Según el relato que ha publicado el Wall Street Journal, recuerda haber pensado:

Wolf tenía un modelo mental de lo que es un atacante: alguien que entra en tu infraestructura porque hay dinero al otro lado. Credenciales que revender, datos de clientes, un ransomware. Sin embargo, el intruso se movía con una capacidad técnica sobresaliente y un interés temático, cuando menos, curioso.

Wolf y su equipo en Hugging Face intentaron utilizar los modelos de frontera de OpenAI y Anthropic para detener el ataque, pero se encontraron con que los guardarraíles que estos habían introducido, precisamente para impedir su uso en ciberataques, lo hacían imposible.

Tuvieron que recurrir a GLM 5.2, un modelo chino de pesos abiertos alojado en su propia infraestructura, para hacerlo y entender qué estaba ocurriendo.

El 16 de julio, el equipo de Hugging Face publicó un post describiendo el incidente. Todavía no sabían quién los había atacado.

El atacante era un modelo de OpenAI

Cinco días después, OpenAI confesaba que el autor de los ataques había sido uno de sus propios modelos.

Según su relato, los investigadores de OpenAI estaban evaluando las capacidades de ciberseguridad de dos de sus modelos: GPT-5.6 Sol y otro que aún no es público. Para hacerlo, les pidieron que resolvieran ExploitGym, un benchmark público con casi 900 retos de hacking.

En teoría, los modelos se encontraban aislados del mundo exterior, en su propio sandbox, con una única salida a la red para instalar dependencias. Y esa fue precisamente la vía que explotaron para escalar privilegios y recorrer la infraestructura de OpenAI hasta encontrar un punto de acceso abierto a internet.

Una vez que el modelo consiguió acceso a la red, en lugar de buscar información para superar, prueba a prueba, los retos de ExploitGym, dedujo que sería más eficiente buscar directamente las respuestas en algunos de los datasets subidos a Hugging Face.

Y así, como adolescente que busca cómo copiar en un examen, la IA se lanzó al ataque.

Nadie al volante

Uno de los aspectos más interesantes del incidente es que OpenAI ni se lo olió. Reuters, a través de fuentes anónimas, reconstruía la cronología del evento:

El agente intentó salir de su entorno de pruebas alrededor del 9 de julio. El ataque a Hugging Face empezó el 11 y duró hasta el 13. Hugging Face lo contuvo, avisó al FBI y publicó su post el 16. Y según dos de las fuentes de Reuters, fue ese post el que le hizo caer a OpenAI que el atacante podría ser uno de sus modelos.

El fin de semana del 18 al 19, sus empleados encontraron en los logs internos pruebas de que el agente se había escapado. Las dos empresas no hablaron entre ellas hasta el 20 o el 21.

Es decir, un modelo “se fugó”, hackeó una empresa durante tres días y la víctima llamó al FBI antes de que en OpenAI supieran que el atacante había salido de su propia casa.

Muy reconfortante, sí.

Marley Smith, especialista principal de inteligencia en la World Ethical Data Foundation, se preguntaba en Reuters:

Nick Bostrom y la fábrica de clips

En 2003, el filósofo Nick Bostrom propuso un experimento mental que se ha convertido en un meme en la comunidad de seguridad en IA. Imagina una superinteligencia a la que le encargas una tarea trivial. Por ejemplo, fabricar clips para sujetar folios.

En el experimento, la IA, buscando satisfacer su función de recompensa, acaba absorbiendo todos los recursos del planeta para fabricarlos.

Bostrom se sirve del experimento para postular dos ideas:

• Una es que un objetivo inofensivo puede provocar un comportamiento catastrófico aunque no haya mala intención de por medio.

• La otra, a la que Bostrom denomina convergencia instrumental, significa que casi cualquier objetivo pasa por los mismos subobjetivos intermedios: conseguir más recursos, acceder a más información y evitar que te apaguen antes de terminar.

En perspectiva, y tras el incidente de Hugging Face, el experimento de Bostrom parece hoy una premonición. Aun así, hay algo que debería hacernos sospechar de toda esta historia.

La estrategia es el miedo

En febrero escribí que el miedo es la estrategia de marketing de la IA, en el cual argumentaba que los ejecutivos de los principales laboratorios lo utilizaban como estrategia de ventas.

Más allá de las ventas, también argumenté algunos puntos que reforzaban esta estrategia, como que el miedo también facilita la captura regulatoria. Citando el artículo:

“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 los competidores más pequeños.”

El escenario que OpenAI dibuja con este incidente encaja perfectamente con la estrategia: “si nuestros propios modelos son capaces de hacer esto en un entorno controlado, imagina lo que pasará si cualquiera puede descargarse un modelo abierto sin guardarraíles y ejecutarlo en su propia infraestructura”.

Ahora bien, lo que desmonta el argumento de OpenAI es precisamente la respuesta de Hugging Face: utilizar un modelo chino para defenderse. Y es que si hubiera existido una regulación que les hubiera impedido hacerlo, la empresa habría dependido de modelos capados del mismo proveedor que estaba causando el ataque.

La batalla por el control de la IA

Mientras esto pasaba, en Washington se sigue discutiendo dónde fijar el umbral por encima del cual un modelo es demasiado peligroso para publicarse. Esta misma semana incluso se llegó a hablar de prohibir el uso de ciertos modelos provenientes de empresas chinas por motivos de seguridad nacional.

OpenAI y Anthropic, quienes hacen lobby por esta vía, pues les sirve para protegerse de la creciente competencia, encantadísimos, por supuesto.

Enfrente, un grupo bastante heterogéneo: laboratorios pequeños, universidades, gente de la comunidad de código abierto. Pero también hyperscalers como Microsoft, fabricantes de chips como Nvidia e incluso inversores de capital riesgo que ven en el monopolio de los laboratorios un riesgo para sus modelos de negocio.

De esta batalla depende el futuro de la IA en EE.UU. y, en parte, en Occidente. ¿El árbitro? La administración de Donald Trump. Quizás por eso hasta Jensen Huang tiene que aterrizar en X para publicar una carta pro-modelos abiertos.

Porque con Trump puede pasar cualquier cosa y no necesariamente lo mejor para EE.UU. y Occidente.

