beneficios privados reflejan los costos y beneficios sociales. Pero cuando una empresa obtiene el beneficio completo de automatizar mientras distribuye parte del costo de esa decisión sobre el resto de la economía, aparece una falla clásica del capitalismo competitivo: cada jugador puede estar haciendo exactamente lo que le conviene y, aun así, todos pueden terminar peor.

La discusión que viene, entonces, no debería reducirse a estar “a favor” o “en contra” de la inteligencia artificial.

La verdadera pregunta es mucho más difícil:

¿qué instituciones necesitamos para que una tecnología capaz de generar una abundancia extraordinaria no destruya, durante la transición, el mecanismo económico que permite distribuir y consumir esa abundancia?

Paper de referencia: Brett Hemenway Falk y Gerry Tsoukalas, The AI Layoff Trap, 2026, arXiv:2603.20617, 63 páginas. El trabajo fue presentado en arXiv en marzo de 2026 y su versión disponible fue revisada en junio de 2026.

La madre de la Mujer Maravilla

2026-08-16T22:26:00.000-03:00

Sabías que la mamá de Lynda Carter, la actriz que interpretó a la Mujer Maravilla nació en Chihuahua? Su nombre Juana Cordova.

Ella emigró a EEUU cruzando la frontera, y tuvo a Lynda, quien nació en Phoenix Arizona el 24 de julio de 1951.

Lynda Interpretó a la Mujer Maravilla en la serie de televisión del mismo nombre, que se transmitió de 1975 a 1979, volviéndose un icono de la cultura estadounidense!

Aquí una fotografía de madre e hija. Cabe mencionar que Lynda hablaba el español por herencia de sus madre.

La promesa algorítmica ante la fragilidad de la glucosa

2026-08-16T20:00:00.000-03:00

En la intersección entre la tecnología de escala global y la atención médica primaria, la Universidad de Florida y Google han anunciado una alianza estratégica destinada a redefinir el diagnóstico y tratamiento de la diabetes mediante inteligencia artificial. La iniciativa, centrada en ampliar programas de educación médica y monitoreo predictivo, busca transformar gigantescos volúmenes de datos clínicos en herramientas de intervención temprana para los profesionales de la salud.

El núcleo de este proyecto aborda un problema estructural en la medicina preventiva: la detección tardía. A través del procesamiento de registros médicos mediante algoritmos de aprendizaje automático, el sistema analiza patrones complejos —como antecedentes familiares e historial de fluctuaciones en los niveles de glucosa en sangre— para identificar a pacientes con alto riesgo de desarrollar diabetes Tipo 1 antes de que se manifiesten episodios agudos. Según explicó el endocrinólogo Dr. Michael Haller, líder del programa en la UF, la aspiración a largo plazo es validar esta metodología para escalar su aplicación a nivel nacional.

Más allá del avance técnico que suponen los dispositivos de monitoreo continuo asistidos por inteligencia artificial, la medida pone de relieve un cambio de paradigma en la práctica clínica diaria. El fortalecimiento de la capacidad diagnóstica en el nivel de atención primaria sugiere una transición desde el modelo reactivo tradicional hacia una medicina de precisión basada en datos. No obstante, la integración de modelos predictivos en el ámbito de la salud pública plantea desafíos continuos respecto a la validación de estos sistemas en poblaciones diversas y la sustentabilidad de su implementación en los servicios de atención general.

El papel de la inteligencia artificial en la garantía de calidad moderna

2026-08-16T11:59:29.398-03:00

Cuando se inicia el estudio del aseguramiento de la calidad del software, suele asumirse que la disciplina se centra principalmente en la ejecución de pruebas y la detección de defectos. Aunque esta visión es parcialmente correcta, el avance en el conocimiento revela que el control de calidad constituye una disciplina fundamentada en la precisión, la repetibilidad y la atención rigurosa al detalle.

Tradicionalmente, los equipos de calidad han dependido de casos de prueba manuales, scripts de automatización y ciclos de regresión para verificar que el software se comporte conforme a las especificaciones. Estos enfoques resultan efectivos, pero son predominantemente reactivos: los problemas se identifican únicamente después de que el código ha sido implementado.

