Hace un par de meses fueron noticia unas declaraciones de Praveen Neppalli Naga, CTO de Uber, en las que aseguraba que habían agotado el presupuesto planificado para tokens IA en los primeros cuatro meses del año.

Esta semana, Bloomberg confirmaba a través de un portavoz de la compañía que Uber había fijado un límite de 1.500$ por empleado y herramienta IA, en un esfuerzo por controlar gastos:

Uber Technologies Inc. has set usage caps on some artificial intelligence-powered tools used by its staff, a move meant to manage costs after the company blew through its AI budget earlier this year.

The rideshare giant is limiting all employees to $1,500 in monthly token spending per AI coding tool, an Uber spokesperson said in response to a Bloomberg News inquiry. -- Fuente: Bloomberg

La misma semana, Sam Altman, CEO de OpenAI, en unas sorprendentes declaraciones admitía que el coste está comenzando a ser un problema para sus clientes:

“People are really saying, you know, it’s kind of a meme now, but ‘My company spent my entire 2026 budget in Q1. Can you make this more efficient?’” Altman said on stage. “We are continuing to push on that more with models. I think we’ll have a lot of ways we can help people get more value for less spend. But that went from, at the beginning of this year, an issue that never came up (people were totally happy with the amount they were spending) to, all of a sudden, a huge issue.” -- Fuente: Tom’s Hardware

En el artículo, La paradoja de Jevons y el colapso del modelo ilimitado de la IA, analizamos por qué el coste de la IA se estaba disparando:

• Por una parte, cada vez le damos a la IA problemas más complejos a resolver

• Por otra, porque la forma de solucionar los problemas inherentes a la arquitectura de los LLMs, las alucinaciones y el no determinismo, es poner a los modelos en bucle

Cuando oyes hablar de programación agéntica, es básicamente un modelo que itera una y otra vez en bucle sobre un problema. Y con cada iteración, la factura va aumentando.

La subvención de la fase expansiva nos ocultó el coste real de estas herramientas. Ahora que las subvenciones se acaban, y cuando ya somos adictos, nos sorprende lo que cuestan.

Inteligencia a dos velocidades

Simon Willison, una de las voces más influyentes en el mundo de la IA aplicada a desarrollo de software, comentaba en su blog la noticia de Bloomberg. Añadía además, un interesante análisis sobre a qué porcentaje del sueldo de un ingeniero de Uber equivalía el límite de 1.500$ mensuales por herramienta:

It’s also interesting in that it hints at a real dollar value for what Uber is getting out of these tools. If we assume two actively used tools per engineer that’s $3,000 * 12 = $36,000 cap per engineer per year. Levels.fyi lists the median yearly compensation package for Uber software engineers in the USA at $330,000.

Asumiendo que los cálculos de Willison sean correctos, podríamos aproximar que Uber ha puesto a disposición de cada ingeniero de software un presupuesto equivalente al 11% de su sueldo (36.000$ sobre 330.000$).

Conceder a tus empleados un presupuesto en función del coste salarial medio es el tipo de ejercicio que encanta a las empresas porque convierte un asunto complejo en algo fácilmente cuantificable. El problema es que, si se pone de moda, el salario medio de tus ingenieros importa. No es lo mismo un 11% sobre 330.000$ que sobre 60.000€ que puede ser el salario medio de un sénior en España, por poner un ejemplo.

Imaginemos a los departamentos de ingeniería de Uber y Cabify, dos empresas que compiten en el mismo mercado. Los ingenieros del primero disponen de 36.000$ anuales de presupuesto para tokens. Los segundos, 6.600€. ¿Quién crees que ganará la competición?

Pongamos que Cabify entiende que el 11% del salario medio es poco y decide aumentarlo. ¿A cuánto tiene que hacerlo para llegar al nivel de Uber? ¿Va a destinar la mitad del salario de sus ingenieros a tokens? Lo dudo.

Y en este punto veo inevitable que se abra una brecha de inteligencia. Una brecha entre quienes tienen capital suficiente para sufragar sus costes y quienes no tendrán otra opción que recurrir a modelos más baratos y a técnicas de consumo de tokens más eficientes.

Podrías pensar que la eficiencia iguala la partida: que quien no puede pagar simplemente aprenderá a exprimir cada token. Y en parte es cierto. Pero la eficiencia es un suelo, no un techo. Porque nada impide que la empresa con más capital sea, además, igual de eficiente y, encima, gaste más. Optimizar te permite sobrevivir; no te permite alcanzar a quien optimiza igual que tú y, además, puede pagar el triple.

No me viene a la cabeza un precedente reciente de un fenómeno similar. He vivido varias revoluciones tecnológicas, como la adopción masiva de Internet, la llegada de los móviles inteligentes y la de la nube, pero en ninguna recuerdo que el dinero fuera tan determinante.

He tenido que recurrir a los modelos precisamente (ChatGPT, Gemini, Claude) para buscar momentos equivalentes, y me han apuntado a los años 60, cuando IBM era el rey instalando sus mainframes por precios que iban de cientos de miles a varios millones de dólares, a los que, por supuesto, sólo las mejores empresas tenían acceso.

En ese momento, quienes no lo tenían debían seguir escribiendo el código en papel, antes de pasarlo a tarjetas perforadas, para que un operador humano ejecutase su programa en el próximo hueco disponible.

Esta divergencia fue fundamental para entender el ascenso de las compañías occidentales, especialmente las estadounidenses, sobre el resto del planeta. El acceso a estos mainframes permitía a las empresas, entre otras cosas:

1. Adquirir mayor escala: automatizando procesos que antes eran manuales

2. Gestionar mejor el negocio: obteniendo información a tiempo real sobre inventarios, ventas o nóminas

3. Elevar las barreras de entrada: el propio coste del mainframe prevenía la aparición de competidores

Podríamos decir que el mainframe fue una bendición para las empresas que podían pagarlo, las cuales lo aprovecharon para expandirse por todo el mundo, adquiriendo y absorbiendo a otros competidores locales más pequeños.

Volvamos a la pregunta del principio: ¿quién gana, Uber o Cabify? A corto plazo, casi seguro que el que más pueda pagar. Pero la historia del mainframe tiene una segunda parte. Mientras IBM equipaba a las grandes corporaciones, dos chavales montaban Apple en un garaje con un ordenador que costaba una fracción de lo que costaba aquel. La eficiencia y el ingenio de quien llega tarde y a bajo precio pueden terminar por reinventar una industria.

No sé si esa misma eficiencia bastará para cerrar la brecha de hoy. Tengo serias dudas. Pero sí tengo claro que, por primera vez en las revoluciones tecnológicas que me han tocado vivir, el tamaño de tu cuenta bancaria determinará cuánta inteligencia puedes permitirte. Y eso, nos guste o no, es una noticia que deberíamos mirar con mucha atención.

Con un equipo de apenas treinta personas, funciona como un laboratorio de early adopters que prueba agentes de IA de forma extrema antes que el resto del mercado y luego escribe sobre los patrones que descubre.

Precisamente, Shipper publicó hace unos días un artículo que debería ser de lectura obligatoria para toda la industria: “After Automation”.

El artículo golpea directamente a todos los que justifican despidos excusándose en la IA. En Every, pese a haber automatizado al máximo su trabajo con agentes, no han despedido a nadie y tienen más trabajo humano que nunca.

¿Cómo es posible? Su experiencia demuestra que cuanto más trabajo automatizan, más conocimiento experto necesitan. En sus palabras:

AI commoditizes the residue of human expertise—whatever can be made explicit enough to train on. That collapses the value of the default model output and creates demand for what’s different. Demand for what’s different is demand for human experts, even as we approach artificial general intelligence (AGI)

Shipper continúa:

Because everyone has access to the same models, and the models are all based on yesterday’s competence, by default, the models end up creating work that ranges from “a decent start” to “it’s just plain slop.”

Y cierra con una definición de slop que es probablemente la mejor que he leído nunca:

Slop is visible sameness, repeated ad nauseam. It is what gets produced by default when humans in many different circumstances use the same tool, trained on the same corpus, without thinking too hard. It is what happens when everyone has access to an expert who has the same default tendencies.

El razonamiento es brillante. Los modelos se entrenan sobre el residuo de la competencia humana de ayer: todo lo que puede hacerse lo bastante explícito como para convertirse en dato. Eso pone esa competencia, antes rara, al alcance de cualquiera y desploma el valor de su output por defecto.

Pero si todos usamos los mismos modelos, entrenados sobre el mismo corpus, todos producimos lo mismo: el slop es uniformidad visible repetida hasta el hartazgo.

Y en cuanto algo se vuelve idéntico en todas partes, lo que escasea y, por tanto, lo que vale, es lo diferente. Esa demanda de diferencia es demanda de expertos humanos, porque solo un humano entiende este cliente, este código y este momento concretos. Cuanto más automatizamos, más trabajo experto generamos.

Pero entonces, ¿por qué se recurre a la IA una y otra vez para justificar despidos? Porque es mucho menos humillante anunciar que recortas personal porque buscas incrementar tu productividad 10x que admitir que llevas años sobrecontratando por error.

Soy muy de la línea de Shipper. Las empresas que de verdad aprovechen la IA no solo no despedirán gente, sino que contratarán más. Porque la IA no necesita menos gente. Necesita más.

La guerra de los siete años y el apoyo a las colonias en la guerra de la independencia de los Estados Unidos habían dejado al país con una deuda externa descomunal que se llevaba aproximadamente la mitad de toda la recaudación de impuestos.

El sistema fiscal era, además, tremendamente injusto, pues tanto la iglesia como la nobleza estaban exentas de pagar la mayoría de impuestos, cuyo peso, cómo no, recaía sobre el pueblo.

A la situación económica se sumaron inviernos muy duros que afectaron las cosechas y provocaron hambrunas en el país.

El rey Luis XVI y su corte vivían ajenos al sufrimiento. Mientras los franceses de a pie pasaban hambre y penurias, María Antonieta, la esposa de Luis y reina de Francia, daba lujosas fiestas, gastando dinero sin freno en ropa y joyas.

Si bien es poco probable que fuera la autora de la frase, pues tenía bastante mala prensa en la época, se cuenta que, ante el comentario de un noble que le advirtió de que los campesinos no tenían pan para comer, respondió “que coman pasteles”.

María Antonieta perdió la posibilidad de comer pasteles el 16 de octubre de 1793, cuando fue guillotinada en la Plaza de la Revolución.

Vivir desconectado de la realidad

María Antonieta perdió la cabeza, literalmente, por vivir desconectada de su tiempo, aislada en la burbuja de la corte.

Y a veces pienso si los billonarios de Silicon Valley recuerdan la historia de María Antonieta. O la del zar Nicolás II y la familia Romanov. Porque si lo hicieran, quizás no se atreverían a decir en voz alta lo que piensan.

Esta semana hemos tenido varios ejemplos.

En primer lugar, Eric Schmidt, ex CEO de Google, quien, con una fortuna declarada de más de 40.000 millones de dólares, acudió a pronunciar un discurso pro-IA en la ceremonia de graduación de la Universidad de Arizona.

Schmidt se limitó a repetir el mismo mensaje que triunfa en la corte de Silicon Valley. Pero esta vez el público era distinto. Eran chavales de 22 años que, en su mayoría, ven cómo la inteligencia artificial está haciendo que las empresas dejen de contratar perfiles júnior, cortando su acceso al mercado laboral.

Cada vez que mencionaba la IA, los abucheos arreciaban.

Y el de Schmidt no ha sido un caso aislado. En X he encontrado al menos otros dos ejemplos (I y II) de discursos de graduación con serios abucheos cuando se menciona la IA.

Un par de días más tarde, el gigante bancario Standard Chartered anunciaba el despido de 7000 empleados. Su CEO, Bill Winters, en un ataque de sinceridad sin filtros, explicó que no se trataba de un recorte de costes, sino de reemplazar “capital humano de bajo valor” por inversión en IA.

Capital. Humano. De. Bajo. Valor.

Por supuesto, Winters tuvo que salir a disculparse, pero la realidad es que, como María Antonieta con los pasteles, tan sólo dijo lo que pensaba en voz alta.

No queda aquí la cosa. El jueves, Joe Rogan entrevistaba a Marc Andreessen, fundador de a16z, una de las mayores firmas de capital riesgo del mundo. ¿Y qué dijo Andreessen mientras hablaba de las bondades de la IA? Lo que todo inversor piensa, pero no suele decir:

“No se emborracha. Nunca se pone enfermo. Nunca está deprimido porque le ha dejado la novia. Nunca presenta quejas a RRHH.”

¿Nunca presenta quejas a RRHH? ¿En qué estás pensando, Marc de mi vida?

Estos tres ejemplos son de esta semana, pero la idea de esta entrada me ronda la cabeza desde hace tiempo, porque hace meses que observo declaraciones día a día que hace unos años hubieran sido impensables.

Es probable que todo esto empezara con Musk comprando X y la victoria de Trump. El péndulo se ha ido al otro extremo y la era de la cancelación ha dado lugar a otra en la que cualquiera se siente con derecho a decir lo que se le ocurra en cualquier momento.

Mientras esto pasa, oh sorpresa, la IA es más impopular que nunca. En una encuesta de la NBC, encontraron a más gente con una opinión favorable del ICE (la agencia de inmigración estadounidense), Donald Trump y del Partido Republicano que de la inteligencia artificial.

Y no puedo dejar de pensar en María Antonieta. Y en los Romanov. Y en el joven que apareció a las tres y media de la madrugada en casa de Sam Altman con un cóctel molotov y una lista con nombres y direcciones de ejecutivos de IA. Y hasta en Luigi Mangione, que en diciembre de 2024 esperó al CEO de UnitedHealthcare en plena calle y le disparó tres veces por la espalda.

Y es que cuando una élite se aísla lo suficiente de la gente sobre la que decide, corre el riesgo de que esta termine recordándole que existe.

A veces con abucheos en una graduación. A veces, de formas peores.

En un universo paralelo, nuestro protagonista llegaría a ACME Inc. para vender a su equipo de ingeniería un producto revolucionario: un modelo de lenguaje especializado en código. En la sala, ingenieros sénior. Los que llevan años creando y manteniendo el sistema.

La conversación podría ser algo parecido a esto:

—Hoy os presento una nueva forma de programar. Describís lo que queréis en lenguaje natural y un modelo estadístico genera el código que, muy probablemente, hará lo que le habéis pedido. Luego, solo lo verificáis.

Alguien en el fondo levanta la mano.

—Verificarlo, ¿cómo?

—Leyéndolo. O ejecutándolo. O escribiendo tests. Lo que sea que hacéis cuando un júnior os entrega código.

—Entonces, ¿todavía tenemos que entender el código?

—Sí.

—¿Qué ahorramos, pues?

—Escribirlo.

La sala se queda muda. El consultor prosigue.

—El modelo no es determinista. Una misma entrada puede dar salidas diferentes. No podéis reproducir una sesión. El código puede invocar APIs o métodos que no existen, pero que parecen existir. Las llamamos alucinaciones. Suena mejor que “errores”. Y no son bugs que podamos arreglar: forma parte del diseño.

—Disculpa, ¿con qué frecuencia alucinan los modelos?

—Poco. Aunque recomendamos verificar cada línea antes de subirla a producción.

—¿Y eso no es más lento que escribirlo directamente?

—Para séniors en su dominio, sí. Es útil cuando no sabes lo que haces. En prototipos de usar y tirar. En tareas mecánicas, como refactorizar.

—Vale. ¿Y los modos de fallo?

—Opacos. El modelo no sabe explicar por qué ha generado lo que ha generado. Usa el mismo tono cuando acierta que cuando se equivoca estrepitosamente. La mejor señal de que se ha equivocado es que tu código no funcione. Con suerte, fuera del horario de guardias.

—¿Y dónde corren estos modelos?

—El servicio depende de nuestra infraestructura. Si los servidores se caen, dejáis de trabajar. A veces ajustamos el rendimiento del modelo para ahorrar costes: lo que funcionaba ayer deja de funcionar hoy. Subimos precios sin previo aviso. Retiramos modelos viejos con regularidad: si habíais construido sobre ellos, toca readaptar.

Un par de ingenieros se miran. Uno empieza a tomar notas.

—¿Y qué pasa con el código que os enviamos? Algunos repositorios contienen secretos, lógica de negocio, datos de clientes.

—Buena pregunta. Vuestros prompts pasan por nuestra infraestructura. Aplicamos las garantías establecidas en nuestros términos de servicio, que actualizamos de vez en cuando. Históricamente, hemos usado conversaciones para mejorar el producto. Si queréis prevenirlo, existe un plan empresarial. Cuesta más.

—¿Y qué nos puedes decir sobre los datos de entrenamiento?

—Son lo mejor de lo mejor. Hemos rastreado internet e incorporado todo el código abierto que pudimos. Muchas veces, sin respetar la licencia, por lo que la legalidad del código que genera es cuestionable. También hemos peinado Stack Overflow e incorporado algunas respuestas con votos negativos. No demasiadas.