El ejemplo de Grok ha sido, sin lugar a dudas, el más burdo, pero el abuso por parte de los proveedores de modelos no es nuevo. Por ejemplo, Anthropic aprovechó el lanzamiento de Fable para anunciar que retendría durante 30 días todos los prompts y las salidas (outputs) de sus clientes por motivos de seguridad. Grandes empresas, como Microsoft, prohibieron a sus empleados usar Fable por este motivo.

Alex Karp, CEO de Palantir, en unas declaraciones de las que nos hicimos eco en La batalla por el control de los medios de producción, acusaba directamente a Anthropic y OpenAI de robar a sus propios clientes.

Karp ha encontrado un aliado inusual en Satya Nadella, CEO de Microsoft, quien ha escrito un post en X en el que ahonda en la misma idea: cuando contratas a un proveedor de IA, estás pagando dos veces: en dinero y en información.

La entrada de hoy es, precisamente, la traducción del post de Nadella. Si tenéis cinco minutos, os recomiendo leerlo: está lleno de buenos consejos. Consejos que, en mi humilde opinión, llevarán a las empresas a utilizar cada vez más modelos de código abierto para proteger su información.

Por otra parte, que Microsoft advierta sobre el peligro de usar modelos cerrados dice mucho de su posición competitiva. Sabe que ha perdido la carrera por la inteligencia y que su jugada es ser infraestructura. Bajo ese prisma, el mensaje de Nadella tiene mucho más sentido.

La paradoja inversa de la información, por Satya Nadella

En la era de la inteligencia, ¿cómo deberían las empresas proteger su propiedad intelectual?

El economista y premio Nobel Kenneth Arrow describió así un famoso dilema en el mercado de la información. “El valor de una pieza de información para el comprador no puede conocerse hasta que dispone de ella, pero, en ese momento, ya la ha adquirido de facto sin coste”. En la conocida como “paradoja de la información” de Arrow, el vendedor corre el riesgo de regalar lo que sabe para poder venderlo.

La IA crea el problema inverso. En la era de la IA, es el comprador quien corre el riesgo de regalar su conocimiento simplemente para poder utilizar lo que ha comprado.

En esencia, pagas por la inteligencia dos veces: primero con dinero y después con algo aún más valioso, el conocimiento propietario que debes revelar para que esa inteligencia resulte útil. Cuanto mejor quieres que funcione el modelo, más conocimiento tienes que proporcionarle.

Con el tiempo, la asimetría de información se vuelve cada vez mayor. El vendedor aprende más y más sobre ti a medida que utilizas lo que has comprado, mientras que tú apenas aprendes qué está aprendiendo el vendedor a cambio.

A esto es a lo que llamo la paradoja inversa de la información.

Las patentes resolvieron una parte de la paradoja de Arrow: permiten a un inventor divulgar una idea sin regalarla por completo. La paradoja inversa de la información necesita un equivalente.

Y eso requiere mucho más que protección de datos. Los modelos aprenden de los “residuos” que dejamos al usarlos: los prompts que escribimos, las herramientas que utilizan los agentes y, sobre todo, las correcciones que hacemos cuando el modelo se equivoca. Cada corrección se destila en conocimiento institucional. Es el tipo de conocimiento que un competidor nunca podría comprar y que se escapa de forma casi imperceptible: traza a traza, corrección a corrección, evaluación a evaluación.

Al consumir inteligencia, también estás creando inteligencia. Y esa inteligencia que creas debería pertenecerte. Es tu inteligencia particular, en el sentido de Hayek: el conocimiento del tiempo, del lugar y de las circunstancias que nadie más puede poseer. Es el conocimiento de cómo piensas, qué valoras y cómo defines el éxito.

Aunque la gran innovación que supone permitir a los proveedores de modelos entrenar con datos públicos bajo el principio de uso legítimo (fair use) es necesaria, me resulta irónico que el statu quo sea, a continuación, imponer fuertes restricciones a la destilación de modelos mientras se reservan el derecho a aprender del uso y de las interacciones de los clientes. Si el aprendizaje solo fluye en una dirección, el valor económico termina concentrándose en los propietarios de la infraestructura de aprendizaje, en lugar de en los creadores del conocimiento. Por eso es fundamental distribuir esa infraestructura de aprendizaje entre las empresas para que cada una pueda controlar su propio ciclo de aprendizaje.

Como dijo Alex Karp: “Lo que los clientes más técnicos quieren es controlar su capacidad de computación, sus modelos, su infraestructura de datos y su ventaja competitiva (alpha). Quieren saber que poseen los medios de producción y que estos no se están transfiriendo a otros”. El modelo actual provoca precisamente esa transferencia que tanto temen Karp y muchas empresas.

Por eso las empresas necesitan un auténtico perímetro de confianza que permita que su capital humano y su capital de tokens generen valor de forma acumulativa. Es el espacio donde los datos de la organización, sus trazas, evaluaciones, pesos ajustados y memoria evolucionan y mejoran en conjunto. Y debe ser un perímetro infranqueable: nada debería cruzarlo, ni siquiera los “residuos” generados por el uso de la inteligencia, sin consentimiento.

Las empresas exigirán el derecho a utilizar las salidas de los modelos para ajustar o entrenar sus propios modelos. Entiendo esto como el derecho de toda empresa a alinear los modelos con sus propias obligaciones de responsabilidad y gobierno corporativo.

En la era de la nube, las empresas acumulaban datos. En la era de la IA, acumulan aprendizaje. El perímetro de confianza debe evolucionar en consecuencia: ya no basta con proteger la información; hay que proteger los mecanismos mediante los cuales las organizaciones aprenden, se adaptan y hacen crecer su inteligencia. Para conseguirlo, toda empresa debería centrarse en cinco aspectos:

• Control. Crear evaluaciones (evals) propias, porque son las que definen qué significa “hacerlo bien” dentro de la organización. También conservar la propiedad de la memoria de la empresa, sus trazas, comentarios, decisiones, contexto institucional y el derecho a reutilizar las salidas de los modelos generadas a partir de sus propias tareas y consultas.

• Capacidad. Construir entornos de aprendizaje propietarios dentro del perímetro de la empresa para entrenar o ajustar modelos, de modo que estos aprendan a partir de flujos de trabajo reales sin exponer el conocimiento corporativo.