En los últimos años, la inteligencia artificial ha comenzado a modificar este panorama de manera gradual. Lejos de transformar el control de calidad de forma inmediata, la IA ha introducido eficiencias en áreas específicas del proceso de prueba. Comprender el alcance real de estas contribuciones permite a los equipos adoptar decisiones fundamentadas, preservando al mismo tiempo el valor irreemplazable del juicio humano.

Una de las aplicaciones más maduras es la prueba visual (visual testing o visual regression testing). Herramientas especializadas capturan capturas de pantalla de las interfaces de usuario y las comparan entre distintas compilaciones o entornos. Mediante técnicas de visión por computadora y modelos de aprendizaje automático, la IA identifica cambios de diseño, elementos ausentes, variaciones de color, problemas de alineación o diferencias de renderizado que escaparían a una revisión manual exhaustiva, especialmente cuando se evalúan múltiples dispositivos, navegadores y resoluciones. A diferencia de las comparaciones pixel a pixel tradicionales, los enfoques basados en IA reducen significativamente los falsos positivos al distinguir cambios relevantes de variaciones irrelevantes (como anti-aliasing o animaciones menores). No obstante, estas herramientas se limitan a señalar diferencias; la determinación de si una discrepancia constituye un defecto o un cambio de diseño intencional permanece bajo la responsabilidad del probador humano.

Otra área de impacto relevante es el mantenimiento de scripts de prueba automatizados. Un cambio aparentemente menor en la interfaz de usuario —modificación de un identificador, reestructuración del DOM o alteración de atributos— suele provocar la rotura de scripts completos. Las herramientas asistidas por inteligencia artificial incorporan capacidades de localización adaptativa o “self-healing”. Cuando el localizador primario falla, el sistema intenta identificar el elemento correcto mediante atributos alternativos, análisis semántico, visión por computadora o modelos de aprendizaje. Este mecanismo reduce de forma notable la carga de mantenimiento y permite que los ingenieros de calidad destinen mayor tiempo al diseño de pruebas de mayor valor.

La IA también contribuye a la sugerencia y generación de escenarios de prueba. Mediante el análisis de datos de uso real, métricas de cobertura de código, registros de ejecución previos o incluso modelos de lenguaje de gran escala, los sistemas recomiendan casos de prueba adicionales que los equipos podrían no haber contemplado. Estas recomendaciones, basadas en evidencia empírica, destacan áreas de cobertura insuficiente o rutas de usuario de alto riesgo. Sin embargo, las sugerencias constituyen únicamente puntos de partida: requieren validación humana, ya que no todas resultan pertinentes para el contexto de una liberación concreta ni contemplan prioritariamente los riesgos de negocio.

A pesar de estos avances, el elemento humano permanece esencial. La inteligencia artificial no comprende la intención del usuario, las prioridades comerciales, la filosofía de diseño ni el significado semántico del software bajo prueba. Opera sobre patrones estadísticos y correlaciones extraídas de datos históricos. Los probadores aportan conocimiento contextual, capacidad de interpretación y juicio crítico que la IA no puede replicar. Distinguen cambios intencionales de defectos, evalúan la relevancia de una prueba sugerida y lideran las pruebas exploratorias, donde la intuición, la creatividad y el razonamiento basado en riesgo desempeñan un papel central. En síntesis, la IA proporciona datos, observaciones y automatización de tareas repetitivas; los profesionales de calidad aportan interpretación, priorización y sentido.

Es importante reconocer, además, las limitaciones inherentes. Los modelos de IA dependen de la calidad y completitud de los datos históricos; si estos son incompletos o sesgados, las predicciones y recomendaciones pierden fiabilidad. La integración de herramientas de IA exige tiempo de configuración, entrenamiento y ajuste. Más relevante aún, la IA carece de comprensión del propósito del sistema: no identifica de manera autónoma errores lógicos profundos ni problemas de usabilidad que requieren comprensión del dominio.

El enfoque más sólido consiste en la colaboración. Las estrategias de control de calidad más efectivas combinan las fortalezas de la IA con la experiencia humana. La IA asume las comprobaciones repetitivas, las pruebas de regresión visual y el mantenimiento adaptativo de scripts. Los probadores se concentran en las pruebas exploratorias, la evaluación de la experiencia de usuario, el análisis de riesgos y las decisiones de negocio. Esta división de responsabilidades incrementa la eficiencia sin comprometer la calidad del producto.