—¿Y qué ganamos con todo esto?

—Velocidad.

—Velocidad, ¿medida cómo?

—En líneas de código generadas. ¿Os he dicho que cobramos por cada línea que generamos? Estamos incentivados a producir mucho código, quizás demasiado. Pero más código entregado, más pull requests, más tickets cerrados por sprint.

—¿Y la calidad?

—No podemos garantizar que el código sea correcto, solo que lo parezca. Pero sí garantizamos que un ingeniero con nuestro modelo cierra el doble de tickets. Habrá más bugs, claro. Pero la degradación es lenta. Tardará en aparecer en vuestros dashboards y, mientras tanto, los puntos por sprint suben hoy.

Silencio incómodo. Un ingeniero júnior recién llegado a la empresa se levanta.

—Disculpa. Dijiste que venías a enseñarnos una nueva forma de programar. Pero esto no parece una nueva forma de programar. Parece una herramienta útil para algunas tareas repetitivas, pero con un coste de verificación cada vez mayor. ¿Me equivoco?

—No te equivocas. Pero si lo contase así sería mucho más difícil de vender.

• El negocio de Coinbase, el trading de criptomonedas, es cíclico. Y en el momento actual, Coinbase atraviesa uno de sus puntos bajos.

• Cómo no, la IA y la forma en que está cambiando el trabajo.

La nota dejaba algunas pinceladas sobre el futuro operativo de la compañía, del que me interesa destacar la parte sobre el futuro de los mánagers en Coinbase:

¿Qué significa esto?

Para llegar ahí, no solo estamos reduciendo plantilla y recortando costes, sino que estamos cambiando de forma fundamental cómo operamos: reconstruyendo Coinbase como una inteligencia, con humanos en la periferia alineándola. ¿Qué significa esto en la práctica?

• Menos capas, decisiones más rápidas: Estamos aplanando nuestra estructura organizativa a un máximo de 5 niveles por debajo del CEO/COO. Las capas ralentizan las cosas y generan costes de coordinación. El futuro son equipos pequeños, con mucho contexto, capaces de moverse rápido. Los líderes asumirán mucha más responsabilidad, con hasta más de 15 reportes directos. Menos capas también significa una estructura de costes más ágil, diseñada para rendir en todos los ciclos del mercado.

• Sin gestores “puros”: Todos los líderes en Coinbase deben ser también contribuidores individuales sólidos y activos. Los managers deben ser como entrenadores-jugadores, implicándose directamente junto a sus equipos.

Mánagers con hasta 15 reportes directos y que a la vez tienen que contribuir código. Para que te hagas una idea: lo habitual en el sector es gestionar a unas 8 personas. Armstrong está pidiendo casi el doble, y además con la mano puesta en el teclado.

Si sois fieles seguidores de esta newsletter, el término entrenadores-jugadores (player-coaches) no os sonará extraño. Es el mismo que Jack Dorsey, CEO de Block, utilizó en su propia nota explicativa sobre los despidos del 40% de su plantilla y que transcribimos en De Jerarquías a Inteligencia.

Dorsey los describe así:

Player-coaches que combinan construir con desarrollar personas. Reemplazan al mánager tradicional cuyo trabajo principal era enrutar información. Un player-coach sigue escribiendo código, construyendo modelos o diseñando interfaces. También invierte en el crecimiento de las personas a su alrededor. No pasan sus días en reuniones de estado, sesiones de alineación y negociaciones de prioridad. El modelo del mundo (el sistema de IA que mantiene a todos alineados sin reuniones) se encarga de la alineación. La estructura DRI (Directly Responsible Individual: una sola persona responsable por cada decisión) se encarga de la estrategia y la prioridad. El player-coach se encarga del craft y de las personas.

Hay que escuchar atentamente lo que dicen los líderes del sector, porque como contamos en Por qué los despidos de Block te afectan, toda tendencia que se da en EEUU te acaba llegando:

Silicon Valley sufre de una enorme mentalidad de rebaño. Cerebros de lemmings, solo que más inteligentes y con más empuje. Siguen cada nueva tendencia. ¿Recordáis cuando todas y cada una de las tecnológicas se pasaron por completo al trabajo en remoto (a pesar de que el Covid ya había terminado) y promovieron ampliamente esta forma de trabajar… para luego dar marcha atrás en todo porque no funcionaba y nadie estaba sacando nada adelante?

La gente en tecnología obtiene la mayoría de sus ideas de otros; los que realmente inventan cosas nuevas son muy pocos. Y tras el anuncio de Dorsey, todos y cada uno de los equipos directivos, los consejos de administración y los fondos de capital riesgo del valle estarán debatiendo de inmediato este recorte del 40%.

Por qué los mánagers enfocados en personas lo van a pasar mal

El término de entrenador-jugador es nuevo, pero encaja en una tendencia que viene de lejos, desde las subidas de tipos de interés y las primeras rondas de despidos en el sector tecnológico.

En 2024, en el artículo Malos tiempos para los managers, expliqué por qué los mánagers que solo se enfocaran en personas lo iban a pasar mal.

Para entender las razones de los despidos hay que entender de dónde venimos. El sector tech ha vivido una época de expansión durante 15 años donde el dinero era prácticamente gratis. Los tipos de interés cero, o incluso negativos, facilitaban financiar cualquier startup o proyecto interno, por muy extravagante que fuera la idea.

A una burbuja inusitada de capital, se unía una carencia de trabajadores cualificados en el sector. Literalmente, no había profesionales suficientes para cubrir la demanda. La principal responsabilidad de mandos medios y ejecutivos durante esta época de tipos de interés cero ha sido fichar y retener.

Para retener, muchas empresas han creado estructura por encima de sus posibilidades. Para ascender, se medía el número de reportes que tenías, lo cual te incitaba a contratar a más personal que, a su vez, tenía que hacer lo mismo para promocionar.

Se ascendía tan rápido que literalmente no daba tiempo a evaluar tu contribución al negocio. Podías pasar de júnior a sénior en tres años. A mánager en menos de cinco. Allá donde pasabas, dejabas estructura.

Esto daba lugar a situaciones tragicómicas, donde podía ser habitual tener que organizar una reunión con tres mánagers para poder hablar con dos ingenieros que podían resolver un problema en 10 minutos.

Obviamente, esto era altamente ineficiente, pero mientras hubo dinero gratis, a nadie le importaba demasiado. Todo el mundo asumió que había un desperdicio gigantesco, y simplemente tratabas de navegarlo lo mejor posible para sacar adelante tus iniciativas.

El problema vino cuando la financiación desapareció y las organizaciones tuvieron que mirar hacia sí mismas para ver lo que habían creado. Lo que vieron no era bonito.

Y vinieron los recortes. Primero a empleados rasos. Y ahora a mánagers, porque entre otras cosas, hay menos empleados que gestionar.

Dorsey y Armstrong no están innovando. Están poniendo un nombre a una macrotendencia de la que ellos mismos son culpables, pues ellos son en primer lugar los que sobredimensionaron sus compañías.

Sin embargo, no puedo dejar de asombrarme por las palabras de Armstrong. Pretender que un mánager gestione eficientemente a 15 personas al tiempo que contribuye a la base de código es vivir en la más absoluta irrealidad.

No es la primera vez que alguien intenta argumentar que los mánagers sobran. Google ya lo intentó.

El día que Google intentó demostrar que los mánagers no importaban

Google, a finales de los 2000, lanzó una iniciativa interna, el proyecto Oxygen, para responder una pregunta que dentro de la empresa parecía casi “herética” en aquel momento: ¿Los mánagers realmente aportan valor?

En Google había una cultura muy orientada a ingeniería y autonomía. Muchos pensaban que los mejores equipos funcionaban casi solos y que los mánagers eran una capa burocrática innecesaria. Entonces su departamento de recursos humanos decidió medirlo con datos.

Cruzaron de todo: evaluaciones de desempeño, encuestas internas, feedback 360, entrevistas, métricas de rotación, productividad y satisfacción.

Su conclusión fue clara. Los equipos con buenos mánagers tenían:

• Mayor satisfacción

• Menor rotación

• Mejor rendimiento

• Mejor colaboración

En resumen: descubrieron lo que cualquier ingeniero con dos años de oficio ya sabía. Mi experiencia, y la de cualquiera que haya pisado la industria, lo confirma: un buen mánager importa.

Si a ese buen mánager le diluyes doblándole la carga de personas al tiempo que le añades responsabilidad extra, puedo anticipar que va a fallar en las dos cosas: ni gestionará bien a su equipo, ni contribuirá bien al trabajo.

Gestionar el trabajo

Esta misma semana cacé también en X unas palabras de Brian Chesky, el cofundador y CEO de Airbnb, sobre la figura del mánager.

Chesky hablaba de la figura del mánager como aquel que gestiona el trabajo, y no sólo a las personas que lo realizan:

“No creo que las personas que sólo gestionan personas vayan a tener ningún valor en el futuro.

Todo el mundo va a tener que ser un híbrido entre gestor de personas y contribuidor individual.

En otras palabras, incluso los managers van a tener que programar. No puedes limitarte a ser uno de esos managers que hacen de terapeutas de su equipo y se pasan el día en reuniones y unos a unos.

La gente que tiene un montón de reuniones individuales recurrentes no va a sobrevivir.

Ese tipo de liderazgo no va a funcionar. Necesitas tener contexto.

Oigo hablar de directores de diseño que en realidad no diseñan nada. Jony Ive dirige el diseño porque diseña y lidera personas al mismo tiempo. Un líder de diseño que solo gestiona personas me parece una locura.

La forma en que Frank Lloyd Wright dirigía a su equipo de diseño era a través del trabajo. No gestionas a las personas, gestionas el trabajo.

Creo que mucha gente sobrevivirá a esta era de la IA.

Los dos tipos de personas que no sobrevivirán son los gestores puros de personas y las personas rígidas que no quieren cambiar ni evolucionar.”

El mensaje de Chesky suena alineado con Dorsey y Armstrong. Pero introduce un matiz importante: gestionar el trabajo, no a las personas.

El paralelismo con Ive y Lloyd Wright me parece interesante. Ambos gestionaban personas para entregar algo que ellos mismos habían diseñado. Es el mánager que no quiere ser mánager, pero que necesita serlo si quiere cumplir.

Alguna vez he escrito sobre ello. El mejor mánager es el que no quiere serlo. El que lo rechaza con todas sus fuerzas hasta que no le queda más remedio porque de lo contrario no saldría el trabajo.

Este tipo de mánager, no es un especialista en personas. Es un especialista en el trabajo. Y por eso termina siendo un buen mánager.

El problema de nuestra industria es que hemos ascendido a muchos mánagers por ser buenos con las personas, sin importar si dominaban o no el trabajo que iban a gestionar.

Es curioso. Cuando empecé este artículo, estaba convencido de que Armstrong pedía un imposible. Y me lo sigue pareciendo en cifras. Pero Chesky me ha hecho ver que el principio, el mánager que también hace el trabajo, es otra cosa, y puede que tenga razón.

No sería la primera vez que empiezo un artículo con una tesis y termino convencido de la contraria según avanzo. Puede que hoy sea una de esas.

Al margen de lo que yo piense, lo importante es identificar la tendencia. Dentro de muy poco vas a oírla en podcasts y leerla en los sesudos análisis de LinkedIn: el mánager entrenador-jugador. Y esto te toca tanto si eres mánager como si no. Porque en el futuro vas a tener menos ayuda y atención de la que tienes ahora mismo.

Por cierto, el mercado no parece haber recogido con especial interés el anuncio de Armstrong. Las acciones de Coinbase cayeron un 4% el día del mismo. Y es que los inversores empiezan a detectar la contradicción: si la IA nos hace tan productivos, ¿no deberían las empresas beneficiarse y tratar de ganar mucha más cuota de mercado haciendo más cosas? ¿No es acaso despedir la demostración más evidente de que la absoluta falta de ideas sobre cómo sacarle provecho?

Cada día más gente se hace esta pregunta.

Lo hizo con una maniobra típica del libro de jugadas del capital privado: una compra apalancada. Thoma Bravo puso 5.000 millones, mientras financiaba otros 1.800 (el resto del precio de compra más otros 400 millones para gastos relacionados con la operación) en base a deuda que asumía Medallia.

La jugada dicta que, una vez adquirida, el Private Equity toma el control de la compañía, potencia o reemplaza al equipo directivo, y acto seguido recorta gastos y sube precios hasta exprimir caja suficiente para que la propia empresa pueda pagar el préstamo que la compra le ha endosado.

En el escenario ideal, años después, el PE vendería la empresa y se anotaría una jugosa rentabilidad, tanto mayor cuanta más deuda hubiese financiado la compra. Pensad en ello como en la compra de una casa:

• Si la compras por 300.000€ en efectivo, y la vendes por 400.000€, tus 300.000€ han rendido un 25%.

• Pero si la compras con 100.000€ en efectivo y el resto financiado, cuando la vendes por 400.000€, tus 100.000€ rinden otros 100.000€, o un 100%.

Sí, es exactamente el mismo modelo que los influencers inmobiliarios te cuentan en TikTok. Y no hay nada que adoren más los excel warriors que pueblan los fondos de inversión que un modelo con el que puedan justificar, e incluso industrializar, su asignación de capital.

El modelo, sin embargo, tiene un problema. Solo funciona si la empresa adquirida sigue generando ingresos predecibles. Y esa premisa, que los ingresos recurrentes del software son estables y crecientes, es la que la inteligencia artificial ha empezado a hacer saltar por los aires.

Hace unos días saltaba la noticia. Thoma Bravo ponía Medallia en manos de sus acreedores, dando por perdidos los más de 5.000 millones de capital que el fondo había inyectado en la empresa.

La deuda en este tiempo había pasado de 1.800 millones a 3.000, en parte por la subida de tipos de interés, y en parte porque Medallia, tras la reestructuración, nunca llegó a ser capaz de generar caja suficiente para pagarla. A día de hoy, Medallia generaba un EBITDA de 200M para una deuda de 300M al año.

Medallia puede ser el canario en la mina para todo un sector, el del Private Equity, que cerró operaciones a múltiplos altos en 2021 con los tipos de interés a mínimos, y que ahora ve como muchas de sus compras se enfrentan a tener que refinanciar su deuda a tipos mucho más altos.

El problema para la industria del software es que la venta a un fondo de capital privado se había convertido en un exit típico para muchas startups. Si esa puerta se cierra porque los fondos necesitan salvar sus inversiones actuales antes de pensar en nuevas, la compresión de múltiplos que ya vemos en el sector va a continuar.

Y para desgracia de los fondos de capital privado, las empresas que más difícil tienen abordar la amenaza de la inteligencia artificial son precisamente aquellas en las que el Private Equity tomó el control y exprimió. Porque a los recortes se unieron las salidas de aquellos que tenían las mejores oportunidades fuera, y ya ningún profesional serio quiere trabajar allí.

Irónicamente, el Private Equity, al haber desarmado a sus propias participadas, puede haber acelerado su propio colapso.

Medallia no es solo una mala inversión de Thoma Bravo. Es la primera grieta en un modelo que ha apalancado miles de millones sobre la idea de que los ingresos del SaaS eran para siempre.

Lamentablemente para inversores en PE en todo el planeta, recortar hasta el hueso a una empresa justo antes de que tenga que reinventarse no ha resultado ser tan buena idea.

La voz en primera persona que sigue es la suya, no la mía.

Todo lo que crees saber sobre los medios está a punto de cambiar

La semana pasada nos pasamos casi todo el programa hablando de Irán. Solo se puede sacar una conclusión: entre el momento en que escribo esto y el momento en que lo lees, la situación habrá cambiado varias veces. Seguiremos atentos a cómo evoluciona la guerra.

Para el post de esta semana quiero girar la cámara hacia otra cosa, otro campo de batalla en el que sí tengo algo de experiencia: la industria de los medios. Concretamente, cómo ha cambiado y hacia dónde va. Aviso: esto no es otro ensayo sobre las streaming wars o la muerte del cable. Esos debates ya son viejos. Esto va de algo más nuevo y más estructural, un terremoto que está transformando cómo consumimos información a escala global. No es streaming. No es IA. Son los clips.

Sí, los clips. Esos vídeos de un minuto que ves cada día en tu feed. Hay quien los llama simplemente “contenido short-form“, pero los clips son ligeramente distintos. Son específicamente recortes de contenido largo (podcasts, livestreams, programas de televisión), un subproducto de otra cosa. Dicho de otra manera: todo clip es contenido short-form, pero no todo el short-form es un clip.

¿Por qué insistir en el matiz? Porque importa. Como veremos, este formato concreto se ha comido no solo las redes sociales, sino el ecosistema mediático entero. Y por eso a los que nos importa el futuro de los medios nos toca entenderlo.