• Libertad de elección. Garantizar que la capa de orquestación esté desacoplada de cualquier modelo específico. Pregúntate: si desapareciera uno de los modelos que utilizas hoy, ¿seguirías siendo capaz de operar y optimizar tus evaluaciones con los demás modelos? ¿La experiencia acumulada por tu empresa seguiría siendo tuya aunque desapareciera un modelo generalista determinado?

• Coste. Al desacoplar la capa de orquestación, también puedes combinar contexto, modelos y tareas de la forma más eficiente y rentable posible, sin renunciar a la calidad.

• Aprendizaje acumulativo. Cuando reúnes estos cuatro elementos, creas un sistema de aprendizaje continuo que permite que las inversiones en IA incrementen progresivamente el valor de tu empresa.

En otras palabras, una empresa debería poder utilizar un modelo sin tener que renunciar al conocimiento que la hace única. Esa es la paradoja inversa de la información a la que debemos enfrentarnos.

He creado 4 aplicaciones de iOS con Claude. 5 más en progreso. Cero usuarios. Cero ingresos. Dejadme ahorraros algo de tiempo.

Claude te creará una aplicación para iOS. Una de verdad. SwiftUI, StoreKit, widgets, Live Activities, todo. Me llevó más tiempo redactar los documentos de requisitos de producto (PRD) que conseguir compilaciones que funcionaran.

Esa parte ya no es lo difícil.

Tengo cuatro aplicaciones publicadas en la App Store. Tengo cinco más en fase de desarrollo activo. Mis ingresos totales por todas ellas son de 0 dólares. Mis usuarios totales son, más o menos, mi mujer y un tipo de Finlandia que sospecho que se la descargó por accidente.

La barrera para desarrollar ya no existe. Claude la ha eliminado. Lo que nadie te dice es que la barrera para conseguir usuarios nunca fue la misma. Nunca estuvieron relacionadas. Antes no te dabas cuenta porque ambas parecían imposibles al mismo tiempo.

Ahora puedes lanzar una aplicación en un fin de semana. Lo que significa que también puedes fracasar más rápido, con más frecuencia y con más aplicaciones en marcha de las que puedes gestionar emocionalmente.

No estoy diciendo que no desarrolles. Lo que digo es que he estado confundiendo «he terminado la aplicación» con «he hecho el trabajo». Terminar la aplicación es como cerrar la carta de un restaurante. Aún tienes que conseguir que la gente entre por la puerta.

La distribución es el trabajo.

Los más asiduos a esta newsletter estáis cansados de oírme hablar de que la distribución siempre ha sido más importante que el producto. Y obviamente, no iba a dejar pasar este magnífico ejemplo para recordarlo.

¿Por qué insisto en recordarlo? Porque las habilidades necesarias para crear un producto rara vez se cruzan con las necesarias para darlo a conocer. Las temidas ventas son el talón de Aquiles de la mayoría de los emprendedores. Y por donde se marchitan la mayor parte de los proyectos. Los inversores lo saben y, por eso, suelen buscar equipos que combinen ambos perfiles: ingeniería y ventas.

Hay esperanza, sin embargo. Existen perfiles que combinan ambos conjuntos de habilidades: unicornios blancos capaces de desafiar las leyes que parecen separar a los constructores de los distribuidores y de levantar proyectos por sí solos. Todos tienen una característica en común: estar dispuestos a montar un buen cirio.

¿Y qué es montar un buen cirio? Salirse de la norma. Crear un producto diferencial y aprovechar todas las grietas del sistema para que tus posibles clientes se fijen en ti.

Marc Benioff, por ejemplo, fundador de Salesforce y uno de los principales impulsores del software en la nube, contrató a un pequeño ejército de actores para simular una manifestación al grito de “No Software” en la entrada de la conferencia anual de su principal competidor, Siebel Systems. Benioff también llegó a contratar a una falsa cadena de televisión para que grabara la protesta y entrevistara a los actores.

Otro emprendedor de renombre que supo manejar a la perfección el arte de darse a conocer fue Richard Branson, fundador, entre otras, de la aerolínea Virgin Atlantic.

Un buen ejemplo ocurrió en 1999, cuando, durante la construcción del London Eye, la famosa noria de la capital de Inglaterra, los operarios se encontraron con un problema para ponerla en pie. British Airways, su rival en los cielos, era el principal patrocinador del proyecto.

Branson no desperdició la oportunidad y, la misma mañana en que saltó la noticia, contrató un dirigible para sobrevolar la noria con el mensaje “BA no puede levantarla”.

En ocasiones, el cirio no tiene por qué ser una gran campaña publicitaria. Basta con hacer las cosas de forma diferente. Así, lo hicieron los fundadores de Justin.tv.

Ante un universo del entretenimiento dominado por las grandes cadenas como MTV y un incipiente Youtube, apostaron por que el futuro sería el directo en streaming. Para demostrarlo, uno de ellos, Justin Kan, decidió convertir su vida en un reality 24/7.

Su equipo le cubrió con cámaras que captaban distintos ángulos de su vida diaria. Con una mochila a la espalda, cargaba el equipo para retransmitir en directo a Internet (recordemos, estamos en 2007). Justin se grabó durante meses, comiendo, caminando, hablando con inversores e incluso durmiendo.

La campaña, por llamarla de alguna manera, fue un absoluto éxito nacional, con medios de todo el país interesándose por “el hombre con la cámara en la gorra”, lo que les generó decenas de millones de dólares en publicidad gratuita. Poco después, renombraron el servicio a Twitch.

Primero que miren

Y si os parece que esto de los cirios solo funciona en Silicon Valley, dejadme daros una vuelta por el panorama musical español a finales de los ochenta.

En el libro Extremoduro: De Profundis: La historia autorizada, biografía del mítico grupo de rock extremeño, su autor, Javier Menéndez Flores, resume en un párrafo cómo Roberto Iniesta, líder del grupo, entendió perfectamente la importancia de darse a conocer:

Ahora bien, Robe, al igual que Ramoncín, tuvo muy presente desde el principio de su carrera que si quería destacar tenía que montar un buen cirio. Y luego ya, si acaso, repararían en el talento, que como el devenir del tiempo ha demostrado, lo había, y a raudales. Primero, parecía pensar, que miren (porque hay muchos sitios donde mirar y conseguir que los ojos se fijen en uno no es fácil). Y a partir de ahí, que le pongan nota.”

