La actualización incorporaba algo con lo que no contaban: un virus que, una vez dentro de su red corporativa, se extendió a más de 45.000 ordenadores y 3.500 servidores en tan sólo 7 minutos.

El virus, llamado NotPetya, era una variante de un ransomware que infectaba el registro maestro de arranque de los equipos, cifraba sus discos duros, los reiniciaba y exigía un pago en criptomonedas para recuperarlos. Lo curioso de esta variante, atribuida a los servicios de inteligencia rusos, fue que no había forma de recuperar los archivos aun pagando el supuesto rescate. El objetivo era inutilizar los equipos por completo.

Maersk perdió, en cuestión de minutos, el acceso a todos los sistemas de control de su operativa global de gestión de flotas y contenedores. Y lo peor, recuperarlos no iba a ser sencillo. El virus había borrado los nodos que gestionaban Active Directory, el servicio central de identidad de la compañía, que determinaba qué persona tenía acceso a qué herramientas y archivos, y con qué permisos.

Maersk se enfrentaba a pérdidas millonarias, y el comercio mundial a una posible parálisis si el transporte marítimo se detenía.

Un milagro en Ghana

Mientras el virus se extendía por la red a todas y cada una de las oficinas de Maersk, en su sede en Nigeria se había producido un corte de electricidad, lo que dejó sus equipos inaccesibles y desconectados de la red.

La noticia del hackeo llegó antes de que los equipos se volvieran a conectar. Uno de esos equipos, un servidor, contenía la última copia operativa del Active Directory de Maersk.

Rápidamente, el servicio de IT de Nigeria lo aisló y lo envió físicamente en avión a las oficinas centrales en Dinamarca.

Gracias a esto, Maersk pudo comenzar la restauración de sus sistemas y recuperar cierta normalidad en un plazo de 2 semanas. Tardaría otras 4 en volver a operar al 100%. Mientras tanto, mantuvo las operaciones mediante métodos tradicionales: teléfono, papel y una estrecha colaboración con clientes y autoridades portuarias de todo el mundo.

Se estima que este incidente supuso a la compañía un impacto de entre 300 y 350 millones de euros.

Octubre negro

De vuelta al presente, este pasado miércoles, Onamae, un proveedor de Internet japonés, apagaba de forma abrupta más de 26.000 servidores virtualizados de Windows de su servicio Desktop Cloud.

El servicio era popular entre traders que lo utilizaban para ejecutar estrategias automatizadas en los mercados financieros. Uno de ellos contactó a Onamae tras observar movimientos sospechosos, lo que la llevó a iniciar una investigación. Esta concluyó que, al igual que en el caso de Maersk, un virus se había propagado lateralmente a través de todos los servidores obteniendo el control sobre cada uno de ellos.

A día de hoy, el servicio permanece clausurado y sin fecha anunciada para su retorno.

El mismo día en que Onamae dejaba sin servicio a miles de clientes, agencias gubernamentales de medio planeta recomendaban desconectar cualquier sistema que corríese PHP si no era posible parchearlo de inmediato.

PHP fue uno de los lenguajes de programación más populares hace unos años, y se estima que hasta un 70% de Internet funciona con servicios escritos en él, como, por ejemplo, WordPress.

¿La razón de tan radical recomendación? La Fundación PHP había anunciado para esa misma tarde la publicación de dos nuevas vulnerabilidades clasificadas como de nivel 10, el más alto posible. Estas podían permitir a atacantes maliciosos obtener el control de los sistemas que alojaran cualquier aplicación PHP.

Opacado por el anuncio de las vulnerabilidades de PHP, el mismo miércoles se anunció también Node2Shell, una vulnerabilidad en Brotli, una librería de compresión de Google que, al igual que la de PHP, permitía la ejecución remota de código en otra máquina.

Y la lista sigue. La siguiente gráfica es un buen ejemplo de lo ocurrido en los últimos días. Mide la evolución del número de vulnerabilidades de software detectadas mes a mes desde 1999. El 2026 está siendo absolutamente salvaje.

Esta avalancha de vulnerabilidades de seguridad viene propiciada por la aparición de agentes de inteligencia artificial autónomos. Lamentablemente, crear software 100% seguro nunca ha sido económicamente viable.

Parte del modelo de seguridad del software consistía en que encontrar vulnerabilidades era igualmente costoso y estaba al alcance de muy pocos. Los agentes IA han cambiado eso. No porque sean más inteligentes que los humanos, sino porque son incansables en su empeño. Donde antes había un grupo reducido de hackers probando ideas para romper un sistema, ahora esos mismos hackers tienen a su disposición enjambres de decenas o cientos de agentes para ayudarles en su tarea.

Los laboratorios hace tiempo que advierten sobre esto. Jason D. Clinton, ejecutivo de ciberseguridad de Anthropic, advertía en agosto sobre la llegada de un tsunami de vulnerabilidades. El jueves, en relación con los incidentes de los últimos días, advierte que las cosas se van a poner peor antes de mejorar.