Vamos al lío. Nuestro viaje al mundo de los clips empieza con un personaje inesperado: OpenAI.

Technology Brothers

La semana pasada leímos un titular bastante llamativo: OpenAI compra un popular tech talk show por “varios cientos de millones bajos”. El programa en cuestión es TBPN, un podcast diario en directo que se ha vuelto bastante popular en Silicon Valley. Un amigo me contó después que la operación fue de 200 millones de dólares. No está confirmado, pero para esta entrada vamos a asumir que es correcto.

Déjame ponerte en contexto cuánto dinero son 200 millones. El mayor acuerdo de podcast de la historia fueron 250 millones entre Spotify y el podcast más popular del mundo, The Joe Rogan Experience, que dicen mueve más de diez millones de oyentes por episodio. Otro de los podcasts más grandes es Call Her Daddy, que firmó con SiriusXM por 125 millones. El deal de TBPN es más grande que ese. También hace que TBPN valga tres veces más que Dish TV y casi diez veces más que BuzzFeed. En resumen: la operación es enorme.

Por eso te va a sorprender el siguiente dato: el episodio medio de TBPN tiene unas 7.000 visualizaciones. Para que te sitúes, mi programa (Prof G Markets) llega a unas 250.000 personas por episodio. Entonces, ¿por qué demonios paga OpenAI 200 millones? Una palabra: clips. A pesar de su audiencia en directo relativamente pequeña, TBPN llega a cientos de miles de personas cada día con sus clips. El clip medio de TBPN tiene unas 257.000 visualizaciones, treinta y siete veces más que la audiencia del propio programa.

Esta es la parte donde el legacy media dice “qué mono, pero los clips no dan dinero”. Y aquí es donde se equivocan. A diferencia de la mayoría de organizaciones mediáticas, TBPN mete los anuncios directamente dentro de los clips. Al final de cada snippet de un minuto: “Este clip ha sido patrocinado por...”. Los anuncios en los clips son lo que permitió a TBPN generar 5 millones de dólares de facturación el año pasado, e ir camino a los 30 millones en 2026. El podcast, más que un podcast, es un vehículo para generar clips. Lo mismo se podría decir de muchos podcasts, por cierto, pero la genialidad de TBPN es que son la primera organización cuyo modelo de negocio refleja exactamente eso.

Creadores → Clippers

TBPN es solo la punta del iceberg. En los últimos dos años, los clips han alumbrado una generación entera de estrellas mediáticas. Está Nick Fuentes, por ejemplo, el nuevo rey de la extrema derecha. O Hasan Piker, el polémico livestreamer progresista. O Clavicular, la estrella viral del looksmaxxing. Puede que no hayas oído hablar de ninguno, pero para la Gen Z son prácticamente nombres de referencia. Todos tienen una cosa en común: sus clips se hacen virales hasta extremos absurdos.

A pesar de tener una audiencia modesta de menos de 20.000 personas en el livestream, Nick Fuentes llega a más de medio millón de personas de media a través de sus clips. Uno de sus últimos clips llegó a once millones de personas. Eso es más que la población de Nueva York. Lo de Clavicular es similar: su stream tiene una media de 16.000 espectadores, pero sus clips promedian un cuarto de millón. Mientras tanto, sus últimos diez TikToks sumaron unos setenta millones de visualizaciones, más que la población de Francia. De TBPN a Clavicular pasando por Hasan Piker, el patrón es más o menos el mismo: los shows son pequeños, los clips son enormes.

Lo más loco de todo es que estas cifras son, en realidad, una estimación a la baja. Solo recogen las visualizaciones de los clips publicados directamente por los propios creadores, pero no contabilizan los millones de veces que esos clips son re-clipeados por otras cuentas en redes (fan accounts), que muchas veces tienen audiencias todavía más grandes. (Volveremos a esto en un momento.)

Te das cuenta enseguida de que la mayoría de los programas del momento que ves hoy en realidad no van del programa, van de los clips. Lo he experimentado yo mismo con el mío. Cada vez que un fan me reconoce por la calle le pregunto si escucha el podcast, y de vez en cuando me llevo una respuesta inesperada: “No, pero veo tus clips”. La primera vez que la oí me quedé descolocado. Yo pensaba que nuestros clips eran el material promocional del contenido. Pronto entendí que no era así. Para gran parte de nuestra audiencia, los clips son el contenido.

Este es el punto clave que hay que entender: los clips ya no son un subproducto del producto principal, son el producto principal. En cuanto lo pillas, empiezas a ver cómo todo el ecosistema mediático se está dando la vuelta. Estamos entrando en una nueva economía de los medios, lo que yo llamo “la economía del clip”.

La economía del clip

La economía del clip se ha hecho enorme, pero como cualquier economía, se puede gamificar. El tipo que fue pionero en hacerlo resulta ser una de las primeras clip-stars: Andrew Tate. Tate se dio cuenta de que la mejor manera de ganar en la economía del clip no es publicar tú los clips, sino conseguir que otros los publiquen por ti. Así que en 2021 montó un curso online (esquema piramidal) llamado Hustlers University. El objetivo declarado era ayudar a chavales jóvenes a “escapar de la matrix“, pero el objetivo real era conseguir que los chavales jóvenes publicaran sus clips.

El modelo era simple: Tate les decía a sus suscriptores que clipearan sus livestreams y los publicaran en redes con un enlace de afiliado a su “comunidad”, y por cada nuevo suscriptor que entraba, el clipper se llevaba una comisión. ¿El resultado? Los clips de Andrew Tate fueron vistos más de 11.000 millones de veces en TikTok antes de que lo banearan. Y a pesar del baneo, los clips de Tate siguen volviéndose virales en la plataforma con regularidad. Esa es la otra gran ventaja de tener un ejército de clippers: aunque te cancelen, tus clips sobreviven.

El modelo pay-to-clip se ha vuelto mainstream. Las “agencias de clipping“ están floreciendo por toda internet. De hecho, un streamer popular conocido como “N3on” reveló hace poco cuánto paga colectivamente a sus clippers cada mes. Respuesta: un millón de dólares. Sus clippers cobran por visualización, y los mejores ganan millones de dólares al año.

Pero N3on es un streamer y ni siquiera está en el top diez. MrBeast acaba de lanzar su propia plataforma de clipping: paga a clippers para que publiquen clips de su nuevo parque temático, Beast Land. Kick, una de las plataformas de streaming más grandes, también ha arrancado un programa de clipping. Y la cosa hasta llega a Washington: en las últimas presidenciales, tanto Trump como Harris contrataron empleados para clipear su contenido. Los clips ya son el corazón de cualquier proyecto de medios nuevo, y esto acaba de empezar.

El camino de vuelta

No es ningún secreto que al legacy media no le va bien. En los últimos cinco años, empresas como Disney, Warner Bros. Discovery o Comcast han perdido más de un tercio de su valor. Ninguna adquisición de plataforma de streaming, ningún rebrand, ningún spinoff ha conseguido frenar la sangría.

Su problema es sencillo: la gente ya no ve contenido tradicional, ve clips. Desde antes de la pandemia, el tiempo dedicado a ver vídeo en redes sociales se ha más que duplicado, y en ese mismo periodo el revenue de Meta casi se ha triplicado y el de TikTok se ha multiplicado por diez.

A mí esto me tocó de cerca la noche de los Oscars. Le pregunté a mi novia (que es fan de Chalamet) si quería verla, y para mi sorpresa me dijo que no. “¿Por qué?”, le pregunté. Su respuesta fue clarificadora: “Es demasiado largo y aburrido. Me espero a mañana y veo los clips”.

Solo hay un camino de regreso para el legacy media: tienen que ganar la economía del clip. La mala noticia es que les va a parecer indigno. La buena noticia es que les va a resultar fácil. El legacy media es mejor que nadie produciendo contenido original, y el contenido original es a los clips lo que el petróleo crudo a la gasolina. Dicho de otra forma: Disney y Warner Bros. están sentados encima de un yacimiento de clips del tamaño del mayor pozo petrolífero de EE.UU.

El siguiente paso será la monetización, que también será fácil. “Este clip de las campanadas de Nochevieja ha sido patrocinado por Heineken”. “Este clip de Fareed Zakaria GPS ha sido patrocinado por T-Mobile”. “Este clip de Shark Tank ha sido patrocinado por Capital One”. Sí, es un poco distópico. Pero, tal y como yo lo veo, el legacy media tiene dos opciones: o vende clips, o muere.

Llámame

Si algún ejecutivo de medios está leyendo esto y le apetece comentar, que me escriba sin problema. Pienso en este tema cada día por mi propio negocio, y además me parece fascinante.

Y a los que esto os parece sobre todo deprimente, os escucho. Hay efectivamente un buen montón de evidencia que sugiere que el contenido short-form no nos sienta bien. Reduce nuestra capacidad de atención, nos vuelve más ansiosos y depresivos, y es muy adictivo. La clip economy también va a agravar nuestro problema de polarización, sobre el que ya he escrito.

Pero el objetivo de este post no es decir si la economía del clip es buena o mala. Es simplemente contarte la verdad sobre hacia dónde vamos.

Nos vemos la semana que viene, Ed

Si queréis ahondar en el tema, Ed ha participado recientemente en Galaxy Brain, un podcast de The Atlantic, en el que trata en profundidad el concepto de la economía del clip. Os dejo en enlace al artículo y al episodio en Youtube. ¡Disfrutadlo!

Personalmente, reconozco que varias. Para priorizar. Para contrastar hipótesis. Para desatascar discusiones internas que llevan demasiado rato dando vueltas. Es la herramienta definitiva: siempre disponible, siempre educada, siempre con una respuesta bien articulada.

Pero también, siempre mediocre.

En un artículo de Harvard Business Review, tres investigadores han acuñado el término trendslop, poniendo datos a algo que muchos intuíamos: los LLMs, cuando les pides consejo estratégico, no razonan sobre tu caso. Escupen, con prosa impecable, la media ponderada del discurso de gestión contemporáneo: diferenciación, largo plazo, colaboración, aumentar humanos en lugar de automatizar...

Siempre las mismas opciones. Da igual si eres un SaaS o un hospital público. Da igual si prompteas bien o mal. Da igual el modelo. Y lo peor: no se corrige con mejor prompting. Ni con más contexto. Ni cambiando de herramienta.

Para cualquiera que tome decisiones estratégicas apoyándose en un LLM, conviene entender exactamente qué está pasando.

¿Qué es el Trendslop?

Los autores del estudio plantearon miles de situaciones a distintos LLMs, en los que debían decidir un camino estratégico basado en dilemas clásicos de estrategia:

• Explorar mercados nuevos vs. explotar el core

• Centralizar vs. descentralizar

• Corto plazo vs. largo plazo

• Competir vs. colaborar

• Innovación radical vs. incremental

• Diferenciación vs. commoditización

• Automatizar vs. aumentar al humano

El resultado fue lo que llamaron “strategy trendslop”: los modelos eligen casi siempre la opción que mejor sonaría en LinkedIn.

Diferenciación por encima de commoditización. Aumentar humanos por encima de automatizar. Largo plazo por encima de corto plazo.

El problema es que no lo hacen porque sea la respuesta correcta. Lo hacen porque son las más repetidas en los artículos de gestión sobre los que están entrenados.

El modelo no razona. Predice. Y predice basándose en lo que más ha leído, no en lo que es correcto para tu caso.

El consultor júnior

El artículo de HBR plantea una analogía interesante: un LLM, cuando habla de estrategia, es como el consultor júnior recién salido de un MBA. Ha leído todo. Cita a Porter de memoria. Pero nunca ha tenido que decirle que no a un cliente grande ni ha visto cómo una decisión aparentemente obvia explota en producción seis meses después.

El modelo no razona sobre tu caso. Está prediciendo qué respuesta suena más correcta dado todo lo que ha leído. Y lo que más ha leído son posts sobre diferenciación y propuestas de valor únicas.

¿Le habrías dicho a Juan Roig, dueño de Mercadona, que apostara por diferenciación premium? ¿A Ryanair que mejorara la experiencia de cliente? ¿A Primark que construyera una marca aspiracional? ChatGPT lo haría.

Y se quedaría tan ancho.

Como el júnior recién salido del MBA.

Cómo usar un LLM estratégicamente

Los LLMs son útiles. Solo que no para lo que mucha gente los está usando. Pedirle a ChatGPT que te diga qué estrategia seguir es como pedirle a Google Maps que decida a dónde ir.

En el artículo citan algunos consejos que me parecen útiles a la hora de utilizarlos para diseñar nuestra estrategia:

1. Úsalos para expandir opciones, no para tomar decisiones. Los LLMs destacan generando alternativas y anticipando riesgos de implementación. Pero en el momento en que les pides recomendar A o B, se convierten en el consultor júnior. Pídeles: “dame los cinco argumentos más fuertes para hacer X” y luego, en una conversación nueva, “dame los cinco argumentos más fuertes para hacer Y”. Y decide tú.

2. Contrasta los sesgos conocidos. Si el modelo recomienda diferenciación, pregúntale: “construye el mejor caso posible para commoditización en este contexto, asumiendo que es la respuesta correcta”. Esto le obliga a explorar el otro lado en lugar de caer en su sesgo de entrenamiento.

3. Pídele ejemplos antes de pedirle consejo. Antes de pedirle que recomiende una opción estratégica, pídele que liste empresas que han tenido éxito y fracasado con cada una de las alternativas. Luego piensa tú cómo aplica eso a tu situación concreta. Es mucho más difícil sesgarte cuando primero ves los casos reales.

4. No confíes solo en el contexto. Añadir contexto ayuda pero no elimina el sesgo. El modelo puede sonar muy personalizado a tu situación y seguir empujándote hacia la misma decisión sesgada. Trata sus respuestas como un input más, no como un análisis adaptado a tu caso.

Hacia la mediocridad colectiva

Hay algo más profundo en este estudio que va más allá de nuestro trabajo como Product Managers. Los LLMs están empezando a funcionar como el sentido común corporativo. No porque alguien haya decidido que deberían serlo, sino porque son la herramienta de apoyo de hecho para millones de pequeñas decisiones que luego, en agregado, son grandes.

Si todos los equipos de producto del mundo consultan al mismo modelo con los mismos sesgos, y esos sesgos empujan hacia diferenciación y largo plazo y colaboración, en pocos años vamos a tener un mercado entero convergiendo hacia las mismas estrategias. No porque sean las correctas. Porque son las que salen en el output de Claude.

La ventaja competitiva, decía Porter, viene de elegir una posición distinta, no de seguir las mismas recetas que todos los demás. Si la herramienta que usamos para pensar nos empuja a todos hacia el mismo conjunto de “buenas prácticas”, la ventaja desaparece.

La habilidad más valiosa para cualquier líder en 2026 no será crear mejores propmts. Será saber cuando ignorar al modelo.

El artículo original, Where are you at the context supply chain?, de la recientemente inaugurada newsletter de @BuccoCapital, explica de forma muy clara qué roles salen reforzados y cuáles están en riesgo con la llegada de la IA.

Sin más, os dejo con él. ¡Disfrutadlo!

Al principio de mi carrera trabajé en una empresa donde el CEO organizaba un AMA (sesión de preguntas abiertas) mensual para todos los empleados.

Hubo uno que no olvidaré jamás. Alguien le lanzó una pregunta sin maldad, algo así como “¿Qué consejo profesional nos darías?”

El CEO la cagó.

Básicamente dijo que, si querías tener éxito, debías estar o construyendo el producto o vendiéndolo.

Uf. Había cientos de personas escuchando que no estaban ni en Producto ni en Ventas. Gente de Finanzas, RRHH, Operaciones y Servicios que pensaban que eran parte de la misión, que creían ser iguales a ojos de su líder, y que en un instante se dieron cuenta de que el CEO no valoraba su trabajo. Los veía como un coste a gestionar.

He pensado mucho en ese momento a lo largo de los años. Aunque no fue un gran ejercicio de liderazgo, creo que fue un buen consejo.

Ni siquiera es controvertido. Es de primero de empresariales. Lo que pasa es que los CEOs no suelen decirlo en voz alta delante de todos sus empleados.

Peter Drucker, ampliamente considerado “el hombre que inventó el management”, lo resumió de manera sucinta en los años 50:

“Dado que el propósito de una empresa es crear un cliente, la empresa tiene dos, y solo dos, funciones básicas: marketing e innovación. El marketing y la innovación producen resultados; todo lo demás son costes.”

No es que las personas en otros roles carezcan de un talento increíble, ni que no sean críticas para que el negocio funcione. Es solo que son… costes.

La gran mayoría de estos roles son lo que yo llamaría un “impuesto de coordinación” que la empresa necesita pagar para llevar su producto al mercado.

Ahora, gracias a la IA, muchas empresas se están haciendo la pregunta obvia:

¿Por qué seguimos pagando el impuesto de coordinación?