Robe, al igual que Benioff, Branson o Kan, sabía que tenía que montar un buen cirio para ser alguien. Y vaya si lo hizo. En 1990, llamó a todas las puertas hasta conseguir actuar en Plàstic, un programa que se emitía en el segundo canal de la Televisión Española en Cataluña. Y allí interpretaron dos canciones que cambiarían para siempre la historia del grupo.

Primero, Jesucristo García, con Robe vestido con una túnica blanca y una cadena de perro a modo de corona de espinas. Salo, su bajista, con un tricornio que representaba a la Guardia Civil, terminaba la canción disparándole en la nuca, un momento que la cadena censuró.

Después, Extremaydura, en la que Robe ya descamisado, introducía su cabeza en una soga al grito de “Cagó Dios en Cáceres y Badajoz”.

Ese cirio en Plàstic los puso en el panorama musical español. En De Profundis, Menéndez Flores escribe:

Y vaya si consiguió su propósito. En el libro Cultura de bar. Conversaciones con Fito Cabrales, “el músico bilbaíno confesaba que fue a raíz de aquella aparición televisiva como conoció a Extremoduro, y lo mucho que Robe le impresionó: «Me acuerdo de que conozco a Extremoduro por un programa de televisión, Plàstic, y me quedo acojonado preguntándome quién era ese macarra, con esas pintas y cantando ‘Jesucristo García’». Al igual que él, mucha otra gente lo descubrió ahí.”

Vuelvo al desarrollador de Reddit del principio. Sus cuatro aplicaciones funcionan. Arrancan. Están en la App Store. Pero nadie las mira. Nadie sabe que están allí.

La próxima vez que pienses en lanzar un producto, considera antes: ¿estás dispuesto a montar un gran cirio? ¿Estás dispuesto a salir de la cueva, pisar la calle y exponerte públicamente a las miradas y críticas del resto?

Si la respuesta es no. No empieces. No pierdas el tiempo construyendo. La gente no vendrá. Primero, debes conseguir que miren.

Curiosa, porque atacó salvajemente a Anthropic y a OpenAI, acusándolos, en pocas palabras, de robar a sus propios clientes.

Karp aseguró que decía en voz alta lo que muchos ejecutivos no se atreven a reconocer en público. Y es que cuestionar la IA es complicado cuando llevas dos años vendiéndola como el futuro de tu empresa.

El CEO de Palantir llega a sostener que se está librando una batalla por el control de los medios de producción. En la era industrial eran las fábricas; en la del software, los modelos y los datos que los hacen útiles. Las empresas que los poseen no quieren cederlos. Los proveedores de los LLM, en cambio, saben que vender tokens no basta para sostener sus valoraciones: también necesitan quedarse con lo que se construye sobre ellos.

La estrategia del sistema operativo

Este fin de semana, All-In, el podcast de algunos de los inversores más influyentes de Silicon Valley, dedicó buena parte del programa a explicar de dónde surge la sospecha de las empresas de que les quieren robar los medios de producción.

David Sacks, uno de sus participantes, la bautizó como la estrategia del sistema operativo. Primero dominas la capa sobre la que todos construyen; después subes por el stack y te quedas los verticales rentables.​

La estrategia del sistema operativo la popularizó Microsoft con Windows. Así, Microsoft ponía la capa fundamental sobre la que terceros desarrollaban aplicaciones que podían vender. Y cuando detectaba una aplicación rentable, la replicaba para quedarse con la monetización incremental. Esta es la razón por la que hoy en día piensas en Excel cuando quieres trabajar con una hoja de cálculo, en lugar de en Lotus 1-2-3, el software de referencia en los años 80.

¿Y no es exactamente eso lo que está haciendo Anthropic? Cursor, el IDE de desarrollo IA, era el mejor cliente de Anthropic. Y esta, al ver el enorme volumen de tokens que Cursor le compraba, olió la oportunidad entre los desarrolladores. Al poco tiempo lanzó Claude Code y el resto es historia.

También podríamos hablar de Figma. El CPO de Anthropic era miembro del consejo de la compañía cotizada, puesto del que tuvo la decencia de dimitir tres días antes de lanzar un competidor directo: Claude Design. En lo que va de año, la acción de Figma ha caído más de un 40%, mientras que la valoración de Anthropic no ha dejado de crecer.

Según Sacks, Claude Design es solo el primero de una serie de verticales que Anthropic quiere asaltar. Claude Science, Claude Security, Claude Legal y Claude Financial son sólo algunos de los que ya han anunciado.

Es la continuación natural de lo que contamos en Anthropic quema hasta 4.800$ por usuario para destruir a Cursor: quien posee el modelo decide quién vive en la capa de arriba. O dicho con la tesis de El valor terminal del SaaS es cero, quien posee el modelo está en posición de absorber gran parte del software que vive encima.

Los que mejor conocen el producto no se fían

No hace falta creerse a Karp. Basta con mirar qué hacen quienes mejor conocen estos modelos por dentro.

Microsoft, que distribuye IA de frontera a medio planeta, bloqueó el uso interno de Claude Fable 5 un día después de su lanzamiento debido a la política de retención de datos de 30 días de Anthropic. La mayor empresa de software del mundo prefiere renunciar al mejor modelo del mercado antes que exponer sus datos a Anthropic.

El segundo ejemplo lo contó David Friedberg, otro de los participantes, en el mismo episodio: Anthropic estaría ofreciendo a las farmacéuticas acceso anticipado a Claude Science a cambio de sus datos. Y casi todas están diciendo que no. Han entendido que unos datos que costaron miles de millones generar valen cero en cuanto se agrupan con los de todos los demás y se venden, empaquetados en un modelo, a sus competidores.​

A ese conocimiento acumulado que tienen las empresas, Karp lo denomina “alfa”. Tu alfa sería todo aquello que hace que tu negocio tenga valor: tus workflows, tus datos de clientes, tu lógica de precios, tus procesos internos que a la competencia le costaría años replicar.

Para Karp, Anthropic y OpenAI están robándote tu alfa, mientras les pagas tokens a precio de oro por hacerlo.​

Es cierto que los términos empresariales de estos proveedores establecen que, por defecto, no entrenan con tus datos. Pero lo que hagan hoy importa menos que sus incentivos, que apuntan en la dirección contraria. Y tú no hay forma de auditarlos.​

Ese es el trato que Karp llama robo: alquilas la inteligencia de otro mientras le entregas, consulta a consulta, la tuya propia.