Sam Altman, CEO de OpenAi, ha llegado a decir que no encuentra palabras lo suficientemente dramáticas para expresar su preocupación. Piensa que no seremos capaces de parchear todas las vulnerabilidades.

El problema de los laboratorios que operan en la frontera, como OpenAI y Anthropic, es que pierden mucho más dinero del que ingresan y, con la competencia china, se les empieza a acabar el tiempo. La regulación forzada es una de sus principales tablas de salvación, por lo que tienen un gran incentivo para infundir miedo en la sociedad.

Ahora bien. Siendo ingeniero de software de formación y habiendo trabajado durante más de 25 años creando productos de software en Internet, debo reconocer que, en cuanto a ciberseguridad, tienen razón. Los agentes autónomos han reducido demasiado la barrera de entrada para hackear cualquier sistema.

El problema principal es que las fuerzas no están equilibradas. La Fundación PHP, por ejemplo, es una entidad sin ánimo de lucro, financiada por las empresas que utilizan la tecnología y que se apoya en el trabajo de muchos voluntarios. La mayoría de las piezas críticas del software sobre el que funciona Internet lo hacen de manera similar.

Este ejército de voluntarios se enfrenta ahora a hordas de agentes IA trabajando incansablemente para encontrar vulnerabilidades que explotar. Adaptarse a los nuevos tiempos va a costar. Pero los ataques no se van a detener. Como decía el ejecutivo de Anthropic, las cosas probablemente empeorarán antes de mejorar.

¿Cuál es tu plan de contingencia?

¿Qué ocurriría si un virus se extendiera por tus sistemas y los inutilizara, como le pasó a Maersk o, más recientemente, a Onamae? ¿Puedes operar sin conectividad hoy en día?

Esta es la primera pregunta que deberían hacerse todas las empresas que dependen de tecnología y conectividad para operar. La experiencia de Maersk nos enseña que lo que un día damos por sentado puede desaparecer al día siguiente.

Las que puedan hacerlo necesitan contar con protocolos de operación sin conexión a Internet. Maersk sobrevivió las primeras dos semanas tras el ataque utilizando medios operativos tradicionales como el teléfono.

Las empresas que son directamente un producto web, como las SaaS, difícilmente podrán sustituir sus servicios mediante atención telefónica. En este caso, la seguridad de sus sistemas debería ser hoy en día su principal preocupación.

Afortunadamente, podemos aprender de experiencias como la de Maersk y de su reacción posterior al incidente. Con tiempo y dinero, se pueden minimizar los riesgos. El problema es que, históricamente, la seguridad ha sido un ciudadano de segunda clase en los consejos de administración de las empresas de Internet.

Hasta hoy.

Me atrevo a decir que la ciberseguridad será una de las profesiones con más viento de cola en los próximos años. La inteligencia artificial hará que las empresas paguen, con intereses, décadas de infrafinanciación en este ámbito.

Mientras eso pasa, vamos a vivir meses turbulentos. Gobiernos de todo el mundo ya recomiendan aprovisionarse para sobrevivir 3 días en caso de que ocurra algún incidente que pueda paralizar un país, como el apagón que vivimos recientemente en España.

¿Exagerado? Probablemente. Pero he visto los mimbres que sostienen Internet y os puedo asegurar que yo, como padre de familia, estaré preparado.

El libro de órdenes llevaba once horas abierto y seguía casi vacío. Eran 14.000 millones de dólares en bonos respaldados por los rendimientos futuros de un centro de datos en el oeste de Texas, cuyo inquilino final sería OpenAI. Tres bancos habían garantizado la colocación, lo que significaba que si nadie compraba, los bonos se quedarían en sus balances.

A las seis de la tarde, con la mitad de la emisión sin asignar, el responsable de la colocación de uno de los bancos hizo una llamada que nunca antes había tenido que hacer. Preguntó a su jefe de riesgos a qué precio el banco estaría dispuesto a quedarse con el resto.

OpenAI no estaba quebrada. Tenía caja para varios meses y unos ingresos que seguían creciendo cada trimestre. El problema era que aun así, los números no daban. En dos años había firmado compromisos de capacidad de cómputo por más de un billón de dólares y sus ingresos anuales apenas superaban los 70.000. La diferencia se cubría con la promesa de la siguiente ronda de financiación y se había renovado tantas veces que todo el mundo había dejado de verla como tal.

A las 21:00 llegó un correo de un fondo soberano saudí que había dado su palabra en verano. Pedía unas semanas para “completar procesos internos”. Quien lo leyó supo en ese momento que esa inversión jamás llegaría.

Domingo, 23:30

Los abogados de OpenAI pasaron la noche en una videollamada con sus tres mayores acreedores. A las tres de la mañana acordaron un comunicado que hablaba de “una pausa para renegociar compromisos”.

Cada empresa que había firmado un contrato con OpenAI lo leyó en cuanto salió, y todas llegaron a la misma conclusión: acababan de convertirse en acreedoras de una compañía que necesitaba una pausa.