La cadena de contexto

Toda organización funciona sobre lo que me gusta llamar una “cadena de contexto”.

Al principio de la cadena están las personas que crean el contexto original: el producto en sí, el modelo de servicio, el contenido, la estrategia, etc.

Al otro extremo están las personas que ponen el producto en manos de los clientes.

Y entre estos dos grupos hay un número enorme de personas que transmiten el contexto del producto, servicio o decisión de un punto al siguiente, reempaquetándolo para la siguiente persona de la cadena.

Cada rol en la cadena de contexto puede agruparse en una de tres categorías:

1. Innovadores. Las personas que generan el contexto original. Ingenieros escribiendo código, investigadores ejecutando experimentos, líderes haciendo las apuestas estratégicas. Producen la “cosa” que fluye cadena abajo y llega finalmente al cliente.

2. Transmisores de contexto. Los transmisores toman contexto de una parte del negocio y lo llevan a otra. Su trabajo es contextualizar el producto para una audiencia diferente en cada etapa. Resumen, reformatean, habilitan, documentan, coordinan, hacen QA y forman a distintas personas del negocio sobre el nuevo producto. Todas estas personas representan el impuesto de coordinación.

3. Vendedores. Las personas que trabajan para poner el producto en manos de los clientes reales. La gente de ventas, marketing y partnerships.

Nota: Hay un cuarto grupo de personas de compliance, legal y finanzas que evitan que el negocio explote. Gente de finanzas, ya sé que hacéis más cosas y sois estratégicos, no me gritéis.

El impuesto de coordinación es brutal

Si nunca has trabajado en una organización grande, es difícil hacerse a la idea de cuánto del trabajo que se hace es simplemente transmitir el contexto de un equipo a otro.

Usemos el lanzamiento de un nuevo producto de software como ejemplo.

El equipo de producto lo construye. Eso es innovación. Ahora, veamos el impuesto de coordinación que la empresa paga para entregarlo a sus clientes:

• Alguien necesita documentar cómo funciona, dónde falla y cuáles son los problemas conocidos.

• El equipo de soporte necesita aprender a resolver incidencias, lo que significa que la documentación se reempaqueta en playbooks de soporte.

• El equipo de implementaciones necesita aprender a configurarlo, a través de guías y materiales de formación.

• Los gestores de cuentas necesitan aprender a impulsar la adopción y hacer upsell, así que eso significa crear guiones y frameworks de valor.

• Ventas necesita aprender a venderlo. Necesitan pitch decks, fichas comparativas y guiones de demostraciones.

• Marketing necesita posicionarlo en el mercado y lanzar campañas, lo que significa documentos de messaging, landing pages, planes de lanzamiento.

• La red de partners también necesita aprenderlo, así que todo se reempaqueta una vez más para una audiencia externa con incentivos completamente distintos.

Son siete rondas de recontextualizar la misma información fundamental para audiencias diferentes. En una empresa mediana, cientos de personas trabajan en la cadena de contexto. En una grande pueden ser miles.

Esta cascada no solo es lenta y cara; además, ni siquiera funciona bien. El equipo pasa meses construyendo un producto, en base a múltiples rondas de investigación, con un entendimiento profundo del problema del cliente y la oportunidad de mercado detrás de cada decisión.

Todo ese contexto vive en las cabezas de las personas que lo construyeron, y ahora tiene que pasar por siete u ocho handoffs. Pero si alguna vez has trabajado en una empresa de software, sabes que la gente de producto odia. absolutamente. la. documentación. Puedes gritarles. El CEO puede gritarles. No. van. a. escribir. la. documentación.

Así que muchas empresas tienen equipos enteros dedicados a reunir este contexto en un gran dossier, que tiene muchos nombres en muchas empresas pero que básicamente es “aquí está toda la documentación que pudimos encontrar sobre este lanzamiento”. Pero incluso el “gran dossier” está incompleto y es un desastre, porque lo hizo un humano. No somos perfectos sintetizando información con ventanas de contexto muy grandes (alerta de spoiler: ¿sabes qué es absolutamente increíble sintetizando información usando una ventana de contexto muy grande?).

La Product Marketing Manager que escribe el documento de posicionamiento entendió la mayor parte de lo que el equipo de producto pretendía, pero no todo. El responsable de formación que crea las guías internas añadió su propio giro sobre lo que es crítico entender. El responsable de ventas que forma a su equipo hizo lo propio con el suyo. Para cuando el comercial está al teléfono con el cliente, está a cuatro o cinco handoffs de la intención original, trabajando desde una versión de la historia que ha mutado hasta convertirse en un pitch muy diferente de lo que la innovación original pretendía.

Esto es un problema estructural. Está incrustado en el sistema operativo del negocio. Hasta que llegó la IA…

Por qué la IA lo cambia todo

Si has usado la IA aunque sea un poco, sabes que es excepcional sintetizando información de fuentes y formatos dispares, y contextualizándola para el usuario final apropiado.

Con la IA, la información no se degrada con cada transferencia a través de la cadena de contexto humana. En su lugar, el playbook de soporte, la ficha comparativa de ventas, la guía de formación para partners y los pasos de implementación se generan todos directamente desde el mismo contexto subyacente.

Ahora puedes construir una fuente de verdad definitiva y distribuirla automáticamente por toda la organización, reempaquetada usando las plantillas que cada equipo ya ha refinado a lo largo de cientos de lanzamientos. El lanzamiento de producto que antes requería meses de coordinación entre decenas de equipos puede comprimirse en algo cercano a lo instantáneo.

Se acabó el impuesto de coordinación.

La IA no es perfecta hoy. Alucina. Se desvía y divaga. Todavía necesitas humanos en el loop para revisar el trabajo, refinar los prompts y los flujos de trabajo basándose en el feedback, y mantener las plantillas.

Simplemente necesitas muchos, muchos menos.

Y esta es la peor IA que existirá jamás.

Por qué la innovación y el marketing están a salvo de la IA

La IA también está transformando la innovación y el marketing, pero la diferencia es que los transmisores de contexto están siendo automatizados, mientras que los innovadores y los vendedores están siendo aumentados.

Un ingeniero con IA puede entregar más en una semana de lo que solía entregar en un mes. Un vendedor estrella puede preparar el doble de reuniones y personalizar outreach a escala. Llega a cada llamada mejor preparado en minutos de lo que antes conseguía después de horas de investigación.

Cuando una empresa acelera su ritmo de innovación o su velocidad de ventas, nunca se pregunta: “¿podemos contratar menos ingenieros o comerciales?” Se pregunta: “¿cómo lanzamos más producto y ponemos a nuestra mejor gente delante de más clientes?”

Pero cuando la IA hace que la documentación, la formación, la implementación o el soporte sean más eficientes, las empresas inmediatamente piensan: “Probablemente puedo hacer esta función con 1/4 de la plantilla.”

Y el marketing, en el sentido más amplio de Drucker, es, en esencia, humanos construyendo relaciones con clientes. Fuera del B2C puramente touchless y de alto volumen, básicamente todo en los negocios se reduce a relaciones. La IA puede ayudar a los comerciales a cubrir más terreno y llegar a cada llamada mejor preparados. La IA no puede sentarse al otro lado de la mesa (o de Zoom) con un cliente potencial y construir una conexión genuina que haga que los euros cambien de cuenta bancaria.

Implicaciones para personas y empresas

Las empresas establecidas tienen un problema

En 2025, un fundador en solitario, Maor Shlomo, construyó Base44 como proyecto paralelo: una plataforma de desarrollo de apps con IA (es decir, vibe-coding). La hizo crecer hasta 250.000 usuarios y casi 200.000 dólares al mes de beneficio en seis meses. Bootstrapped, con menos de 10 empleados. Wix la adquirió por 80 millones de dólares en efectivo.

Una persona construyó el producto y lo distribuyó.

Cero transmisores de contexto.

Ahora piensa en lo que le costaría a una empresa de software establecida lanzar un producto competidor. Tardaría seis meses en llevar el producto desde la idea hasta el cliente a través de la cadena de contexto: documentación, formación interna, soporte, preparación de ventas, posicionamiento de marketing, onboarding de partners.

Y Base44 no es un caso aislado. Hay toda una generación de startups nativas de IA que están creciendo a ritmos que no habíamos visto jamás.

Considera estos dos gráficos del reciente Market Update de Redpoint Ventures.

Primero, estas empresas nativas de IA están creciendo más rápido que cualquier empresa en la historia:

Segundo, están creciendo de manera mucho más eficiente:

Sí, parte de esto se debe a que la demanda de IA se sale de las gráficas. Literalmente. Pero la demanda por sí sola no explica la eficiencia. Stripe y Figma también tuvieron una demanda masiva.

En gran parte, crecen tan rápido y de manera tan eficiente porque se están saltando la cadena de contexto por completo. Están construyendo organizaciones más planas y más ligeras, con más automatización para entregar el contexto del producto lo más directamente posible al cliente.

Las empresas establecidas tienen un problema mucho más difícil. Toda su estructura organizacional está construida alrededor de la transmisión de contexto: los roles, las líneas de reporting, la cadencia de reuniones, los procesos de revisión, las plantillas, los requisitos de RRHH sobre tramos de gestión y capas jerárquicas, hasta lo que incentivan y cómo promocionan.

No puedes simplemente inyectar IA en ese organigrama y esperar que se reorganice solo.

Y las personas en esos roles no van a ayudar al negocio a transformarse. Van a resistirse. Sus carreras, sus identidades y sus hipotecas están construidas sobre ser muy buenos transmitiendo contexto, y van a luchar a muerte por proteger el *statu quo*.

Necesitas hacer una autoevaluación

Mira tus últimas dos semanas de trabajo y clasifica tu tiempo en tres bloques:

1. ¿Cuánto fue innovación? ¿Cuánto tiempo dedicaste a crear contexto original que no existía antes? Tomar decisiones, construir el producto, generar la materia prima de la que depende todo lo que viene después

2. ¿Cuánto fue transmisión? ¿Cuánto tiempo dedicaste a tomar contexto de un sitio y reempaquetarlo?

3. ¿Cuánto fue ventas? ¿Cuánto tiempo dedicaste personalmente a poner el producto en manos de un usuario final?

Creo que muchos lectores, al reflexionar, reconocerán que mucho más de su rol cae en la categoría 2 (transmitir contexto) de lo que les gustaría admitir.

Y la tentación es decir que tú estás añadiendo juicio y valor al proceso. Aunque pueda ser cierto, el riesgo es que suenes como Tom Smykowski en Office Space diciéndole a los Bobs que él tiene don de gentes.

La brecha entre “yo añado valor a este proceso” y “yo soy la fuente irreemplazable de esto” es donde muchas carreras van a quedar atrapadas en los próximos años.

Las buenas noticias

Mientras la IA automatiza a los transmisores de contexto, también está derribando las barreras entre roles tradicionales. Roles que antes tenían responsabilidades claramente delimitadas se están combinando.

Piensa en el trío de producto tradicional: ingeniero, diseñador y PM. Esos tres roles se están fusionando en algo más parecido a un “product builder” que puede llevar una idea desde el concepto hasta el lanzamiento con muchas menos dependencias.

Marc Andreessen tuvo un fragmento particularmente divertido en el podcast de Lenny sobre cómo la IA está impactando estos tres roles:

Hay un Mexican Standoff entre esos tres [product managers, ingenieros y diseñadores]. Cada programador ahora cree que puede ser también product manager y diseñador. Porque tienen IA.

Y cada product manager cree que puede ser programador y diseñador.

Y cada diseñador sabe que puede ser product manager y programador.

Así que la gente en cada uno de esos roles cree que, con IA, ya no necesitan los otros dos.

Lo que me parece fascinante de esta situación es que en realidad todos tienen algo de razón. La IA es ahora realmente un buen programador. Es realmente un buen diseñador y también es realmente un buen product manager.

La IA también está provocando el mismo colapso de roles en el lado de go-to-market. Un embudo de ventas tradicional podría tener cinco handoffs entre marketing, representantes de desarrollo de ventas, ejecutivos de cuentas, responsables de customer success y account managers. Un vendedor con IA ahora puede prospectar a escala, hacer su propia investigación, gestionar el follow-up y analizar cuentas sin pasar nada a nadie.

Precisamente hace años, mucho antes de la IA, Snowflake eliminó el puesto de responsable de customer success:

“No creemos que las empresas deban tener una función separada de customer success. Lo primero que hicimos cuando Frank se incorporó a Snowflake fue volar por los aires la función de. Customer success no rinde cuentas de nada.”

Mike Scarpelli, CFO de Snowflake

Si Snowflake pudo hacerlo antes de la IA, la IA hace que hoy sea muchísimo más fácil que un comercial sea dueño de la relación durante todo el ciclo de vida del cliente.

El colapso en producto posibilita que una persona sea dueña del arco completo desde la idea hasta el lanzamiento. El colapso del GTM posibilita que el “propietario del cliente” gestione la relación completa desde el primer contacto hasta la renovación.

A medida que la cadena de contexto colapsa, tienes tres opciones:

1. Conviértete en el orquestador de contexto (Defensa): Necesitaremos muchos menos transmisores de contexto, pero no cero. Esto va a ser una pelea a cuchillo por las plazas restantes. Si quieres una de ellas, necesitas ser lo más AI-pilled posible, lo más rápido posible. Conocer cada herramienta, ejecutar cada flujo de trabajo, ser dueño de las plantillas y los prompts. Esto es viable, pero es una postura defensiva.

2. Muévete con convicción hacia la innovación o las ventas (Ataque): Nunca ha sido más fácil construir o vender. La IA ha derribado las barreras entre roles y no necesitas un ejército para lanzar un producto. No necesitas cuatro personas gestionando cada una un trozo de la relación con el cliente. El camino de transmisor de contexto a innovador o vendedor es más accesible que nunca, y las personas que se muevan ahora tendrán una ventaja enorme sobre las que esperen. Este es el movimiento ofensivo, y creo que es el correcto para la mayoría.

3. Inventa un rol que aún no existe (Comodín): Cada gran cambio tecnológico crea roles que nadie había imaginado. En 2004 nadie quería ser social media manager, porque el rol no existía. Ahora mismo, la convergencia entre el colapso de las estructuras organizacionales y la IA agéntica va a crear empleos que todavía no tienen nombre. Si eres una persona con mucha autonomía a la que le encanta construir, esta es tu mejor apuesta. También necesitas moverte a una cultura empresarial que empodere y celebre este tipo de roles híbridos y experimentales. No es casualidad que muchas startups fundadas después de 2022 operen así.

Te dejo con esto:

El objetivo es convertirte en un orquestador de tokens antes de que te conviertas en un token orquestado por otro.

Buena suerte.

Un mes después, ha publicado From Hierarchy to Intelligence, que enmarca esos recortes no como una reducción de costes, sino como el primer capítulo de una nueva teoría organizacional.

El artículo es interesante porque comienza haciendo un repaso a la historia de los sistemas organizativos, para después plantear uno nuevo alrededor de la IA que, en su cabeza, justifica el cese de 4000 personas.

El problema es que, como argumentamos en Por qué los despidos en Block te afectan, sus despidos tuvieron más que ver con haber sobrecontratado que con la IA en sí.

Así que leamos esto como lo que es, un intento de justificar una mala gestión y que, lamentablemente, muchos líderes utilizarán como excusa porque en nuestra industria hay una fuerte mentalidad de rebaño.

En Sequoia, vemos que la velocidad es el mejor predictor del éxito de una startup. La mayoría de las empresas se centran en la IA como potenciador de productividad. Pocas se centran en el potencial de la IA para cambiar cómo trabajamos juntos. Block está demostrando lo que significa repensar de raíz el diseño organizacional, aprovechando en última instancia la IA para aumentar la velocidad como ventaja competitiva compuesta.

Dos mil años antes del primer organigrama corporativo, el ejército romano resolvió un problema al que toda organización grande sigue enfrentándose: ¿cómo coordinas a miles de personas a lo largo de distancias enormes con comunicación limitada?

Su solución fue organizarse en una jerarquía escalonada con un tamaño de equipo similar en cada nivel. La unidad más pequeña era el contubernium: ocho soldados que compartían tienda, equipo y una mula, liderados por un decanus. Diez contubernia formaban una centuria de ochenta hombres bajo un centurión. Seis centurias hacían una cohorte. Diez cohortes hacían una legión de aproximadamente 5.000 soldados. En cada capa, un comandante con nombre y apellidos tenía autoridad definida, agregaba información de abajo y transmitía decisiones de arriba. La estructura (8 → 80 → 480 → 5.000) era un protocolo de enrutamiento de información construido alrededor de una limitación humana sencilla: un líder puede gestionar eficazmente entre tres y ocho personas. Los romanos descubrieron esto a lo largo de siglos de guerra. Incluso hoy, la cadena jerárquica del Ejército de EE.UU. sigue un patrón similar. Ahora lo llamamos ámbito de control, y sigue siendo la restricción dominante de toda organización grande en el planeta.