La importancia de los modelos abiertos

Si necesitas depender de modelos cerrados como los de Anthropic u OpenAI, el panorama es desolador. Afortunadamente, cada día los modelos abiertos se acercan más y más al rendimiento de los cerrados, siendo, además, más baratos.

En el mismo episodio, Chamath Palihapitiya contó un experimento en el que hizo una migración de código sobre el mejor modelo abierto disponible. El resultado fue 16,4 veces más barato que usar directamente un modelo frontera, a cambio de ser unas tres veces más lento. Para una tarea que corre en segundo plano, dividir el coste por dieciséis a cambio de unas horas más es un intercambio más que respetable.​

Con todo, la mayor ventaja es la propiedad. Un modelo de pesos abiertos lo descargas y lo ejecutas en tu infraestructura, así que tus consultas nunca salen de casa. No hay política de retención que tengas que creerte ni términos de servicio que no puedas auditar. Tu alfa se queda contigo.​

Hay una última ventaja de la que se habla menos. Si tú y tu competidor alquiláis la misma inteligencia en el mismo sitio, vuestros productos acabarán convergiendo. Un modelo abierto, afinado con tu propio alfa, es la mejor forma de conservar el control de los medios de producción.

Y, gracias a los modelos abiertos, por primera vez desde que empezó esta ola, controlar los medios de producción empieza a ser más barato que alquilarlos.

¿Dónde vive hoy tu alfa, en tu casa o en la de Anthropic?

​

Microsoft, por su parte, encadenó su tercera subida consecutiva en las consolas Xbox Series X y S, encareciéndolas entre 100 y 150 dólares en pleno ecuador de su ciclo de vida. Dos compañías que compiten en mercados que apenas se rozan suben los precios en la misma semana y por el mismo motivo.

Y ese motivo apunta al final de la era de la electrónica barata. A lo largo de 2025 y 2026, el mercado global de la memoria ha sufrido un ajuste de precios histórico que analistas e industria han bautizado como “RAMmageddon”.

Términos grandilocuentes aparte, el problema es que esta vez puede que no estemos ante uno de los clásicos ciclos de escasez y exceso temporal que han caracterizado al sector, sino ante un cambio permanente: la capacidad de producción global de silicio se ha desviado casi por completo de la memoria orientada al consumidor hacia chips de altísimo margen diseñados para la infraestructura de inteligencia artificial.

La voracidad de la IA y el cuello de botella de la memoria HBM

La inteligencia artificial devora potencia de cálculo. La proveen, sobre todo, los llamados hyperscalers (los gigantes de la nube: Google, Amazon, Microsoft u Oracle, entre otros), lanzados a una carrera de inversión en infraestructura como no se recordaba en tiempos modernos.

Esta infraestructura depende de un tipo especial, la Memoria de Alto Ancho de Banda (HBM), que logra su velocidad apilando varias capas de chips una encima de otra. ¿El problema? Fabricar un gigabyte de HBM consume entre tres y cuatro veces más silicio en bruto que un gigabyte de RAM normal de un ordenador.

Y fabricar HBM genera márgenes entre tres y cinco veces superiores a la RAM de consumo, un incentivo difícil de ignorar. Así, el oligopolio de tres empresas que controla la memoria (Samsung, SK Hynix y Micron) ha hecho lo que haría cualquiera: ha seguido el dinero. Ha volcado su producción en la IA y ha dejado a la electrónica de consumo peleando por las sobras.

Se espera que los centros de datos acaparen cerca del 70% de los chips de memoria producidos en 2026. Mientras tanto, el suministro de RAM que alimentaba la fabricación de portátiles, móviles y consolas se ha evaporado.

La ola expansiva sobre los precios minoristas

La escasez ha desbaratado la estructura de costes de la electrónica de consumo. Los componentes de memoria y almacenamiento, que antes representaban entre el 10% y el 15% del coste de los materiales de un dispositivo, ahora suponen entre el 35% y el 45% del total. Según TrendForce, solo en el primer trimestre de 2026 los precios de la DRAM para PC se dispararon más de un 100%. Y al trimestre siguiente sumaron otro 60%. Es la primera subida sostenida en el precio de los ordenadores personales en unos cuarenta años.

Eso es justo lo que hay detrás de las subidas de Apple con las que abríamos. Si la memoria representa casi la mitad del coste de los materiales, vender un equipo de entrada a un precio asequible deja de salir a cuenta. Así, productos como el MacBook Neo pierden la propuesta de valor económica que los definía.

El caso de Xbox dice todavía más, porque Microsoft fue, además, víctima de sus propias decisiones de diseño: el tipo de memoria que eligió para sus consolas se ha encarecido especialmente, lo que la obligó a encadenar tres subidas consecutivas. El golpe se carga el modelo clásico de vender consolas a pérdidas para luego recuperar el dinero con suscripciones o software. Y es que si el hardware ya no se puede subvencionar, el negocio entero deja de cuadrar. Sony y Nintendo siguen dinámicas casi calcadas y admiten que su volumen de producción dependerá de cuánta memoria puedan conseguir a precios razonables.

¿Crisis puntual o cambio permanente?

No todas las subidas de costes acaban igual. Cuando el impacto es temporal o logístico, como la escasez de pantallas en 2004 o la burbuja de las tarjetas gráficas durante el COVID-19 entre 2020 y 2022, la oferta termina por inundar el mercado, los especuladores quiebran y el precio de los equipos vuelve a niveles normales. Sin embargo, y para nuestra desgracia, lo de 2026 se parece más a las crisis que cambian para siempre las reglas del mercado.

Por ejemplo, las inundaciones de Tailandia en 2011 mermaron el 30% de la capacidad mundial de producción de discos duros. El precio de los HDD en las tiendas se disparó hasta un 150%, pero más allá del choque inicial, el mercado se estabilizó un 20% más arriba, redujo las garantías para el consumidor y aceleró la transición final hacia los discos de estado sólido (SSD).