En conclusión, la inteligencia artificial se configura como un asistente poderoso, no como un reemplazo. Sus principales fortalezas residen en el manejo de volúmenes elevados de datos y en la reducción de la sobrecarga de mantenimiento. Sus limitaciones se sitúan en la comprensión contextual y el juicio. Para los equipos que contemplan su adopción, resulta recomendable iniciar con un conjunto reducido de tareas bien delimitadas, medir resultados de forma rigurosa y ampliar la aplicación únicamente sobre la base de evidencia demostrada. En su esencia, el aseguramiento de la calidad continúa orientado a la satisfacción del usuario y a la fiabilidad del producto. La tecnología modifica los métodos, pero los objetivos fundamentales permanecen invariables.

Autores y referencias relevantes

Filippo Ricca, Alessandro Marchetto y Andrea Stocco (2025): A multi-year grey literature review on AI-assisted test automation. Análisis exhaustivo de más de 3.600 fuentes de literatura gris y catálogo de aproximadamente 100 herramientas de IA para automatización de pruebas. Identifican la generación automática de pruebas y los scripts self-healing como las soluciones más adoptadas.
Vahid Garousi, Nithin Joy y Davide Taibi (2025): Revisiones sistemáticas sobre herramientas de testing impulsadas por IA. Documentan tasas de reparación de localizadores self-healing entre el 70 % y el 94 % en entornos reales, así como limitaciones en la comprensión contextual.
Dorothy Graham y Mark Fewster: Autores clásicos de referencia en automatización de pruebas (Software Test Automation y Experiences of Test Automation). Su trabajo sigue siendo fundamental para comprender los principios de mantenibilidad y valor de la automatización, sobre los que se construyen las soluciones actuales basadas en IA.

Casos y herramientas de referencia

Applitools Eyes: Plataforma líder en visual testing con IA. Utiliza modelos entrenados sobre grandes volúmenes de interfaces gráficas para detectar regresiones visuales con alta precisión y baja tasa de falsos positivos. Amplia adopción en empresas con interfaces complejas.
Mabl: Caso documentado de Xandr (Microsoft). La implementación de automatización asistida por IA simplificó entornos de prueba complejos basados en microservicios y redujo la dependencia de ingenieros altamente especializados.
Functionize: Caso de una empresa global de fintech. Reportó un ROI del 600 % tras migrar de un conjunto de 5.000 pruebas Selenium de alto mantenimiento a una plataforma con capacidades de self-healing y generación inteligente.
Testim: Casos industriales reportan reducciones del orden del 70 % en el esfuerzo de mantenimiento de scripts mediante localizadores adaptativos basados en IA.
Meta (investigación interna): Enfoque de Just-in-Time testing con modelos de lenguaje y análisis de mutaciones. Reportó mejoras de hasta 4 veces en la detección de defectos relevantes durante el proceso de revisión de código.

Estos ejemplos ilustran tanto el potencial de la colaboración humano-IA como la necesidad de una adopción controlada y medida.

La mujer y la cultura Cherokee

2026-08-16T10:20:00.000-03:00

En la cultura Cherokee, las mujeres podían decidir ser guerreras o esposas. Si optaban por esto último, eran ellas quienes elegían al interfecto, y si lo deseaban, podían pedir un tiempo para vivir con él, antes de la ceremonia de boda y ver si "daba el ancho" como proveedor.

Una vez casada, si querían divorciarse, solo tenían que dejar las pertenencias del hombre en la entrada, no tenían que justificarse y ellas mantenían la misma honorabilidad ante la sociedad. Nadie le pedía explicaciones, ni siquiera el marido, a ese nivel confiaban en la justicia femenina; ninguna de ellas tomaba estas decisiones a la ligera, justamente en ellas recaía este peso porque a la mujer se le consideraba justa, sensata, prudente e inteligente.

El rol de "ama de casa" era importantísimo y respetado porque la familia era la unidad social predominante y solo las mujeres eran aptas para estar al frente, esto les daba poder económico, social y político, incluso en los consejos de guerra, cuando no llegaban a alguna decisión unánime, existía un grupo de mujeres que intervenían para dar su fallo final, ese puesto era el más respetado y codiciado, solo lo ocupaban las mujeres más sabias del clan.