El siguiente gran cambio vino de Prusia. Después de que el ejército de Napoleón destruyese las fuerzas prusianas en la Batalla de Jena en 1806, un grupo de reformadores liderados por Scharnhorst y Gneisenau reconstruyeron el ejército en torno a una verdad incómoda: no puedes depender del genio individual en la cúpula. Necesitas un sistema. Crearon el Estado Mayor General, una clase dedicada de oficiales formados cuyo trabajo no era combatir, sino planificar operaciones, procesar información y coordinar entre unidades. La intención de Scharnhorst era que estos oficiales de estado mayor “apoyasen a generales incompetentes, aportando los talentos que de otro modo podrían faltar entre líderes y comandantes”. Esto era “middle management” antes de que existiese el término. Profesionales cuyo propósito era enrutar información, pre-computar decisiones y mantener la alineación a lo largo de una organización compleja. El ejército también formalizó la distinción entre funciones de “línea” y de “soporte” (staff). La línea avanza la misión central. El staff proporciona apoyo especializado. Todas las corporaciones siguen usando este vocabulario hoy.

La jerarquía militar entró en el mundo empresarial a través de los ferrocarriles americanos en las décadas de 1840 y 1850. El Ejército de EE.UU. cedió ingenieros formados en West Point a compañías ferroviarias privadas, y estos oficiales trajeron consigo el pensamiento organizacional militar. Jerarquías de línea y staff, estructura divisional, sistemas burocráticos de reporte y control: todo se desarrolló en el ejército antes de que los ferrocarriles lo adoptasen. A mediados de la década de 1850, Daniel McCallum, del ferrocarril New York and Erie, creó el primer organigrama del mundo para gestionar un sistema que se extendía a lo largo de más de 800 kilómetros con miles de trabajadores. Los estilos de gestión informales que funcionaban para ferrocarriles más pequeños estaban fallando. Los choques de trenes estaban matando gente. El organigrama de McCallum formalizó la misma lógica jerárquica que habían usado los romanos: capas de autoridad, líneas de reporte definidas, flujo de información estructurado. Se convirtió en el plano de la corporación moderna.

Frederick Taylor (1856-1915), a menudo llamado el “Padre de la Gestión Científica”, optimizó lo que ocurría dentro de esa jerarquía. Taylor descompuso el trabajo en tareas especializadas, las asignó a expertos formados y gestionó mediante medición en lugar de intuición. Esto produjo la organización piramidal funcional: una estructura optimizada para la eficiencia dentro del sistema de enrutamiento de información que el ejército había creado y los ferrocarriles habían comercializado.

La primera prueba de fuego real de la jerarquía funcional llegó durante la Segunda Guerra Mundial. El Proyecto Manhattan requería que físicos, químicos, ingenieros, metalúrgicos y oficiales militares trabajasen más allá de las fronteras disciplinarias hacia un único objetivo, bajo secreto extremo y presión de tiempo. Robert Oppenheimer organizó Los Álamos en divisiones funcionales pero insistió en la colaboración abierta entre ellas, resistiendo el instinto militar de compartimentar. Cuando el problema de la implosión se volvió crítico en 1944, reorganizó el laboratorio en torno a él, creando equipos multifuncionales sin precedentes en la América corporativa de la época. Funcionó, pero fue una excepción de tiempos de guerra liderada por una figura singular. La pregunta que enfrentó el mundo empresarial de posguerra fue si ese tipo de coordinación multifuncional podía convertirse en rutina.

Con el crecimiento y la globalización de las empresas tras la Segunda Guerra Mundial, las limitaciones de escala del diseño funcional se volvieron acuciantes. En 1959, Gilbert Clee y Alfred di Scipio, de McKinsey, publicaron “Creating a World Enterprise” en la *Harvard Business Review*, proporcionando un marco intelectual para una organización matricial que combinaba especialidades funcionales con unidades divisionales. Bajo el liderazgo de Marvin Bower, McKinsey ayudó a empresas como Shell y GE a implementar estos principios, equilibrando estándares centrales con agilidad local. Esto se convirtió en la corporación “profesional” o “moderna” que impulsó la economía global de posguerra.

Con el tiempo, surgieron otros frameworks para abordar la complejidad, la rigidez y la burocracia de las estructuras matriciales. El framework 7-S de McKinsey, desarrollado a finales de los años 70 por Tom Peters y Robert Waterman, distinguía las “S duras” (Strategy, Structure, Systems) de las “S blandas” (Shared values , Skills, Staff, Style). La idea central era que los elementos estructurales por sí solos eran insuficientes. La efectividad organizacional requería alineación también en los rasgos culturales y los factores humanos que determinan si una estrategia realmente tiene éxito.

En décadas más recientes, las empresas tecnológicas han experimentado agresivamente con la estructura organizacional. Spotify popularizó los squads multifuncionales con ciclos de sprint cortos. Zappos intentó la Holocracia, eliminando los títulos de gestión por completo. Valve operó con una estructura plana y sin jerarquía formal. Cada uno de estos experimentos reveló algo sobre las limitaciones de la jerarquía tradicional, pero ninguno resolvió el problema de fondo. Spotify volvió hacia la gestión convencional a medida que escaló. Zappos sufrió una rotación de personal significativa. El modelo de Valve demostró ser difícil de escalar más allá de unos pocos cientos de personas. A medida que las organizaciones crecen hasta los miles, revierten a la coordinación jerárquica porque ningún mecanismo alternativo de enrutamiento de información ha sido lo suficientemente potente como para reemplazarla.

La restricción es la misma que enfrentaron los romanos y que el Cuerpo de Marines redescubrió en la Segunda Guerra Mundial: reducir el ámbito de control implica añadir capas de mando, pero más capas significan un flujo de información más lento. Dos mil años de innovación organizacional han sido un intento de sortear este *trade-off* sin romperlo.

Entonces, ¿qué es diferente ahora?

En Block, estamos cuestionando la premisa subyacente: que las organizaciones tienen que estar organizadas jerárquicamente con humanos como mecanismo de coordinación. En su lugar, pretendemos reemplazar lo que la jerarquía hace. La mayoría de las empresas que usan IA hoy están dando a todo el mundo un copiloto, lo que hace que la estructura existente funcione ligeramente mejor sin cambiarla. Nosotros buscamos algo diferente: una empresa construida como una inteligencia (o mini-AGI).

No somos los primeros en intentar ir más allá de la jerarquía tradicional. El modelo rendanheyi de Haier, las organizaciones plataforma, la gestión data-driven: son intentos reales del mismo problema. Lo que les faltaba era una tecnología capaz de realizar las funciones de coordinación que la jerarquía existe para proporcionar. La IA es esa tecnología. Por primera vez, un sistema puede mantener un modelo continuamente actualizado de un negocio entero y usarlo para coordinar el trabajo de formas que antes requerían humanos transmitiendo información a través de capas de gestión.

Para que esto funcione, una empresa necesita dos cosas: una especie de “modelo del mundo” de sus propias operaciones, y una señal de cliente lo suficientemente rica como para hacer útil ese modelo.

Block es remote-first. Todo lo que hacemos crea artefactos. Decisiones, discusiones, código, diseños, planes, problemas y progreso: todo existe como acciones registradas. Es la materia prima para un modelo del mundo de la empresa. En una empresa tradicional, el trabajo de un mánager es saber qué está pasando en su equipo y transmitir ese contexto hacia arriba y hacia abajo en la cadena. En una empresa remote-first donde el trabajo ya es legible por máquinas, la IA puede construir y mantener esa imagen de forma continua. Qué se está construyendo, qué está bloqueado, dónde se asignan los recursos, qué funciona y qué no. Esa es la información que solía transportar la jerarquía. El modelo del mundo de la empresa la transporta en su lugar.

Pero la capacidad del sistema es tan buena como la calidad de la señal de cliente que lo alimenta. Y el dinero es la señal más honesta del mundo.

La gente miente en las encuestas. Ignora los anuncios. Abandona carritos de compra. Pero cuando gasta, ahorra, envía, pide prestado o devuelve dinero, eso es la verdad. Cada transacción es un hecho sobre la vida de alguien. Block ve ambos lados de millones de estas transacciones cada día — el comprador a través de Cash App y el vendedor a través de Square — más los datos operativos de gestionar el negocio del comerciante. Eso le da al modelo del mundo del cliente algo raro: una comprensión por cliente, por comerciante, de la realidad financiera construida a partir de señal honesta que se acumula de forma compuesta. Cuanto más rica la señal, mejor el modelo. Cuanto mejor el modelo, más transacciones. Cuantas más transacciones, más rica la señal.

Juntos, el modelo del mundo de la empresa y el modelo del mundo del cliente forman la base de un tipo diferente de empresa. En lugar de equipos de producto construyendo roadmaps predeterminados, construyes cuatro cosas.

Primero, capacidades. Las primitivas financieras atómicas: pagos, préstamos, emisión de tarjetas, banca, buy-now-pay-later, nóminas, etc. No son productos. Son bloques de construcción difíciles de adquirir y mantener (algunos tienen efectos de red y permisos regulatorios). No tienen interfaz propia. Tienen objetivos de fiabilidad, cumplimiento normativo y rendimiento.

Segundo, un modelo del mundo. Tiene dos caras. El modelo del mundo de la empresa es cómo la empresa se entiende a sí misma: sus propias operaciones, rendimiento y prioridades, reemplazando la información que solía fluir a través de capas de gestión. El modelo del mundo del cliente es la representación por cliente, por comerciante, por mercado, construida a partir de datos transaccionales propietarios. Comienza con datos transaccionales brutos hoy y evoluciona hacia modelos causales y predictivos completos con el tiempo.

Tercero, una capa de inteligencia. Es lo que compone capacidades en soluciones para clientes específicos en momentos específicos y las entrega de forma proactiva. El flujo de caja de un restaurante se está estrechando antes de una caída estacional que el modelo ya ha visto antes. La capa de inteligencia compone un préstamo a corto plazo desde la capacidad de préstamos, ajusta el calendario de pagos usando la capacidad de pagos y se lo presenta al comerciante antes de que siquiera piense en buscar financiación. El patrón de gasto de un usuario de Cash App cambia de una forma que el modelo asocia con una mudanza a una nueva ciudad. La capa de inteligencia compone una nueva configuración de depósito directo, una Cash App Card con categorías potenciadas para su nuevo barrio y un objetivo de ahorro calibrado a sus ingresos actualizados. Ningún product manager decidió construir ninguna de las dos soluciones. Las capacidades existían. La capa de inteligencia reconoció el momento y las compuso.

Cuarto, interfaces (hardware y software). Square, Cash App, Afterpay, TIDAL, bitkey, proto. Son superficies de entrega a través de las cuales la capa de inteligencia entrega soluciones compuestas. Son importantes, pero no son donde se crea el valor. El valor está en el modelo y en la inteligencia.

Cuando la capa de inteligencia intenta componer una solución y no puede porque la capacidad no existe, esa señal de fallo es el roadmap del futuro. El roadmap tradicional, donde los product managers hipotetizan sobre qué construir a continuación, es el factor limitante definitivo de cualquier empresa. En este modelo, la realidad del cliente genera el *backlog* directamente.

Si esto es lo que la empresa construye, entonces la pregunta es: ¿qué hacen las personas?

La estructura organizativa se deriva de esto, e invierte la imagen tradicional. En una empresa convencional, la inteligencia está distribuida entre las personas y la jerarquía la enruta. En este modelo, la inteligencia vive en el sistema. Las personas están en el borde. Y el borde es donde está la acción.

El borde es donde la inteligencia hace contacto con la realidad. Las personas llegan a lugares donde el modelo aún no puede llegar. Perciben cosas que el modelo no puede percibir: intuición, dirección con criterio, contexto cultural, dinámicas de confianza, la sensación en una sala. Toman las decisiones que el modelo no debería tomar por sí solo, especialmente decisiones éticas, situaciones novedosas y momentos de alto riesgo donde el coste de equivocarse es existencial. Un modelo del mundo que no puede tocar el mundo es solo una base de datos. Pero el borde no necesita capas de gestión para coordinarse. El modelo del mundo da a cada persona en el borde el contexto que necesita para actuar sin esperar a que la información viaje arriba y abajo por una cadena de mando.

En la práctica, esto significa que normalizamos a tres roles.

Contribuidores individuales (ICs) que construyen y operan las capacidades, el modelo, la capa de inteligencia y las interfaces. Son especialistas profundos y expertos en una capa específica del sistema. El modelo del mundo proporciona el contexto que antes proporcionaba un mánager, así que los ICs pueden tomar decisiones sobre su capa sin esperar a que les digan qué hacer.

Individuos Directamente Responsables (DRI) que son dueños de problemas u oportunidades transversales específicas y de resultados de cliente. Un DRI podría ser dueño del problema de la rotación de comerciantes en un segmento específico durante 90 días, con autoridad plena para tirar de recursos del equipo del modelo del mundo, del equipo de capacidad de préstamos y del equipo de interfaces según sea necesario. Los DRIs pueden persistir en ciertos problemas o moverse a resolver otros nuevos.

Player-coaches que combinan construir con desarrollar personas. Reemplazan al mánager tradicional cuyo trabajo principal era enrutar información. Un player-coach sigue escribiendo código, construyendo modelos o diseñando interfaces. También invierte en el crecimiento de las personas a su alrededor. No pasan sus días en reuniones de estado, sesiones de alineación y negociaciones de prioridad. El modelo del mundo se encarga de la alineación. La estructura DRI se encarga de la estrategia y la prioridad. El player-coach se encarga del craft y de las personas.

No hay necesidad de una capa permanente de middle management. Todo lo demás que hacía la vieja jerarquía, lo coordina el sistema, y todo el mundo está empoderado, con un rol mucho más cercano al trabajo y al cliente.

Block está en las fases iniciales de esta transición. Será difícil, y partes de ella probablemente se romperán antes de funcionar. Escribimos sobre ello ahora porque creemos que toda empresa acabará teniendo que enfrentarse a la misma pregunta que nosotros: ¿qué entiende tu empresa que es genuinamente difícil de entender, y esa comprensión se está profundizando cada día?

Si la respuesta es nada, la IA es solo una historia de optimización de costes. Recortas plantilla, mejoras márgenes durante unos trimestres y acabas siendo absorbido por algo más inteligente. Si la respuesta es profunda, la IA no aumenta tu empresa. Revela lo que tu empresa realmente es.

La respuesta de Block es el grafo económico: millones de comerciantes y consumidores, ambos lados de cada transacción, comportamiento financiero observado en tiempo real. Esa comprensión se acumula de forma compuesta cada segundo que el sistema opera. Creemos que el patrón detrás de esto — una empresa organizada como inteligencia en lugar de como jerarquía — es lo suficientemente significativo como para transformar cómo operan empresas de todo tipo en los próximos años. Block está lo suficientemente avanzado como para demostrar que la idea es más que teoría (aunque agradecemos el debate y el feedback para poner a prueba y mejorar nuestras ideas).

Las empresas se mueven rápido o lento en función del flujo de información. La jerarquía y la capa de middle management impiden el flujo de información. Durante dos mil años, desde el contubernium romano hasta las empresas globales de hoy, no hemos tenido una alternativa real. Ocho soldados compartiendo tienda necesitaban un decanus. Ochenta hombres necesitaban un centurión. Cinco mil necesitaban un legado. La pregunta nunca fue si necesitabas capas. La pregunta era si los humanos eran la única opción para lo que esas capas hacen. Ya no lo son. Block está construyendo lo que viene después.

El software, el peor sector de 2026

Esta ha sido otra semana negra para el software, con el índice IGV cayendo un 7.35% frente al 2.12% del S&P 500.

El sector del software es ya el peor de 2026, con una caída acumulada del 20% en lo que va de año.

Por qué caen las valoraciones

Como expliqué en el artículo El valor terminal del SaaS es cero, la caída se explica porque las valoraciones del SaaS dependen, en su mayoría, de estimaciones futuras.

Una diapositiva del último informe de Redpoint Ventures lo explica perfectamente: entre el 85% y el 95% del precio de la acción de una empresa de software depende de lo que ocurra en los próximos 10 años.

La incertidumbre sobre el impacto futuro de la IA es lo que está hundiendo al sector. Lo hace atacando los componentes principales del Net New ARR:

Por un lado, por una reducción en la demanda: el dinero que iría típicamente a expandir las cuentas de los SaaS se está yendo a pagar las inversiones en IA. Al mismo tiempo, hay presión por reducir el coste por asiento.

Por otro lado, la IA también está impactando en la retención de clientes, aumentando el churn. Los clientes nuevos no quieren atarse a contratos largos, y los existentes tienen más fácil que nunca migrar.

El resultado: menor crecimiento, menores valoraciones.