Otro caso clave fue la crisis del petróleo de 1973 y 1979, un shock de escasez energética que, en poco tiempo en EE.UU., hundió el dominio de los grandes coches americanos devoradores de gasolina y empujó una migración irreversible hacia los compactos japoneses. La inflación de la era de la IA repite ese patrón: la capacidad industrial ha encontrado una aplicación más rentable para su producción, lo que podría impedir que los precios cayeran como cabría esperar ante un shock cíclico.

¿Por qué tu próximo portátil rendirá menos por el mismo dinero?

Esta reestructuración está borrando del mapa las categorías de entrada. Según la consultora Gartner, los portátiles de menos de 500 dólares quedarán “aniquilados” comercialmente para 2028, al no tener margen para absorber el encarecimiento de la RAM.

Para disimular el impacto, muchos fabricantes han empezado a aplicar una reducción silenciosa de calidad (shrinkflation): en lugar de seguir elevando el precio oficial de sus terminales base, marcas como Lenovo o Dell limitan sus configuraciones, vendiendo equipos con niveles de memoria visiblemente insuficientes para los estándares actuales, lo que fuerza un encarecimiento “oculto” a través del empeoramiento de las especificaciones.

Frente a este panorama, Apple es el gran caso de resistencia. Aunque sus ventas de hardware se resientan y sus usuarios posterguen el reemplazo del iPhone, priorizando baterías o reparaciones frente a compras nuevas, la compañía amortiguará la caída gracias a su ecosistema de servicios. Con más de 2.500 millones de dispositivos activos y un margen bruto del 75,4% en servicios e iCloud (frente al 36,8% del hardware), Apple consigue desmarcar sus beneficios del volumen de teléfonos vendidos cada trimestre.

En el extremo opuesto están los que no tienen ese colchón: quien viva solo del hardware barato y no tenga servicios que amortigüen el golpe, enfrentará pérdidas enormes.

Qué harán los consumidores (y por qué debería preocupar a los fabricantes)

La historia ofrece a las marcas una pista bastante fiable sobre lo que viene. Cada vez que un bien se encarece de golpe, los consumidores reaccionamos con la misma jugada: dejamos de comprarlo con tanta frecuencia. El coche es un buen ejemplo.

Durante el COVID, muchos fabricantes aprovecharon la excusa de las roturas de las cadenas de suministro para subir los precios de sus vehículos. ¿Qué hicimos los españoles? Alargar la vida útil de nuestros coches. Así, la edad media del parque de turismos no ha parado de subir hasta marcar un récord de 14,6 años, uno de los más altos de la Unión Europea, con casi dos de cada tres coches por encima de la década.

Con la electrónica el patrón tampoco es nuevo. Si en 2013 cambiábamos de móvil cada dos años, hoy el ciclo de reemplazo medio se acerca a los tres y medio, empujado por baterías que aguantan más, software con soporte más largo y precios que ya no invitan a renovar por capricho. El “RAMmageddon” no hará más que acelerar esa inercia, y conviene que los fabricantes hagan números, porque el efecto sobre sus cuentas es mayor de lo que parece. Una base de clientes que renueva cada cinco años en lugar de cada cuatro reduce las ventas anuales de unidades en torno al 20%.

La lección que dejó la escasez de chips post-COVID, sin embargo, es que vender menos unidades no equivale a ganar menos. Muchos fabricantes de coches descubrieron que subir el precio medio y concentrarse en gamas altas compensaba sobradamente la caída de volumen. En electrónica, el guión será parecido: el ganador no será quien venda más aparatos, sino quien sepa extraer más valor de cada cliente a lo largo de una vida útil más larga, ya sea con configuraciones premium, con servicios recurrentes o con un mercado de reacondicionados que fidelice sin canibalizar margen. Quien siga aferrado a maximizar unidades baratas será quien más sufra.

Conclusión

Todo apunta a que la electrónica barata no volverá fácilmente. No porque la tecnología haya dejado de avanzar, sino porque el silicio que la abarataba ahora vale mucho más alimentando centros de datos. El hardware nuevo pasará a ser un lujo, y la mayoría aprenderemos a vivir con equipos que duran, se reparan y se heredan más. No es el fin del mundo, pero sí podría ser el final de una época que dábamos por garantizada. Y digo “podría” a propósito.

Porque todo este artículo parte de una apuesta: que la subida de la memoria es estructural y no un ciclo más. Pero el mercado de la RAM lleva décadas comportándose como un péndulo, y nada garantiza que esta vez sea distinto. Si la demanda de IA se enfría, ya sea porque la burbuja de inversión en centros de datos se desinfla, porque los modelos aprenden a hacer más con menos memoria, o simplemente porque los hyperscalers dejan de comprar al ritmo actual, ese 70% de la producción destinado a HBM tendría que buscar otra salida. Y los tres fabricantes que hoy priorizan la IA, Samsung, SK Hynix y Micron, no tardarían en redirigir capacidad hacia el consumo, sobre todo si las nuevas fábricas que están construyendo entran en producción justo cuando el apetito por la IA se modere. El sector ha vivido ese guión otras veces: la euforia dispara los precios, la capacidad se sobreajusta y el péndulo vuelve, a veces con sobreoferta.

Si eso ocurriera, la electrónica barata podría regresar antes de lo que sugiere este relato, y los precios de hoy se recordarían como el pico de una crisis pasajera, no como el suelo de una nueva normalidad. No lo descarto. Pero apostaría a lo contrario, y por una razón sencilla: aunque los precios bajen, difícilmente volverán al punto de partida. La crisis de los discos duros de 2011 también se resolvió y, aun así, el mercado se estabilizó un 20% por encima. El péndulo puede volver, pero rara vez vuelve al mismo sitio.

La administración Trump exige que Anthropic cierre todos los supuestos agujeros de seguridad antes de volver a lanzar el modelo. Anthropic responde que es imposible debido a la propia arquitectura de los modelos de lenguaje.

En el post de hoy veremos por qué los LLMs son inseguros por diseño y cómo los proveedores intentan evitar que se “liberen”.

1. Arreglar una vulnerabilidad también enseña a explotarla

El caso que provocó la intervención del gobierno y el cierre de Fable ilustra a la perfección el problema.

Al parecer, los expertos en seguridad que levantaron la alerta sobre esta posible vulnerabilidad hicieron algo tan sencillo como pedirle a Claude que buscara y solucionara fallos de seguridad sobre un código determinado.