Si acaso una mujer llegaba a cometer una injusticia con su familia, no era castigada pero se ganaba el repudio de su gente y eso era lo peor que podía pasarles, su honor era lo único que las podía conectar con la Madre Tierra.

¿Cómo observas que el Universo se está expandiendo?

2026-08-15T23:45:05.483-03:00

En 2011, el Premio Nobel de Física fue otorgado a Saul Perlmutter, Brian Schmidt y Adam Riess por descubrir que el Universo se está expandiendo a un ritmo acelerado. Habíamos sabido por un tiempo que el Universo se ha estado expandiendo desde su nacimiento, pero no sabíamos si la expansión se estaba ralentizando, manteniéndose igual o acelerando.

Entonces, ¿cómo se descubre exactamente algo como esto?

Perlmutter, Schmidt y Riess lo hicieron observando un tipo especial de supernovas: Supernovas Tipo Ia. Las supernovas son las muertes explosivas de grandes estrellas, y generalmente ocurren cuando una estrella se queda sin combustible y colapsa bajo su propio peso, generando una onda de choque que expulsa su material al espacio. Sin embargo, esto solo sucede cuando una estrella es lo suficientemente grande: la estrella inicial tiene que tener una masa de umbral crítica, llamada el límite de Chandrasekhar. Nuestro sol, por ejemplo, no se convertirá en supernova porque el límite de Chandrasekhar es de alrededor de 1,4 masas solares. Cuando se queda sin combustible, nuestro sol soplará suavemente sus capas externas y silenciosamente se convertirá en un núcleo denso de carbono y oxígeno, llamado enana blanca.

Pero aquí está el truco: no todas las enanas blancas permanecen enanas blancas.

Algunas enanas blancas existen como la mitad de un sistema binario, donde dos estrellas orbitan entre sí en una danza celestial perpetua. En algunas situaciones, las enanas blancas en realidad pueden “robar” la materia de su estrella compañera, desviándola y desprovistándola para que se vuelva más y más masiva. Finalmente, cuando su masa alcanza el límite de Chandrasekhar, la enana blanca es destrozada en una supernova.

Crédito de la imagen

Esto sucede en los sistemas binarios de todo el Universo, y debido a que estas enanas blancas van todas a la supernova exactamente en la misma masa, esto significa que sabemos exactamente cuán brillantes son las supernovas. Cuando se observan a través de telescopios, algunos se ven más brillantes y algunos se ven más débiles dependiendo de su distancia, pero debido a que conocemos su brillo intrínseco real, podemos averiguar qué tan lejos están realmente. (Podrías hacer esto tú mismo usando una vela estándar más terrenal.) Por esta razón, las supernovas de tipo Ia se llaman “velas estándar”.

En sus observaciones, Perlmutter, Schmidt y Riess se dieron cuenta de que las supernovas lejanas estaban más desplazadas al rojo que las supernovas cercanas. Redshift “Coanda roja” es esencialmente una medida de cuánto se ha expandido el Universo desde que la luz dejó las supernovas, por lo que al comparar la distancia y el desplazamiento al rojo de las supernovas, podrían crear una “historia de expansión” del Universo.

Esto demostró bastante claramente que el universo no solo se está expandiendo, sino que se está acelerando, es decir, todo se está separando más rápidamente de lo que era ayer, o hace un siglo, o mil millones de años. ¿Por qué? La energía oscura.

Saartjie Baartman, la historia de la esclava "negra"

2026-08-15T23:20:00.000-03:00

El 9 de agosto de 2002, 187 años después de su muerte, se devolvían a Sudáfrica los restos de la esclava negra Saartjie Baartman, que fue secuestrada y exhibida de manera humillante por los zoos humanos en Europa.

Su dolorosa historia recuerda el sufrimiento de las mujeres negras africanas a manos de los monstruos colonos blancos racistas occidentales y la brutalidad de la esclavitud que perpetraron.

Baartman nació en Sudáfrica en 1789, allí era esclava de una plantación y totalmente analfabeta, cuando fue vendida en 1810 al colono británico William Dunlop, que vio la oportunidad de hacer un zoo humano y exhibirla en una jaula como a un "simio".