Las cuatro amenazas del SaaS

El informe de Redpoint me ha venido al pelo porque justo este viernes en X, comentaba un post del fundador de Warp.dev, en el que alardeaba de haber dejado de contratar SaaS en favor de herramientas internas desarrolladas con IA.

Pese a ser una de las amenazas más comentadas del SaaS, me parece de las menos sólidas, porque a muy pocas empresas les compensa derivar recursos de su negocio a reemplazar herramientas internas.

Esta posibilidad, que las empresas reemplacen sus SaaS por herramientas construidas desde dentro, es una de las cuatro preocupaciones para la industria del software que Redpoint apunta en su informe. Precisamente, la de menor riesgo.

Las otras tres serían:

• La aparición de nuevos competidores (riesgo alto)

• El coste de la compensación en acciones (riesgo alto)

• Que los proveedores de modelos reemplacen a las empresas de SaaS (riesgo medio)

El verdadero peligro: los nuevos competidores

La que más me preocupa es la aparición de nuevos competidores.

Y es que la IA ha cogido a muchos SaaS con el pie cambiado.

El playbook era claro: crea una solución que resuelva un problema, captura el mercado, y expándete desde ahí a industrias adyacentes.

El problema es que para que esa jugada funcionara, sus clientes tenían que permanecer fieles, y más aún, hacerlo mientras asumían incrementos en sus facturas para financiar el movimiento lateral o upmarket de su proveedor.

¿El resultado? Clientes maltratados y desatendidos. El caldo de cultivo perfecto para que un nuevo proveedor, nativo IA, aparezca y se lleve el mercado ofreciendo una solución verticalizada que resuelva su problema de forma mucho más eficiente.

La situación para los incumbentes se acentúa porque se encuentran entre dos tierras: en un lado, la presión de su base de clientes existentes que demanda atención pero que probablemente ofrezca pocas opciones de crecimiento. En el otro, la necesidad de expandirse a otros mercados para alcanzar las valoraciones que les exigen los inversores que les financiaron.

¿Serán capaces los incumbentes de resolver este dilema? Soy poco optimista. La inmadurez de la industria y sus ejecutivos, quienes en su mayoría sólo han vivido con el viento de cola de unos tipos de interés bajos, me genera muchas dudas.

La IA, en cierto modo, sólo está revelando las vergüenzas de un sector que se había acostumbrado a vivir de rentas, y que ahora, por primera vez en mucho tiempo, tiene que salir a competir.

El ataque de Israel y EE.UU. contra Irán y la posterior respuesta de este, extendiendo el conflicto a todo Oriente Medio y cerrando el estrecho de Ormuz, van camino de generar otra ola inflacionaria de duración incierta.

Y, como en 2022, no son buenas noticias para el sector del software.

Petróleo caro, inflación garantizada

La guerra de Irán está afectando de forma dramática el precio del petróleo y, con ello, el combustible con el que a día de hoy se mueve el mundo.

Como muchos habréis sufrido al pasar por el surtidor, la repercusión en los precios es casi inmediata. Llenar el depósito cuesta más que antes, por lo que tenemos menos dinero disponible para otras necesidades.

Pero además, resulta que prácticamente todo lo que consumimos llega a nuestras manos vía transporte y, por lo tanto, también subirá de precio, lo que nos restará aún mayor capacidad adquisitiva.

El repunte de la inflación a corto plazo es inevitable.

Cuando la inflación sube, el capital se congela

¿Por qué la inflación es negativa para el sector del software?

Principalmente porque cuando la inflación sube, los bancos centrales se ven obligados a elevar los tipos de interés.

Sobre los tipos de interés, ya hablé precisamente en 2022, al hilo del inicio de la crisis del sector tecnológico:

Los ciclos económicos oscilan entre la expansión y la contracción. Cuando la economía sufre un parón como el del COVID o la crisis financiera de 2008, los bancos centrales reducen los tipos para tratar de espolear a la economía.

Reducir los tipos de interés tiene un efecto doble. Por un lado, reduce los rendimientos de las formas más seguras de ahorro, como los depósitos y los bonos. Esto hace que quienes quieran obtener rentabilidad de su dinero tengan que asumir un mayor riesgo para superar la inflación. Digamos que bajar los tipos de interés consigue poner en movimiento el dinero que de otra forma estaría parado en cuentas y bonos.

Por otra parte, reducir los tipos de interés también abarata el crédito, lo que permite a las empresas financiarse más barato y acometer proyectos de expansión que de otra forma quizás no ejecutarían.

Pero, del mismo modo que sirven para animar la economía, ahondar en una política de tipos de interés bajos también hace que esta se sobrecaliente y que puedan aparecer tensiones inflacionarias. Cuando aparecen, los bancos centrales, cuyo principal propósito es controlar la inflación, se ven obligados a subirlos.

Subir los tipos de interés devuelve la rentabilidad a los depósitos y a los bonos y encarece el crédito. Ambos factores actúan retirando dinero del mercado, enfriándolo.

Así pues, cuando los tipos de interés suben, la inversión se resiente. Los proyectos que eran rentables, financiados al 0%, ya no lo son cuando el bono a 10 años rinde un 4%.

El precio de la energía impacta en el coste de la IA

Por si no fuera suficiente la subida de tipos, el shock inflacionario en los costes energéticos se da en un momento en el que el sector tecnológico tiene comprometidos más de un billón de dólares en infraestructura de IA.

Industria, la de la inteligencia artificial, cuya rentabilidad depende directamente del coste de la energía. Esta representa la mayor parte de los costes operativos de los centros de datos y, a día de hoy, cada consulta IA consume varios órdenes de magnitud más energía que sus algoritmos deterministas equivalentes.

Si sube el precio de la energía, todo lo que toca la IA se encarece exponencialmente.

Empresas como OpenAI o Anthropic, cuyos costes de entrenamiento e inferencia dependen directamente de esos precios, sentirán la presión. Y esa presión se transmitirá hacia abajo, hacia cada empresa que depende de sus APIs, hacia cada producto que ha construido su propuesta de valor sobre modelos que ahora cuestan más de ejecutar.

Tres escenarios posibles para el sector del software

Nadie sabe cuánto va a durar este conflicto. Pero la duración definirá su impacto en el sector del software, porque no es lo mismo un shock puntual que un cambio estructural. Merece la pena pensar en tres escenarios posibles y en lo que implica cada uno para el sector.

El mejor caso: todo termina en semanas

Que el conflicto se resolviera en semanas sería el mejor escenario. El precio del petróleo bajaría, los mercados se estabilizarían y la mayoría de las empresas tecnológicas absorberían el golpe sin grandes cambios de fondo.

El escenario realista: una guerra de meses

Si el conflicto se alarga durante varios meses, la presión deja de ser temporal y pasa a ser sostenida. Los costes energéticos elevados se trasladarán a los precios que pagamos por la nube, los márgenes se estrecharán y las unit economics de muchos productos empezarán a no cuadrar.

En este escenario, el capital riesgo se volverá mucho más selectivo. Las rondas se complicarán, las valoraciones disminuirán y el foco se desplazará del crecimiento a la rentabilidad. Los ciclos de venta B2B se alargarán significativamente (el pipeline de Q2 se convertirá en el de Q3) y el churn aumentará, ya que los clientes ajustarán sus costes.

El peor caso: una guerra larga

Si el conflicto se prolonga más allá de los seis meses, entramos en territorio de cambio estructural.

Una guerra larga implica una energía cara de forma permanente, cadenas de suministro rotas y un entorno de capital hostil, donde solo sobrevivirán las empresas que ya sean rentables o que tengan valor estratégico.

Muchas startups no sobrevivirán a este escenario. Si tu burn rate supera tus ingresos y el capital externo se seca, las cuentas no salen. En 2022 y 2023 ya vimos esta dinámica con las primeras olas de despidos masivos. En 2026, además, tenemos que sumar la IA como excusa y como acelerante.

Mi pronóstico: estamos en el escenario central

A día de hoy, creo que estamos más cerca del segundo escenario que de una resolución temprana.

Aun anticipando que Trump puede declarar victoria mañana y replegar a sus tropas, la inestabilidad que se ha creado en la región es posible que tenga efectos duraderos. Por no hablar de que EE.UU. es sólo parte de la ecuación, ya que Israel parece tener sus propios planes, sean cuales sean.

Si este escenario se cumple, veremos repetirse algunos impactos que anticipé en 2022:

• Las empresas que no tengan encaje en el mercado y vivan de rondas van a ser las más perjudicadas. Si consiguen acceder al capital, será a costa de reducir su valoración. Las que no lo consigan tendrán que ajustar sus gastos rápidamente o desaparecerán.

• Empresas con productos con encaje en el mercado, pero que queman dinero para crecer, recortarán hasta ponerse en positivo. El crecimiento será rentable o no será.

• La inflación hará que los consumidores tengan menos capital disponible. Si tu producto no cubre una necesidad de primer orden, ten en cuenta que tus ingresos probablemente disminuirán.

• Las empresas necesariamente se van a reenfocar en aquellos productos rentables e iniciativas que tengan un retorno directo a corto plazo.

• Apuestas, inversiones y proyectos con retornos de inversión a largo plazo serán puestos en pausa o cancelados directamente.

• La ejecución será más importante que la visión. El foco en la rentabilidad requiere perfiles capaces de aportar valor. Las grandes visiones se aparcarán.

• Habrá despidos. Los sueldos se moderarán. La rotación bajará.

• Las valoraciones bajarán. Las adquisiciones se detendrán en seco. Las salidas a bolsa también.

• Las empresas que sobrevivan saldrán más fuertes. AirBnB, Stripe o Slack surgieron del invierno tras la crisis financiera de 2008.

• Tus competidores están en tu misma situación. Si consigues sobrevivir y ellos no, saldrás de esta con una mayor cuota de mercado.

Echando la vista atrás, desde 2022, esta es la tercera o la cuarta vez que hablo de crisis relacionadas con el sector del software. Estoy empezando a pensar que todas son, en realidad, la misma crisis: aquella que empezó en 2022 con el primer repunte de la inflación, el ajuste de los tipos de interés al alza y de la que todavía no hemos salido.

Maquiavelo advirtió: “La guerra comienza cuando uno quiere, pero no termina cuando uno desea.” Lo mismo ocurre con sus efectos en nuestro sector.

Los cinco escenarios

O’Driscoll parte de una pregunta: ¿cómo llegará el software a las empresas en la era de la IA?

1. Comprarán directamente a los proveedores de modelos fundacionales. Los proveedores crearán herramientas que serán suficientes para la mayor parte de tareas del día a día.

2. Lo construirán por sí mismas sobre modelos fundacionales. El eterno dilema entre construir y comprar se agudiza cuando la IA facilita la construcción de software interno.

3. Lo comprarán a nuevas empresas, fundadas después de 2022, que son nativas IA.

4. Lo comprarán a sus proveedores de software actuales que integrarán la IA en aplicaciones ya existentes.

5. Comprarán directamente el resultado. Por ejemplo, en vez de pagar un asiento para que un humano utilice una herramienta de atención al cliente como Zendesk, pagarán directamente a un proveedor especializado por la resolución del ticket.

Para O’Driscoll:

• Los escenarios 1 y 2 significan la muerte del software empresarial tal como lo conocemos.

• El escenario 3 supone que todo el software empresarial anterior a 2022 está muerto o en cuidados intensivos.

• El escenario 4 equivaldría a dejar las cosas como están y podría ofrecer una buena oportunidad de compra tras el reciente castigo a las cotizaciones de las empresas de software.

• El escenario 5 mata la gallina de los huevos de oro del software: el modelo de negocio por suscripción.

Por qué el escenario 4 es el más probable

O’Driscoll no apuesta por ninguno en concreto. En mi opinión, el cuarto es el más probable. Por varios motivos:

1. Los modelos fundacionales están lejos de poder abarcar todos los procesos de una empresa, en especial los relacionados con la legislación y el cumplimiento de normas.

2. Muchas empresas sustituirán SaaS por soluciones internas desarrolladas con IA, sí. Pero el coste de oportunidad y el de mantenimiento siguen favoreciendo a los proveedores establecidos.

3. Cambiar de proveedor es un coste en sí mismo que muchas empresas tratarán de evitar. Eso sí, la IA puede aliviar precisamente estos costes de transición, tanto en la migración de datos como en el entrenamiento de los usuarios.

La fragilidad oculta del SaaS

Pero que el escenario 4 sea probable no lo hace seguro. La incógnita está en saber si los proveedores actuales pueden integrar IA en sus productos. Porque muchos de los SaaS construidos en los últimos 15 años se sustentan en bases técnicas muy frágiles.

Y es que la mayor parte de esa tecnología la han creado personas que estaban aprendiendo sobre la marcha y, además, bajo presión.

Las startups eran la forma de escapar de la tiranía de la consultoría y de experimentar con las últimas tecnologías. Así, incapaces de competir en salarios, muchas vendían como perk trabajar con microservicios, nosql, serverless…

Y en parte funcionó. Trabajar en una startup te brindaba la oportunidad de aprender a manejarte con la misma tech que leías que Netflix o Spotify utilizaban. Pero claro, sin ser Netflix ni Spotify, ni tener el nivel de seniority de sus ingenieros.

El resultado ha sido años de deuda técnica acumulada por equipos que construían a toda velocidad sin los cimientos adecuados. Plataformas que se sostienen por gracia divina y porque la velocidad a la que se añadía nuevo código era lo suficientemente lenta como para que el sistema no saltara por los aires.

Ahora entra la IA y, de repente, el CEO puede tirar Pull Requests (propuestas de cambio sobre el código). Y llueven PRs a un ritmo que nadie puede revisar y que, por supuesto, nadie revisa en profundidad por razones que abordamos en las ironías de la automatización.

Y entonces el sistema colapsa. Y no hay IA capaz de arreglarlo. Porque un motor diseñado para ir a 50 km/h no puede mantenerse a 120 sin romperse.

Esta es la situación de muchos proveedores de software tradicionales. Y al mismo tiempo, la ventana de oportunidad para las empresas que nacieron AI-first, con arquitecturas diseñadas desde cero para soportar este ritmo.

Qué significa esto para ti

Si trabajas en un SaaS tradicional, la pregunta no es si tu empresa va a integrar IA, sino si tu producto aguantará el ritmo. Si la respuesta es “no lo sé”, probablemente no lo haga.

Y si estás en una empresa nativa IA, esta es tu ventana. Los incumbentes están atrapados entre la presión de integrar IA y una deuda técnica que no la soporta. Esa ventana no durará para siempre, pero ahora mismo está abierta de par en par.

Esta fragilidad es lo que puede hacer que el escenario 4, pese a ser el más probable hoy en día, no sea suficiente para evitar la muerte del SaaS.

Porque al final, la IA no mata al SaaS. Lo que lo mata es todo lo que el SaaS construyó mal cuando nadie miraba. La IA solo acelera el desenlace.

Y en enero de 2026, sus fundadores tuvieron que convocar una reunión de emergencia en la que anunciaron a su plantilla que entraban en “modo guerra”.

Durante las vacaciones de Navidad, varios empleados habían estado probando Opus 4.5, el último modelo de Anthropic, y lo que vieron les dejó helados. Las capacidades de programación habían avanzado hasta el punto de que los desarrolladores ya no necesitaban revisar cada línea de código. Podían darle instrucciones de alto nivel a un agente autónomo y recibir de vuelta funcionalidades completas. A veces, el producto terminado.

Y si los desarrolladores ya no revisan el código, ¿para qué necesitan el editor?

El problema de construir sobre APIs de terceros

En 2022, cuando Lensa AI era la app del momento y facturaba más de un millón de dólares diarios gracias a sus avatares generados por IA, publiqué un análisis competitivo de la industria de la IA generativa.

En el artículo, utilicé las cinco fuerzas de Porter para analizar la posición competitiva de empresas que simplemente actúan como wrapper de modelos de terceros. Entre otras:

• Barreras de entrada nulas: los modelos están al alcance de cualquiera.

• Barreras de salida nulas: no hay nada que ate a los clientes. Si un competidor lo ofrece más barato, te vas.

• Rivalidad competitiva máxima: cientos de competidores ofreciendo lo mismo, lo que termina por tirar los precios.

Mi conclusión fue que ningún wrapper sobre una API de terceros iba a construir un negocio defendible sin diferenciarse radicalmente.

Pero hay un matiz que vuelve la situación de Cursor todavía peor que la de Lensa AI. En el caso de Lensa, sus proveedores, como Stable Diffusion, no competían directamente con ella. Eran proveedores puros. En el caso de Cursor, su proveedor principal, Anthropic, compite directamente contra él con Claude Code. Es peor de lo que Porter predecía. No solo tienes barreras de entrada nulas, sino que tu proveedor está activamente intentando sustituirte.

La paradoja de Jevons llega a la IA

En octubre de 2025 escribí sobre la paradoja de Jevons aplicada a la IA: cuando algo se vuelve más eficiente, no se usa menos, sino más. Los tokens son cada vez más baratos, pero el consumo se ha disparado con los modelos razonadores y los agentes autónomos, hasta el punto de que el coste total sigue subiendo aunque el coste unitario baje.