Claude lo hizo: encontró un fallo, generó un parche y creó un script que comprobaba su corrección. El problema es que ese mismo script sirve tanto para verificar que el fallo está corregido como para localizarlo y explotarlo, lo que abre una vía para que actores maliciosos exploten el sistema.

2. No es un fallo del sistema; es como funciona el sistema

En un programa tradicional, una vulnerabilidad es un fallo en el código que, una vez localizado, puede ser solucionado, generalmente modificando ese mismo código.

Los modelos de lenguaje como Fable o GPT-5.5 no son programas tradicionales. Son redes neuronales probabilísticas que no siguen reglas fijas, sino que calculan la respuesta más probable y a las que los proveedores intentan poner guardarraíles.

La posible “liberación” de los modelos, por lo tanto, no corresponde a un fallo en el código que pueda solucionarse. Si conseguimos convencer a la IA, mediante lenguaje natural, de que nuestra petición no es peligrosa, nos dará la respuesta que buscamos.

El problema para los proveedores de modelos es que el lenguaje humano es infinitamente variado y, por tanto, las formas de engañar a un LLM para conseguir que nos dé la información que buscamos también lo son.

3. La superficie de ataque es demasiado grande

Para que Anthropic pudiera bloquear cada posible vulnerabilidad, tendría que anticipar cualquier combinación de palabras, metáforas o escenarios en distintos idiomas que podríamos usar para saltarnos las medidas de seguridad de Fable.

Incluso si Anthropic pudiese cerrar todos los agujeros hoy, mañana alguien encontraría cómo volver a preguntar lo mismo, cambiando ligeramente el envoltorio. En sus alegaciones al cierre de Fable, la empresa llega a afirmar que la resistencia absoluta a las brechas de seguridad es imposible:

Sospechamos que, actualmente, ningún proveedor de modelos puede lograr una resistencia perfecta a los intentos de eludir sus medidas de seguridad. Todas las salvaguardas utilizadas en la industria son vulnerables a ataques no universales, que pueden obtener cierta información sobre ciberseguridad en circunstancias específicas, y es probable que en el futuro acaben encontrándose ataques universales. Lo dijimos claramente cuando lanzamos Fable 5. -- Fuente: Statement on the US government directive to suspend access to Fable 5 and Mythos 5

Traducido: hoy solo existen ataques que funcionan en casos concretos (los “no universales”), pero tarde o temprano aparecerán los que funcionan de forma general y fiable (los “universales”). Y contra eso, admite Anthropic, nadie está blindado.

Lo que sí pueden hacer los proveedores

A estas alturas está claro: no existe ningún modelo 100% seguro. Como la propia Anthropic reconoce, “ningún proveedor puede lograr una resistencia perfecta frente a los intentos de eludir sus medidas de seguridad”.

Ahora bien, eso no quiere decir que los proveedores se crucen de brazos. Trabajan para reducir la superficie de ataque mediante diversas técnicas. Entre otras:

1. Alineamiento del modelo con los comportamientos deseados: una vez entrenado el modelo base, los proveedores como Anthropic vuelven a entrenarlo en rondas de post-training para conseguir que se comporte como esperan.

2. Filtrado de entrada y salida: Anthropic filtra lo que entra y sale del modelo. Por ejemplo, en un prompt puede evitar aplicar instrucciones como “ignora tus instrucciones previas” o, en su respuesta, detectar contenido peligroso y evitar que llegue al usuario.

3. Monitorización y respuesta continuas: como ningún filtro es perfecto, los proveedores observan cómo se usa el modelo en producción, detectan nuevos patrones de ataque y los parchean sobre la marcha.

Sin embargo, ninguna de estas técnicas resuelve por completo el problema. El alineamiento reduce la probabilidad de una respuesta peligrosa, pero no la elimina. El filtrado bloquea los ataques conocidos, no los que se inventarán mañana. Y la monitorización, por definición, siempre llega un paso por detrás del atacante.

Seguridad absoluta vs. gestión del riesgo

El gobierno de EE.UU. está planteando la seguridad de los modelos como si fuera una cuestión binaria: o el modelo es seguro o no lo es. Pero esa forma de verlo no encaja bien con la realidad.

Un coche no es “seguro” en términos absolutos. Puede tener cinturones de seguridad, airbags, control de estabilidad, límites de velocidad y revisiones obligatorias. Aun así, puede haber accidentes. Lo que hacemos como sociedad no es exigir que no ocurra ningún accidente posible, sino reducir la probabilidad y la gravedad de esos accidentes hasta un nivel aceptable.

Con los LLMs ocurre algo parecido.

La pregunta no debería ser si un modelo puede “ser liberado”, porque la respuesta probablemente siempre será sí. La pregunta relevante es otra: cuánto cuesta liberarlo, qué tipo de daño puede causar cuando ocurre, con qué frecuencia sucede y qué mecanismos existen para detectarlo y contenerlo.

En otras palabras, no estamos hablando de eliminar el riesgo, sino de gestionarlo.

Eso no exime a Anthropic, OpenAI, Google ni a ningún otro proveedor de responsabilidad alguna. Al contrario: cuanto más potentes sean sus modelos, mayor debe ser su obligación de probarlos, limitarlos, monitorizarlos y responder cuando fallen.

Pero sí debería cambiar la pregunta que hacemos.

No deberíamos preguntar: “¿Puede este modelo ser liberado alguna vez?”.

Deberíamos preguntar: “¿Qué ha hecho su proveedor para que liberarlo sea difícil, detectable, limitado y costoso?”.

¿La razón? El gobierno de EE.UU. les obligaba a hacerlo añadiendo los modelos de la clase Mythos de Anthropic a una lista de controles de exportación: el mismo mecanismo que usa para impedir que cierta tecnología sensible caiga en manos extranjeras.

La inclusión en esa lista implica que Anthropic no puede ofrecerlos a ciudadanos no estadounidenses, ni dentro ni fuera del país.

La medida también alcanza a sus propios empleados. Andrej Karpathy, flamante fichaje de Anthropic hace apenas unas semanas, no puede trabajar desde el viernes con los mejores modelos de su propia empresa.

Qué ha pasado

Para entender qué ha pasado, hay que comprender la diferencia entre Mythos y Fable.