En Londres, fue exhibida por Dunlop en un zoo humano encerrada en una jaula, donde se le obligaba a mostrarse desnuda a los blancos y por un módico precio, se les permitía tocarla y agredirla sexualmente delante de cientos de hombres.

El maltrato a Saartjie en Londres fue tal, que hubo hasta protestas en las calles para detener aquel trato humillante y acabó incluso en un juicio por tortura, el criminal racista que la compró, William Dunlop, le prometió la libertad si declaraba en el juicio que no había sido maltratada, Sara accedería a ello.

Tras librarse de la condena, el esclavista Dunlop incumplió su promesa y vendió a Saartjie a otro criminal, un domador de bestias francés que la exhibió en otro zoo humano durante 15 meses en París, llegando a violarla y dejándola embarazada.

En 1815, en uno de sus humillantes exhibiciones en Paris, atrajo la atención de científicos franceses, en particular la de George Cuvier, que vio un "ejemplar" perfecto para demostrar teorías supremacistas blancas de que "los negros provienen de los simios y son inferiores a los blancos".

Saartjie fue comprada por Cuvier... pero de nuevo, para ser exhibida como un animal en la prestigiosa Academia Real de Medicina de París, donde le obligaban a mostrarse desnuda ante un centenar de científicos entre comentarios como "No he visto nunca una cabeza humana tan parecida a la de un simio".

A finales del año 1815, tras sufrir todo tipo de abusos durante 5 años, Saartjie Baartman terminó vagando absolutamente sola por las calles de Paris, en la indigencia, enferma y con el cuerpo destrozado, muriendo el 29 de diciembre de 1815 con solo 25 años.

Aun después de muerta seguían humillandola, el científico francés Cuvier realizó un vaciado en yeso de su cuerpo, su esqueleto, su cerebro y sus genitales estuvieron en exposición pública en el Museo del Hombre de París durante más de 160 años.... hasta 1994 no se dignó Francia a retirar sus restos del público y no fue hasta 2002 que fue repatriada y enterrada en Sudáfrica.

Los colonialistas británicos y franceses la mataron en solo 5 años de haber salido de África, a base de maltratos, violaciones y humillación psicológica.

Esta es la historia de Saartjie, pero también de muchas millones de mujeres africanas sin nombre, asesinadas y abusadas por el colonialismo occidental... esos mismos que hoy hablan de invasiones de inmigrantes y que dicen que no pueden acoger a gente que no respeta su cultura, bueno esta su cultura.

Los restos de Saartjie Baartman fueron retirados de la exposición pública en el Musée de l'Homme en 1974 (esqueleto) y 1976 (molde corporal), no en 1994 como se afirma en el post. Fueron repatriados en 2002 y enterrados el 9 de agosto de ese año. https://www.bbc.com/news/magazine-35240987

Star Wars casi no se realizó

2026-08-15T23:04:00.000-03:00

En 1977, nadie en Hollywood apostaba un centavo por Star Wars.

La Fox le había dado a George Lucas 11 millones de dólares, un presupuesto modesto para la escala que él tenía en la cabeza, y había cedido los derechos de merchandising porque nadie creía que los juguetes de una película de ciencia ficción fueran a valer algo. Lucas los aceptó. Fue la decisión financiera más rentable de la historia del cine: los derechos de merchandising de Star Wars han generado más de 42.000 millones de dólares desde entonces.

Los actores tampoco lo veían claro. Alec Guinness, que interpretaba a Obi-Wan Kenobi, escribió en una carta a un amigo que el guion era "una basura galáctica" pero que el sueldo era bueno. Harrison Ford, que recordemos estaba instalando suelo en el despacho de Lucas cuando lo eligieron para Han Solo, dijo años después que durante el rodaje no entendía lo que estaba haciendo. Carrie Fisher tenía 19 años y acababa de terminar la Universidad. Mark Hamill llevaba años haciendo papeles secundarios en televisión.

Los tres llegaron al set de Elstree Studios en Inglaterra en 1976 sin saber que estaban a punto de cambiar la cultura popular del siglo XX.

La fotografía de ese año, sin disfraces, muestra exactamente eso: un grupo de actores jóvenes, sin estrellato todavía, antes de que los personajes que iban a interpretar se convirtieran en algo más grande que cualquiera de ellos.