Esto hizo que Cursor tuviera que cancelar su plan ilimitado. Poco después, incluso Anthropic tuvo que hacer lo mismo con Claude Code, admitiendo que algunos usuarios consumían más de 10.000 millones de tokens al mes.

Y aún habiéndolo limitado, análisis internos de Cursor demuestran que el plan de 200$ de Claude equivale a 5.000$ de consumo, o lo que es lo mismo, a una subvención de hasta 4.800$ por usuario. Anthropic puede permitirse quemar ese dinero porque posee el modelo. Cursor no puede competir con alguien que subvenciona de forma tan agresiva para comerse su mercado.

Lo que describí en el artículo era un dilema del prisionero, una situación en la que ninguna decisión individual es óptima: quien suba precios primero pierde clientes; quien no los suba pierde dinero. No hay salida buena. Mi predicción fue que llegaría la consolidación y que las empresas que solo fueran capas sobre modelos ajenos serían las primeras en caer.

Los números de Cursor refuerzan esta tesis. Facturan 2.000 millones, pero los márgenes en sus planes de consumidor son negativos. Su tabla de salvación y hacia donde dirigen su negocio son los contratos enterprise, pero a noviembre de 2025 solo suponían un 13,6% de sus ingresos.

Mucho volumen, poco margen y demasiada dependencia de usuarios individuales que pueden cancelar mañana no pintan un panorama demasiado halagüeño para Cursor.

Marzo 2026: Cursor entra en modo guerra

La reunión de enero de 2026, según reporta Forbes, fue un punto de inflexión. La nueva prioridad, etiquetada como “P0 #1”, decía exactamente esto: “Build the best coding model.”

No el mejor wrapper. No el mejor editor. El mejor modelo.

Unos 20 investigadores de IA trabajan ahora en sus propios modelos, la familia Composer, construidos sobre modelos open source como DeepSeek, Kimi y Qwen y entrenados con datos propietarios de Cursor.

El problema es que pivotar de ser un wrapper a crear tus propios modelos implica un cambio de naturaleza. Es como pasar de tener un restaurante donde sirves comida a convertirte en la granja que la cultiva. Y pese a ello, es probable que sea la jugada correcta.

La pregunta es si tienen tiempo, talento y capital suficientes para competir en la misma liga que Anthropic y OpenAI en el desarrollo de modelos, cuando esas empresas les llevan años de ventaja.

Si tu valor depende de otro, no tienes valor

Pero esto no es solo una historia de startups de Silicon Valley. Es una lección universal sobre producto.

Cada vez que construyes una feature crítica sobre una API de terceros, estás apostando a que ese tercero no se convertirá en tu competidor. Pregúntale a cualquiera que dependiera de la API de Twitter. O a las apps que vivían en el ecosistema de Facebook antes de cada cambio de algoritmo.

Algunas preguntas que todo Product Manager o fundador debería hacerse:

• Si mañana tu proveedor principal decide competir contigo, ¿qué te queda?

• Si sube los precios un 300%, ¿tu modelo de negocio aguanta?

• Si la API sobre la que construiste tu producto deja de estar disponible, ¿cuánto de lo que has creado sobrevive?

Y el mismo principio aplica a nivel personal. Si tu único valor es saber usar una herramienta o un framework específico, eres un wrapper humano. Tu valor real está en saber qué construir y por qué.

Es curioso que empezase a escribir sobre esto en 2022. Ni mucho menos me considero un visionario. Simplemente las fuerzas competitivas no cambian porque la tecnología sea nueva. Las barreras de entrada nulas siguen siendo nulas. Los proveedores que pueden competir contigo siguen pudiendo hacerlo. Y los wrappers sin diferenciación siguen muriendo.

Cursor hace bien en pivotar. El mérito está en reconocer la realidad antes de que te destruya. La pregunta no es si deben hacerlo, sino si llegarán a tiempo.

Lo llamativo del anuncio no es el despido en sí, sino la justificación. Dorsey insiste en que Block está financieramente sana: el beneficio bruto crece, la base de clientes se expande y la rentabilidad mejora. No es un recorte por necesidad.

¿Entonces por qué? Según Dorsey, la inteligencia artificial lo cambia todo. Las herramientas de IA permiten que equipos más pequeños y planos realicen el mismo trabajo. Y este cambio, dice, “se está acelerando rápidamente”.

La razón real del despido

La semana pasada, en el artículo La estrategia de marketing de la IA es el miedo, escribía un párrafo premonitorio sobre cómo las empresas podrían utilizar la IA para justificar despidos:

Las empresas usan la IA como excusa para despedir a quienes despedirían de todos modos. Recortan, lo llaman “transformación digital” y Altman, Amodei y compañía capitalizan la narrativa de que sus productos son tan poderosos que eliminan trabajos. Todos ganan. Excepto los trabajadores.

La realidad de los despidos es mucho más banal de lo que Jack quiere hacernos creer: simplemente Block ha dejado de crecer. El siguiente gráfico muestra su facturación y, en rojo, su tasa de crecimiento trimestral:

Como en toda tecnológica, la cotización bursátil de Block sigue su tasa de crecimiento. La línea verde muestra el subidón y el posterior desplome: hoy, a 1 de marzo de 2026, las acciones de Block cotizan a niveles de 2018:

Y todo esto ha pasado mientras Dorsey triplicaba la plantilla, pasando de 4.000 empleados en 2020 a un pico de 13.000 en 2024. Desde entonces, Block ha hecho tres ajustes, a los que ahora se sumará este del 40%. La línea naranja muestra la evolución de la plantilla:

No. Block no está despidiendo por la IA. Está despidiendo porque:

1. Triplicó su plantilla en 3 años

2. No fue capaz de convertir ese incremento del número de empleados en un crecimiento de facturación

3. No anticipa que su tasa de crecimiento vaya a mejorar por lo que decide centrarse en mejorar los márgenes

El último punto es importante. Block no está haciendo una jugada para crecer. Su jugada tiene que ver con ser más eficiente. Una jugada típica de empresas en modo extractivo (que priorizan márgenes sobre crecimiento), no de empresas en expansión.

Por qué los despidos en Block te afectan

Si trabajas en el sector tecnológico, es muy probable que el movimiento de Block te afecte. ¿Por qué? Wasteland Capital, una de mis cuentas favoritas de X, lo explica así:

Silicon Valley sufre de una enorme mentalidad de rebaño. Cerebros de lemmings, solo que más inteligentes y con más empuje. Siguen cada nueva tendencia. ¿Recordáis cuando todas y cada una de las tecnológicas se pasaron por completo al trabajo en remoto (a pesar de que el Covid ya había terminado) y promovieron ampliamente esta forma de trabajar… para luego dar marcha atrás en todo porque no funcionaba y nadie estaba sacando nada adelante?

La gente en tecnología obtiene la mayoría de sus ideas de otros; los que realmente inventan cosas nuevas son muy pocos. Y tras el anuncio de Dorsey, todos y cada uno de los equipos directivos, los consejos de administración y los fondos de capital riesgo del valle estarán debatiendo de inmediato este recorte del 40%.

En otras palabras: si Dorsey puede justificar un recorte del 40% culpando a la IA, otros CEOs tomarán nota. Y tu empresa podría ser la siguiente.

La sobrecontratación del Covid, el año de la eficiencia de Zuck, los mandatos de volver a la oficina o los ahora vinculados a la inteligencia artificial. La realidad es que nuestra industria es tremendamente inmadura. ¿Cómo explicáis que alguien triplique su plantilla y la parta de nuevo en apenas cinco años?

Cómo protegerse de la volatilidad del sector tecnológico

En este sector se contrata y se despide con demasiada alegría. Antes del vibe coding, nuestra industria ya venía ejerciendo el vibe planning, también conocido como la estrategia de tirar espaguetis contra la pared para ver cuál se queda pegado.

Sólo puedes trabajar en este entorno si:

1. Sabes a lo que te expones

2. Te preparas para absorber la volatilidad

La volatilidad es un hecho. Para poder absorberla, hace tres años escribí un artículo con algunas recomendaciones:

1. No te endeudes por más de lo que puedas permitirte (y puedes permitirte menos de lo que crees)

2. Ten siempre un colchón de seguridad

3. Gasta menos de lo que ingresas

4. Ten una vida más allá del trabajo

5. Mantente actualizado y amplía tus conocimientos

6. Crea una red de contactos

Quizás deba añadir algo más al artículo: sé un poco mercenario. Las grandes tecnológicas están rompiendo el contrato social según el cual, si una empresa ganaba dinero, lo último que hacía era despedir empleados. Block, Meta, Microsoft, Amazon… no están despidiendo porque pierdan dinero. Despiden porque quieren ganar más.

Un mercenario no tiene lealtad a ninguna bandera. Tiene lealtad a su propia supervivencia. Si las empresas te van a tratar como prescindible cuando les conviene, tú puedes hacer lo mismo. No es cinismo. Es simetría.

• Mustafa Suleyman, CEO de Microsoft AI: “La mayoría de las tareas que implican sentarse frente a un ordenador estarán completamente automatizadas en los próximos 12-18 meses”.

• Dario Amodei, CEO de Anthropic, en Davos: “El 50% de empleos de oficina desaparecerán. El desempleo podría dispararse al 10-20%. La disrupción será inusualmente dolorosa“.

• Sam Altman, CEO de OpenAI: “Habrá categorías enteras de trabajos que desaparecerán... Va a haber dolor real aquí”.

Tres empresas que compiten ferozmente entre sí. Tres CEOs con el mismo mensaje apocalíptico. ¿Por qué?

Porque el miedo es su estrategia de ventas.

El miedo como estrategia de marketing

La narrativa apocalíptica de que la inteligencia artificial destruirá millones de empleos no es un efecto secundario de la tecnología. Es el principal argumento de ventas de la industria.

Cuando Altman afirma que “categorías enteras de trabajos desaparecerán”, no les está hablando a los empleados que podrían perder sus puestos. Le está hablando a los ejecutivos que tienen en su mano contratar los productos de OpenAI. Les está diciendo: “Compra ahora o tu competencia te dejará en la cuneta”.

Y hazlo deprisa, porque de aquí a 12 o 18 meses todo el trabajo de oficina habrá sido automatizado. Los ejecutivos, como cualquier humano, también son proclives a caer en la trampa de la escasez artificial. La misma que nos hace reservar esa habitación de hotel porque “sólo queda 1 disponible”.

Así, muchas empresas contratan estas herramientas antes de saber siquiera qué uso les van a dar. Las adoptan porque tienen miedo. Miedo de parecer anticuados. Miedo de que el board pregunte por qué no tienen una “estrategia de IA”. Miedo de ser los últimos en llegar a una fiesta que quizá nunca empiece.

Ese miedo vale miles de millones en contratos.

Más allá de las ventas

El discurso apocalíptico no solo vende productos. También cumple otras funciones estratégicas:

• Justifica valoraciones: OpenAI busca financiación a una valoración de 850.000 millones de dólares. Anthropic acaba de cerrar una ronda a 380.000. Estas cifras solo tienen sentido si los inversores creen que la IA transformará toda la economía en los próximos años. El discurso apocalíptico sostiene las valoraciones.

• Facilita la captura regulatoria: si convences a los legisladores de que la IA es peligrosa, promueves regulaciones con umbrales que solo las grandes empresas puedan cumplir. Cada nueva regulación es una barrera de entrada para competidores más pequeños.

• Debilita a los trabajadores: cuando tus empleados creen que son reemplazables en 18 meses, negocian de manera diferente. La “inevitabilidad” reduce las demandas salariales y hace que la gente acepte condiciones que de otro modo rechazaría.

• Da cobertura a los recortes: Las empresas usan la IA como excusa para despidos que harían de todos modos. Recortan, lo llaman “transformación digital” y Altman, Amodei y compañía capitalizan la narrativa de que sus productos son tan poderosos que eliminan trabajos. Todos ganan. Excepto los trabajadores.

• Distrae de problemas actuales: Mientras debatimos el apocalipsis de 2027, no hablamos del uso de material protegido por copyright, del impacto ambiental de los centros de datos ni de las alucinaciones y los errores de los modelos.

La diferencia que importa

Sí, la IA va a cambiar cómo trabajamos. Algunas tareas se automatizarán. Algunas habilidades serán más valiosas que otras.

Pero hay una diferencia entre “la IA cambiará algunas cosas” y “el 50% de los trabajos desaparecerán en 18 meses”. No es optimismo versus pesimismo. Es la diferencia entre hacer un análisis realista y una estrategia comercial disfrazada de apocalipsis.

El problema no es la IA. El problema es que demasiadas decisiones se toman en base a un pánico manufacturado por quienes se benefician de él.

El escritor Cory Doctorow lo resumió mejor que nadie: “La IA no te quitará el trabajo, pero un vendedor de IA puede convencer a tu jefe de despedirte y reemplazarte por una IA que no puede hacer tu trabajo”.

Como cualquier otra mañana desde hace meses, tu feed está lleno de gente fardando del último proyecto que ha hecho con IA mientras dormías.

No sólo eso. Desde anoche, OpenAI y Claude han lanzado dos modelos nuevos, y una empresa china de la que no has oído hablar en tu vida ha lanzado su modelo de código abierto, que rivaliza con Opus y cuesta una centésima parte del coste.

Entre post y post, también ves vídeos. Vídeos generados por el último modelo de IA. Cada semana hay un nuevo modelo revolucionario. Will Smith pesa 300 kilos por la cantidad de espaguetis que lleva comidos.

Te da por pensar en lo que has hecho tú con IA la última semana. Decenas de prompts tirados, pero poco más. Entre el trabajo y la familia no te da la vida. Piensas que te estás quedando descolgado. Y también estás cansado.

La carrera por incrementar la facturación

Las grandes tecnológicas van a invertir este año más de 600.000 millones de dólares en infraestructura relacionada con la IA. Una inversión que tiene que generar un retorno antes de que los mercados empiecen a cuestionarla.

Para generar ese retorno, necesitan impulsar la demanda. ¿Cómo? De todas las formas posibles. ¿Esos influencers que sigues en X o en LinkedIn? No hablan de la IA por casualidad. En la mayoría de los casos, les están pagando por ello.

Justo esta semana salía a luz la noticia de que Google y Microsoft están ofreciendo contratos de entre 400 y 600.000$ a influencers por promocionar sus herramientas IA en las redes sociales.

Ahora sumad a Google y Microsoft al resto de actores involucrados, como OpenAI, Anthropic, Cursor o Lovable, entre otros. Todos luchando por cuota de mercado. Todos quemando billetes para adquirir usuarios.

¿Cómo no va a estar inundado nuestro feed de proyectos de IA? Hay literalmente un ejército de influencers cobrando por ello.

El problema no es solo el ruido

El marketing sería manejable si sólo fuera ruido. Cierras X, sigues con tu vida. El problema es que la IA también está cambiando lo que se espera de ti en el trabajo.

Investigadores de Harvard Business Review han pasado ocho meses estudiando una empresa tecnológica de 200 empleados y han publicado sus resultados preliminares en un artículo: la IA no reduce la carga de trabajo, sino que la intensifica.

Lo hace así:

• Expansión de tareas y responsabilidades: los Product Managers y los Product Designers empezaron a programar. Los ingenieros comienzan a diseñar. La IA no elimina el trabajo, lo redistribuye. Ahora se espera que hagas cosas que antes hacían otros.

• Difuminación de los límites vida/trabajo: la naturaleza conversacional de los prompts hace que usar la IA se perciba como “chatear”. No estás trabajando, solo estás preguntándole algo a Claude. Esa sensación hace que el trabajo se cuele en la hora de comer, en los descansos, por las noches. Sin que te des cuenta.

• Multitarea cognitiva: los participantes del estudio empezaron a abusar de la multitarea, abriendo múltiples conversaciones simultáneas. ¿Te suena? Te sientes más productivo, pero en realidad tu cerebro y tu atención se están fragmentando.

La trampa del potencial infinito

Antes de la IA, tus limitaciones eran claras. No sabías programar, así que no lo hacías. No tenías tiempo para hacer un análisis de 50 competidores, así que hacías uno de 5.

Ahora esas barreras han desaparecido. Puedes programar (más o menos). Puedes analizar 50 competidores en una tarde. Puedes generar diez versiones de ese documento.

El problema es que “puedes” se convierte rápidamente en “deberías”. Y “deberías” se convierte en “¿por qué no lo has hecho ya?”.

Es el síndrome del impostor 2.0. Antes te comparabas con tus compañeros. Ahora también te comparas con la versión de ti mismo que usa la IA perfectamente, que ha probado todas las herramientas, que está al día de todos los modelos.

Esa versión no existe. Pero la sensación de que deberías ser esa persona es muy real.