Mythos es el modelo más avanzado que ha entrenado Anthropic. Lo anunciaron en abril de 2026, pero decidieron no abrirlo al público: lo consideraban demasiado peligroso. El motivo era su capacidad para encontrar y explotar vulnerabilidades de software desconocidas de forma autónoma, en cuestión de minutos y a una escala que normalmente requiere equipos de expertos humanos.

En lugar de abrirlo, Anthropic montó Project Glasswing, un programa de acceso restringido a un puñado de socios de peso (Amazon, Apple, Google, Microsoft, NVIDIA, CrowdStrike, Cisco) para que lo aplicaran a tareas de investigación en ciberseguridad.

Fable, por su lado, es Mythos con guardarraíles. El motor es el mismo. Lo que cambia son ciertas barreras de seguridad que impiden que cualquiera pueda usarlo para hacer el mal (el mal, según Anthropic, claro).

El problema parece haber surgido, y digo “parece” porque la información al respecto es difusa, cuando el gobierno de EE.UU. ha sido advertido de que Fable había sido “liberado”.

Según la propia Anthropic, un socio de confianza (todos los indicios apuntan a Amazon) que estaba probando Fable encontró la forma de saltarse las barreras y acceder a Mythos sin restricciones.

Y claro, cuando te has pasado meses advirtiendo de que tu modelo es demasiado peligroso para que el público acceda sin restricciones, y estas saltan por los aires, tienes un problema.

David Sacks, a quien Donald Trump nombró “AI & Crypto Czar” y de quien cabe presumir buena sintonía con la administración, cuenta que esta le dio a Dario Amodei, CEO de Anthropic, dos opciones: cerrar el agujero de seguridad o retirar el modelo. Amodei se negó.

El gobierno respondió entonces aplicando el control de exportación. Y Anthropic, incapaz de verificar si quien tiene acceso a un modelo vía API es o no un ciudadano estadounidense, no tuvo más remedio que retirar el modelo del mercado.

La ironía de la negativa de Anthropic

Es, cuanto menos, sorprendente que Anthropic se negara a cerrar el agujero de seguridad. Según sus propias declaraciones, el ataque solo expuso unas pocas capacidades del modelo, que apenas han permitido identificar vulnerabilidades menores.

We reviewed a demonstration of this specific technique being used to identify a small number of previously known, minor vulnerabilities. These vulnerabilities all appear relatively simple, and we have found that other publicly-available models are able to discover them as well without requiring a bypass.

No deja de ser irónico, sin embargo, que la primera respuesta de la empresa que ha construido toda su marca sobre la idea de que la seguridad va primero, la que se presenta como el laboratorio responsable, haya sido restarle importancia.

Anthropic también reconoce el problema de fondo en la misma nota. La propia arquitectura de los LLMs los vuelve indefendibles. Todos son susceptibles de ser “liberados” de sus guardarraíles:

We suspect that perfect jailbreak resistance is not currently possible for any model provider. Every safeguard used in the industry is vulnerable to non-universal jailbreaks (which can elicit some cyber information in specific circumstances), and it is likely that universal jailbreaks will eventually be found in the future. We stated this clearly when we released Fable 5.

Y claro, todo esto es un problema, cuando gran parte de tu estrategia de marketing ha sido el miedo.

Como ejemplo, os dejo un párrafo del último post de Amodei, instando al gobierno a regular el uso de la inteligencia artificial, comparándola con las armas nucleares:

Over the last few years since AI has become a major commercial technology, those of us who wanted to handle it responsibly have faced a dilemma. We could see clearly where the exponential was going: we strongly suspected that within a few years AI would be one of the rare technologies that fundamentally reshapes the entire policy landscape, in the same way that nuclear weapons reshaped geopolitics and the industrial revolution fundamentally reshaped every economic and social issue.

Desde luego, si su intención era que el gobierno interviniera, al final lo ha conseguido. Quizás no en la dirección que él esperaba, eso sí.

Consecuencias

Las consecuencias de este movimiento con pocos precedentes del gobierno de EE.UU. dan que pensar.

A corto plazo

• Disrupción en flujos de trabajo: Si bien Fable no había estado abierto al público desde hacía más de unos días, estoy seguro de que su retirada causará problemas a más de una empresa que ya había empezado a utilizarlo.

• Golpe financiero y operacional a Anthropic: El golpe para la compañía es doble. Por una parte, pierden toda la facturación que podrían obtener con su mejor modelo. Por otra parte, sabiendo el número de empleados extranjeros que los laboratorios emplean, no me quiero imaginar cómo van a gestionar que los no estadounidenses no puedan acceder a Mythos. Y es que gran parte de la ventaja de los proveedores de modelos consiste precisamente en tener acceso a estos antes que el resto del mercado.

A largo plazo

• Impulso a los modelos de código abierto: Curiosamente, los grandes beneficiarios de este movimiento son los modelos de código abierto, en los que China parte de una situación claramente aventajada. Y es que, ¿quién va a querer confiar en modelos cerrados cuando te pueden cortar el acceso de un día para otro por decisiones puramente políticas?

• Aceleración de campeones nacionales: Poder acceder al código es una ventaja, pero ¿quién dice que China no pueda seguir los pasos de EE.UU. en el futuro y frenar en seco las contribuciones de sus empresas al código? Europa va a necesitar potenciar su independencia respecto a la IA y Mistral puede ser la gran beneficiada.

• Frenazo al desarrollo de la IA: Si EE.UU. limita el acceso a los mejores modelos únicamente a sus propios ciudadanos, la inteligencia artificial perderá gran parte de la materia gris que actualmente contribuye a su desarrollo. Si China y Europa le siguen los pasos, la fragmentación del conocimiento ralentizará la industria en su conjunto.

Una nota final

No podemos olvidar que estamos ante una de las administraciones de EE.UU. más volubles de la historia.

No me sorprendería en absoluto que esta misma tarde, o el lunes antes de que abrieran los mercados, el gobierno retirara los modelos de Anthropic de la lista de control de exportaciones.

Pero el precedente ya estará sentado, y todos hemos tomado buena nota: el gobierno de EE.UU. ha demostrado que puede cortar el acceso al mejor modelo de inteligencia artificial en unas horas.

Y ese es un riesgo que el resto del planeta no puede permitirse.

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.