Tres años después del estreno, George Lucas era uno de los hombres más ricos de Hollywood. Los derechos de merchandising que nadie quería valían cientos de millones. Y Harrison Ford, el carpintero que instalaba suelos, era la mayor estrella de acción del mundo.

Cómo el Islam destruye

2026-08-15T22:11:57.680-03:00

Casi toda la cultura egipcia antigua fue borrada por el colonialismo islámico. No fue solo una conquista militar. Fue un proyecto de sustitución civilizacional.

En 1196, el sultán Al-Aziz Uthman, hijo de Saladino, ordenó la demolición de las pirámides de Giza. Comenzó por la menor, la de Menkaure. Durante ocho meses, cientos de trabajadores usaron cuñas, palancas y cuerdas para arrancar piedras. Cada bloque que caía se enterraba en la arena y requería un esfuerzo absurdo para ser removido. Lograban sacar una o dos piedras por día. Al final, todo lo que quedó fue una cicatriz vertical profunda en la cara norte de la pirámide, aún visible hoy. Desistieron. No por arrepentimiento. Por impotencia. La ingeniería faraónica demostró ser mayor que la voluntad de destrucción.

Este episodio no es una curiosidad histórica aislada. Es el retrato de un patrón. El islam llegó a Egipto y transformó templos en canteras, estatuas en escombros, jeroglíficos en signos incomprensibles. La memoria de una de las civilizaciones más sofisticadas de la humanidad fue sistemáticamente sepultada bajo la narrativa de que todo lo que existía antes era idolatría que debía ser borrada. Lo que no fue demolido fue apropiado, reutilizado o simplemente olvidado durante siglos.

La cultura que construyó las pirámides, que desarrolló matemáticas, medicina, administración y una visión de eternidad, fue reducida a ruinas y curiosidades para turistas. El Egipto de hoy lleva el nombre, la geografía y el turismo. La continuidad cultural profunda fue cortada.

Las pirámides sobrevivieron no porque fueran respetadas. Sobrevivieron porque eran demasiado grandes para ser destruidas con la tecnología de la época. La cicatriz en Menkaure permanece como prueba física: hubo la intención de borrar. Hubo el intento. Hubo la humillación de fracasar.

El islam no preserva civilizaciones anteriores. Las sustituye. Y cuando no logra demoler el monumento, intenta demoler el significado.

Borsippa

2026-08-15T21:59:29.691-03:00

La antigua ciudad mesopotámica de Borsippa (conocida hoy como Birs Nimrud), ubicada en Irak.

El monumento en la actualidad

Lo que parece una colina natural es en realidad el núcleo derruido de un gigantesco zigurat de ladrillos de barro.

En la cima sobresale una sección de muros de ladrillo cocido y vitrificado que los lugareños llaman la "Torre de la Lengua".

La reconstrucción histórica

La pintura es una acuarela realizada en 1885 por el artista británico William Simpson, titulada "The Tower of Babel or Birs Nimrud Restored". Muestra el templo principal escalonado con terrazas de colores que representaban diferentes esferas celestiales, coronado por un santuario superior.

El complejo estaba dedicado a Nabu, el dios mesopotámico de la sabiduría y la escritura, considerado el hijo de Marduk (el dios principal de la vecina Babilonia).

Aunque existían estructuras previas del segundo milenio a. C., el rey neobabilónico Nabucodonosor II llevó a cabo una reconstrucción masiva en el siglo VI a. C., recubriendo la torre con millones de ladrillos cocidos.

Durante siglos, los viajeros europeos y la cultura local asociaron erróneamente esta imponente ruina con la bíblica Torre de Babel, debido a su monumental escala y al nombre de la zona.

La Biblioteca de la Abadía de San Galo

2026-08-15T21:50:13.253-03:00

Sabías que este lugar alberga uno de los tesoros mas valiosos de la cultura universal?

2,100 manuscritos medievales, de los cuales unos 400 datan de antes del año 1000!

La Biblioteca de la Abadía de San Galo (Stiftsbibliothek St. Gallen) es una de las bibliotecas monásticas más antiguas, ricas e imponentes del mundo.

Situada en la ciudad de San Galo, Suiza, fue declarada Patrimonio de la Humanidad por la Unesco en 1983 como parte del conjunto del complejo abacial.