Qué hacer con todo esto

El problema es sistémico, pero hay cosas que puedes hacer a nivel individual. No tengo una solución mágica, pero sí algunas cosas que pueden ayudar:

• Sé más selecto con quienes sigues en redes sociales: ahora sabes que muchos cobran por estar ahí. Su trabajo es generarte FOMO. No les des la satisfacción.

• Acepta que no tienes que probar todo: sale un modelo nuevo cada semana. No pasa nada si no lo pruebas. La mayoría desaparecerá en meses.

• Elige una o dos herramientas y profundiza: Mejor ser bueno con Claude que ser mediocre con Claude, ChatGPT, Gemini, Copilot y los quince wrappers que han salido este mes.

• Recuerda que la mayoría de los “proyectos increíbles” son demos: el influencer que ha lanzado una app completa en un fin de semana probablemente no te está contando las 40 horas de debugging, los bugs que sigue teniendo ni que nadie la usa.

• Pon límites conscientes: Si la IA hace que el trabajo se cuele en tu tiempo libre, el problema no es la IA. Bloquea espacios libres en tu calendario de IA. Tu cerebro te lo agradecerá.

Volviendo al feed

Mañana te vas a despertar y vas a abrir el móvil. Tu feed seguirá lleno de proyectos de IA, de modelos nuevos, de gente que parece estar años luz por delante de ti.

Pero ahora sabes algo que antes no sabías: hay más de 600.000 millones de dólares que empujan a que te sientas así. Hay influencers que cobran por generarte esa sensación. Y hay estudios que demuestran que “más productivo” no significa “mejor”.

La IA es una herramienta útil. Pero no tienes que correr a su ritmo.

Puedes elegir el tuyo.

La sangría está siendo espectacular. Sirva como ejemplo la siguiente imagen, que muestra la variación en las cotizaciones de 2026 de algunos de los nombres más reconocidos del sector de Software as a Service, como HubSpot (-30%), Figma (-27%), ServiceNow (-25%) o Salesforce (-20%).

En los dos artículos que he dedicado al fin del SaaS en los últimos dos años, hemos abordado algunas de las causas por las que el sector del software podría sufrir. A modo de resumen:

• Fatiga SaaS: las empresas acumulan demasiadas herramientas y, en muchos casos, soportan incrementos de precio por funcionalidades que no habían pedido.

• Aumento de los tipos de interés: que ha secado la barra libre de dinero infinito que financiaba gran parte de su crecimiento.

• El advenimiento de la inteligencia artificial: reduciendo las barreras de entrada, aumentando la competencia y, por tanto, disminuyendo sus márgenes.

• Dependencia de la compensación en acciones: muchos SaaS diluyen constantemente a los accionistas para pagar a sus empleados.

• Dudas sobre la capacidad de las directivas: la mayoría de los equipos directivos de empresas SaaS sólo ha conocido tiempos de abundancia y se duda de su capacidad para gestionar en tiempos de crisis.

Ninguno de estos vientos en contra es nuevo. ¿Qué ha pasado, entonces? Que el mercado ha empezado a dudar de algo que antes daba por hecho: que estos negocios durarán para siempre.

El valor terminal: la razón del apocalipsis

Para entender qué está pasando, hay que entender cómo se valoran estas empresas. Los inversores usan modelos como el Descuento de Flujos de Caja, que básicamente responden a la pregunta: ¿cuánto pagarías hoy por todo el dinero que esta empresa va a generar en el futuro?

La respuesta tiene dos partes. La primera corresponde a los próximos 7-10 años, que puedes estimar con cierta confianza. La segunda es el “valor terminal”, lo que esperas que genere después de esos 10 años, hasta el infinito.

El problema para el sector del software es que gran parte de sus valoraciones se basaba en este valor terminal. Los SaaS suelen tener flujos de caja iniciales bajos o negativos, por lo que el peso de las valoraciones recaía en la expectativa de que pudieran mantenerlos a futuro.

Y entonces llegó la inteligencia artificial y, con ella, un halo de incertidumbre sobre el sector. Lo que antes parecía seguro ahora se cuestiona: ¿tienen estas empresas un foso lo suficientemente amplio como para garantizar esos flujos de caja futuros? El mercado ha comenzado a dudarlo, ajustando el valor terminal, lo que, a su vez, impacta en los modelos de valoración y reduce los múltiplos que se pagaban por estas compañías.

La gula de los proveedores de modelos

¿Tiene razón el mercado al ajustar las valoraciones del sector? Dicen que no hay nada más miedoso que un millón de dólares, y los inversores, a los que no les faltan alternativas donde invertir su dinero, han decidido que, por lo menos por ahora, prefieren mantenerse alejados del SaaS.

Tienen motivos para dudar. Hace unos meses era difícil pensar que Salesforce o Atlassian pudieran ser desplazados. Hoy, es mucho más difícil anticipar que puedan sostener sus flujos de caja actuales durante los próximos 10 años.

Y es que, a todos los vientos en contra que comentábamos anteriormente, se suma la amenaza de los propios proveedores de modelos como OpenAI o Anthropic, quienes, ávidos de ingresos, tienen todas las razones posibles para lanzar soluciones empresariales que reemplacen a los SaaS actuales.

De hecho, justo esta semana OpenAI presentó Frontier, una plataforma para desplegar y gestionar una flota de agentes IA dentro de una empresa.

Si te fijas en la última pastilla del gráfico, “Your systems of record”, ahí es donde vivirían los datos. Es donde reside la información de facturación, las nóminas, el CRM de ventas o el sistema de documentación.

Actualmente, en la mayoría de las empresas, todos estos datos permanecen atrapados en sistemas independientes, como NetSuite, Salesforce o Notion. Si quieres hacer algo con ellos, generalmente accedes a su interfaz.

Lo que OpenAI propone es abstraer todas esas interfaces en agentes. En lugar de que un humano acceda a Salesforce para registrar a un prospecto comercial, este interactuará con un agente que se encargará de registrarlo correctamente. Y cuando todo el trabajo lo hagan los agentes, ¿qué más dará lo que haya por debajo?

Los agentes que hagan los proveedores de modelos serán, además, siempre mejores que los agentes que puedan hacer los SaaS. Y es que un agente que pueda hacer Salesforce estará limitado al contexto que tenga el propio Salesforce, pero gran parte del valor de los agentes que vivan por encima radicará en poder unir datos de varios sistemas simultáneamente.

Todo esto podría quedarse en teoría si no fuera por un detalle: los proveedores de modelos están invirtiendo cantidades obscenas de dinero para hacerlo realidad.

600.000 millones de razones para preocuparse

En las últimas semanas, todas las grandes tecnológicas han elevado sus previsiones de inversión en infraestructura (CAPEX) para este 2026:

• Microsoft gastará cerca de 100.000 millones de dólares

• Meta, entre 115.000 y 135.000

• Alphabet, entre 175.000 y 185.000

• Amazon, 200.000

Estos niveles de inversión no tienen precedentes en la era moderna. Hasta hace poco, dudaba de que tuviera sentido. Ahora lo veo de otra manera. Quien posea los modelos y las GPUs para ejecutarlos está en posición de absorber la mayor parte del software del planeta. El valor terminal del SaaS puede ser cero.

¿Quiere esto decir que los SaaS vayan a desaparecer? No necesariamente, pero sí explica el ajuste de las valoraciones que estamos viendo. Estos pasarían de ser valorados con múltiplos propios de empresas en crecimiento a múltiplos propios de empresas maduras.

Las implicaciones no son pocas. Por ejemplo, los sectores maduros no pagan tan bien como las empresas de crecimiento, por lo que retener a los mejores empleados será cada vez más difícil. Estos, a su vez, saltarán llevándose su conocimiento a las empresas que sí crezcan, que precisamente serán las propietarias de los modelos que terminen reemplazando a sus antiguos empleadores.

Viéndolo así, puede que esta no sea la peor semana que los inversores en SaaS tengan en 2026.

Como muchos Product Managers, siempre tengo más ideas e iniciativas rondándome la cabeza de las que puedo bajar semana a semana. Es una simple cuestión de tiempo: el día a día de gestionar un producto con millones de usuarios, como Voicemod, es inacabable. Siempre hay un feedback que revisar, una gráfica que analizar o una reunión que desatascar.

Quizás, con suerte, podía bajar una o dos de esas ideas al mes. Cuando digo bajar, me refiero a plasmarlas en un documento, creando una narrativa que me permita presentarlas al resto de la compañía. Todo esto ha cambiado con Claude Code.

El sistema: un directorio con contexto

La gran ventaja de herramientas como Claude Code es que pueden acceder a tu sistema de ficheros. Así, he creado un directorio en mi ordenador con toda la información relevante del producto: qué es, cómo funciona, quiénes son sus usuarios, etc.

A su vez, dentro del mismo he creado una carpeta de iniciativas, donde cada idea tiene su propia subcarpeta con el contexto específico: por qué lo hacemos, cuál es la situación de partida, qué queremos conseguir, etc.

Un ejemplo concreto: de idea a PRD en minutos

Con el sistema montado, la magia ocurre cuando tienes que trabajar en una idea concreta. Por ejemplo, hace poco queríamos realizar un test sobre nuestro proceso de onboarding. Para ello, lo normal habría sido crear un documento de especificación (PRD) desde cero, lo cual resulta bastante tedioso. Ahora, sin embargo, me resulta tan sencillo como pedirle a Claude que lo cree, usando como contexto lo que sabe de la iniciativa y del producto.

Y no se me caen los anillos al reconocer que Claude crea mejores PRDs que yo. De hecho, puedes personalizar cómo lo hace creando un “skill”, otro archivo de texto en el que defines qué formato quieres, qué secciones debe incluir o qué tono usar. Con una petición bien estructurada y el contexto necesario, el 80% de lo que genera Claude está bien. Mi trabajo se centra, entonces, en depurar el 20% restante. Lo que antes me podía llevar horas ahora me lleva minutos.

Y aún mejor, cada documento que creamos aporta más contexto para futuras iteraciones. El sistema mejora cuanto más lo usas.

El resultado: más iniciativas que nunca

¿El resultado? Estoy bajando más iniciativas que nunca. Los viernes se han convertido en mis días más productivos, pues es cuando tengo algo de tiempo libre para empezar a iterar sobre todas las ideas de la semana con Claude Code.

Y no sólo me ayuda con la generación de PRDs. También lo uso para cualquier tipo de petición, como, por ejemplo, cualquier cosa que vaya a través de Jira. Si tengo que escribir una historia de usuario, sigo el mismo flujo que con los PRDs, solo cambiando el skill a invocar. Claude escribe la historia, la reviso, la ajusto y él mismo la crea directamente en Jira.

¿Es arriesgado delegar el proceso cognitivo?

En cierto modo, estoy delegando parte de mi proceso cognitivo en Claude Code. ¿Es arriesgado? Depende. Cuando llevas tantos años en la brecha como yo, es fácil detectar inconsistencias. Pero incluso si llevas menos tiempo, el ejercicio de revisar y corregir lo que genera Claude es, en sí mismo, una forma de aprender.

Te recomiendo que lo pruebes. Crea un directorio para gestionar tu producto, define una iniciativa, dale contexto, crea un skill a tu medida, y pídele un borrador. Lo peor que puede pasar es que aprendas algo sobre tu propio proceso.

Extra: Herramientas

Todo esto lo gestiono principalmente con dos herramientas: VSCode, donde interactúo directamente con Claude Code, y Obsidian, un magnífico editor de notas de texto para cuando no necesito interacción y el formato importa.

Reconozco que hay que ser un poco geek para utilizar VSCode o cualquier otro IDE. Pero es cuestión de tiempo que surjan herramientas que faciliten estos flujos sin necesidad de pasar por un entorno de programación. De hecho, Anthropic lanzó recientemente Claude Cowork, que es precisamente esto.

En cualquier caso, si en algún momento te pierdes o no sabes cómo avanzar, te recomiendo que le preguntes directamente a Claude. Descríbele tu situación y lo que estás construyendo e itera con él para crear un sistema adaptado a tus necesidades.

Sin comerlo ni beberlo, a todas las empresas de software del planeta les ha surgido una nueva línea de costes: la de los proveedores de LLMs como Anthropic u OpenAI. Y mi experiencia me dice que cuando aparece una nueva partida de gasto, otras se resienten.

Siguiendo la pista del dinero

En España tenemos un dicho que aplica perfectamente a lo que está ocurriendo: “desvestir a un santo para vestir a otro”.

En 2025, al santo de la IA se le vistió con el presupuesto de innovación. Pero en 2026, la inteligencia artificial ya no es un experimento. Es una línea de gasto operativo (OPEX) que compite con todos los demás santos que las empresas ya vestían.

Así pues, si queremos entender de dónde va a salir el dinero para pagar la IA, tenemos que observar cuáles son las principales líneas de coste de una empresa de software típica. Según ChatGPT:

1. Empleados (60–70%)

2. Software & herramientas (8–12%)

3. Marketing (6–10%)

4. Oficinas (3–6%)

5. Servicios profesionales (2–4%)

6. Otros gastos generales (1–3%)

Curiosamente, la línea de coste más importante… ¡son los empleados! No son las herramientas SaaS ni el marketing: son las nóminas.

Tu nómina, su oportunidad

Jeff Bezos comentó en una ocasión que el margen de sus rivales era su oportunidad. En el caso de los proveedores de modelos de inteligencia artificial, nuestras nóminas son la suya.

Y es evidente al mirar los números. ¿Por qué conformarte con el 8-12% que las empresas invierten en software, cuando puedes aspirar al 60-70% destinado a salarios? ¿Por qué limitarte a las migajas, cuando puedes quedarte con todo el pastel?

Las empresas, por su lado, encantadas. Las nóminas son un coste rígido que no se puede ajustar fácilmente cuando vienen mal dadas. En cambio, contratar agentes IA para diseñar o implementar funcionalidades es un gasto variable que puedes ajustar a voluntad y que, además, ni se queja ni se pide la baja.

Todos los incentivos están alineados para que el reemplazo del trabajador del conocimiento sea una realidad. Quizás los modelos todavía no estén al nivel, pero ¿no lo estarán en unos años, dado el tamaño de la oportunidad?

Ya está ocurriendo

Esta transferencia de salarios hacia el pago de IA ya está en marcha en muchas empresas de EE.UU. Para muestra:

• IBM congela las contrataciones mientras espera que 7800 empleos sean reemplazados por la IA en los próximos años.

• Intuit anuncia 1800 despidos directamente para invertir en IA.

• Duolingo reemplaza a autónomos (contractors) por IA.

Esto no es ciencia ficción ni un escenario a 10 años vista. Ya está pasando y probablemente se acelerará en los próximos 2-3 años. El dinero para pagar la IA va a salir de tu nómina. Quizás no de la tuya directamente, pero sí de la de compañeros que no serán contratados.

¿Qué puedes hacer al respecto?

Si trabajas en software, esta dinámica te afecta directamente. He estado pensando en cómo lidiar con esto. No tengo un plan maestro, pero hay algunas cosas que creo pueden ayudarte a enfrentar este cambio:

1. Hazte indispensable en lo que la IA no puede hacer. Enfócate en desarrollar habilidades que requieran un alto nivel de contexto, criterio humano y relaciones complejas. La IA puede escribir código, pero no puede negociar prioridades entre tres departamentos enfrentados.

2. Invierte en aprender a sacarle todo el partido a la IA, no en competir contra ella. Quien sepa usar Claude Code o similares tiene más valor que quien insiste en hacerlo todo manualmente. Los aumentos de productividad son reales. En las dos últimas semanas he sacado más trabajo que en los últimos dos meses. Irónicamente, la mejor defensa contra el reemplazo es convertirte en un usuario experto de estas herramientas. Sé el que multiplica su productividad, no el que se resiste.

3. Construye relaciones. La IA puede generar un informe o implementar una funcionalidad, pero no puede construir la confianza que hace que te llamen ante un problema crítico o te incluyan en decisiones importantes. Las relaciones te hacen visible e indispensable de maneras que una IA nunca logrará.

4. Especialízate en problemas complejos. La IA es brillante con problemas bien definidos. Terrible con problemas vagos, políticos o que requieren navegar restricciones no escritas. “Mejora la retención de usuarios” es un prompt terrible para Claude, pero un proyecto perfecto para ti. Busca los problemas que todavía nadie sabe cómo estructurar.

5. Hazte visible dentro y fuera de tu empresa. Escribe, da charlas internas, enseña a otros, participa en comunidades técnicas. Cuando hay recortes, despedir a alguien visible es más caro (política y reputacionalmente) que despedir a alguien que nadie fuera de su equipo conoce. Y si te despiden, tener una buena red te abrirá puertas.

¿Es esto suficiente? No lo sé. Pero llevo años en este sector y he visto cambios antes. Los que se adaptan sobreviven. Los que se resisten, no. Prefiero estar en el primer grupo.