Su sala principal, reformada entre 1758 y 1767 por el arquitecto Peter Thumb, es considerada una obra maestra del estilo rococó.

Destaca por sus estanterías de madera de nogal tallada a mano, sus balcones sinuosos y unos frescos espectaculares en el techo que narran los primeros concilios ecuménicos de la Iglesia.

Alberga alrededor de 170,000 libros impresos, pero su verdadero tesoro son sus 2,100 manuscritos medievales, de los cuales unos 400 datan de antes del año 1000.

Entre ellos se encuentra el manuscrito del Cantar de los nibelungos y los primeros documentos escritos en idioma alemán.

Custodia el famoso plano arquitectónico del siglo IX dibujado en pergamino. Es el único plano arquitectónico que sobrevive de los aproximadamente 500 años transcurridos entre la caída del Imperio Romano y el siglo XIII, y muestra cómo debía ser un monasterio carolingio ideal.

En medio de los textos sagrados cristianos, la biblioteca alberga curiosamente a Shepenese, una momia egipcia del siglo VII a. C. que fue traída a Suiza en 1820 junto con sus sarcófagos ricamente decorados.

Sobre la ornamentada puerta principal de la sala barroca se encuentra un cartel en griego que reza: Psyché iatréion, que se traduce de forma poética como "El hospital del alma" o "Farmacia del alma", reflejando el poder sanador que los monjes atribuían a los libros.

Para mantener el suelo de madera original del siglo XVIII en perfecto estado, todos los visitantes que entran a la sala principal deben ponerse unas pantuflas gigantes de fieltro gris sobre sus propios zapatos, deslizándose silenciosamente por el lugar.

Video con edición original para efectos educativos.

La Metamorfosis de AbbVie: Estrategias de Expansión Estratégica y Captura en el Mercado de la Neurociencia

2026-08-10T12:22:00.000-03:00

La transición de AbbVie hacia la neurociencia no es una simple estrategia corporativa, sino el mecanismo de supervivencia de una superestructura que, ante la pérdida de su principal fuente de energía (la expiración de patentes de Humira), necesita expandir urgentemente su superficie de captura. Lejos de disipar su masa institucional, la organización está reconfigurando su topología hacia el mercado del sistema nervioso central, proyectando absorber $12.700 millones durante 2026.

La nueva matriz de acreción Para sostener su densidad frente al ataque de los biosimilares, AbbVie ha diversificado sus nodos de extracción, incrementando el volumen de su división neurológica en un 20.3% interanual durante el segundo trimestre.

Vraylar (esquizofrenia y bipolaridad): Captura de $1.070 millones trimestrales. Funciona como el nodo base de anclaje psiquiátrico.
Botox terapéutico: Absorción de $1.040 millones. Su plasticidad operativa (aplicable a migrañas crónicas, distonía, espasticidad) le otorga múltiples vectores de contacto directo con los pacientes.
Ubrelvy y Qulipta (migrañas): $742 millones combinados. Aprovechan un reservorio global de 1.200 millones de individuos, expandiendo drásticamente la "superficie de área" de la empresa hacia un dolor crónico recurrente.
Vyalev (Parkinson): Aporta $256 millones, consolidando redes de alta dependencia donde el costo de salida del tratamiento para el paciente es biológicamente inviable.

Absorción externa y el nodo psicodélico La reciente compra del candidato clínico de Gilgamesh Pharmaceuticals (bretisilocina) por $906 millones iniciales ejemplifica cómo operan los agujeros negros organizacionales. AbbVie no flexibiliza su propia burocracia para investigar el nuevo paradigma de los psicodélicos; simplemente absorbe a un nodo innovador de menor escala para sumarlo a su horizonte de eventos. El objetivo explícito de este fármaco contra la depresión es eliminar la "experiencia psicoactiva" de los compuestos para empaquetarlos en un formato que la estructura clínica actual pueda procesar sin alterarse a sí misma.

La inmunología (Skyrizi, Rinvoq) sigue siendo el centro de gravedad que sostiene a la entidad, pero la neurociencia provee el nuevo flujo termodinámico que evita su colapso. Al multiplicar sus frentes de contacto biológico, AbbVie asegura que ninguna disrupción aislada —como la pérdida de un monopolio— alcance la fuerza necesaria para forzar la disolución de su estructura acumulada.