Lunes, 7:00, Londres

María gestionaba crédito en un fondo de la City y abrió su hoja de cálculo antes de que la cafetería de la planta baja levantara la persiana. Buscó la exposición de sus carteras a todo lo que tuviera que ver con infraestructura IA y encontró el mismo préstamo tres veces: un vehículo de titularización, un fondo de deuda directa y un bono corporativo, todos ellos sobre el mismo centro de datos. Tenían nombres y gestores distintos, pero cubrían el mismo riesgo.

En mayo de 1931, el Credit-Anstalt de Viena, el banco más grande de Austria de su época, sorprendió al mercado al anunciar pérdidas inusuales. Banqueros de medio continente revisaron sus libros y descubrieron que llevaban meses prestando a los mismos deudores sin saberlo y que los activos en los que confiaban figuraban en los balances de otros que confiaban en los suyos. La crisis de confianza posterior provocó una serie de bancarrotas en cadena en toda Europa central, lo que aceleró la Gran Depresión.

María llamó a su jefe de riesgos. Hablaron 4 minutos. Decidieron congelar nuevas compras y no vender nada hasta evaluar el mercado. Lo mismo que decidieron otros doscientos gestores.

Lunes, 9:00, Seúl y Ámsterdam

Asia había abierto con pérdidas. SK Hynix, que llevaba un año sin dar abasto para satisfacer la demanda de memoria de los hiperescaladores, cayó tan rápido que la bolsa de Seúl suspendió la negociación a media sesión. Tenía la cartera de pedidos llena y los clientes al corriente de pago, pero los inversores se preguntaban quién pagaría el pedido del año siguiente.

En Veldhoven, ASML perdió una quinta parte de su valor en la primera hora tras la apertura de los mercados. Sus clientes pagan por adelantado y reservan las máquinas con años de margen, pero esa mañana la prioridad pasó a ser la letra pequeña de los contratos. Nadie había anulado un solo pedido, pero tres directores financieros ya habían solicitado discretamente que se revisaran las condiciones de cancelación.

En Aragón, donde media docena de proyectos de centros de datos esperaba conexión a la red, una eléctrica española recibió tres llamadas de clientes que querían “reconsiderar los plazos”.

Lunes, 15:30, Nueva York

Nvidia abrió con una caída del 20%. La demanda de sus chips no había desaparecido de un día para otro y la compañía tenía pedidos firmados para más de un año. El problema estaba en el último escalón de la cadena de compradores.

Las llamadas neoclouds, empresas que alquilan GPU a quien las necesite, habían financiado sus compras con deuda cuya garantía eran las propias GPU. El valor de ese colateral dependía de una premisa: que los chips siguieran siendo escasos. A media mañana empezaron a aparecer lotes de servidores en el mercado secundario, ofrecidos por empresas que necesitaban liquidez, a precios que no se ajustaban a ningún modelo financiero. Los préstamos incumplieron sus ratios de cobertura en cuestión de horas. Varias de esas empresas tuvieron que elegir entre aportar más garantías, que no tenían, o malvender más equipos, lo que hundía el valor de los que les quedaban.

El bono de una de ellas, que el viernes cotizaba casi a la par, cerró el lunes a 58 céntimos de dólar.

Los que tenían memoria recordaron 2001 y el despliegue de la fibra óptica. Se tendieron cables como para varias décadas de tráfico, y durante años buena parte de ellos permaneció apagada mientras las empresas que los habían tendido quebraban una tras otra. La fibra sigue ahí y hoy lleva buena parte de internet. Los que la financiaron, no.

Lunes, 17:45

Detrás de la deuda de las neoclouds estaban los fondos de crédito privado, y detrás de esos fondos, aseguradoras, fondos de pensiones y vehículos para pequeños inversores que prometían reembolsos trimestrales. Pero los reembolsos tenían una letra pequeña: se solicitan con un mes de antelación y el gestor puede limitarlos si las solicitudes superan cierto porcentaje.

Esa tarde empezaron a sonar los teléfonos en los departamentos de relación con inversores de media docena de gestoras. Las solicitudes de reembolso del trimestre siguiente se registraron en su mayoría antes de que Wall Street cerrara. Eran clientes a quienes sus asesores les habían escrito a primera hora para sugerirles que quizá les convenía contar con más liquidez.

Martes

Las startups construidas sobre las API de los grandes laboratorios descubrieron que sus márgenes dependían de que otro subvencionara los tokens. Con OpenAI buscando caja, las tarifas empezaron a subir y los créditos gratuitos a desaparecer. Una empresa de software jurídico con cuatro millones de ingresos recurrentes vio cómo su coste de inferencia pasaba del 35 % al 60 % de sus ventas en una sola factura.

Una ronda de Serie B que debía firmarse el miércoles se aplazó. Otras cuatro, que estaban en la misma fase, ni siquiera: los inversores simplemente dejaron de responder los correos.

Los valores de software tradicional, que durante un año habían cotizado como víctimas de la IA, subieron un 4%. Los mercados, que llevaban meses descontando su sustitución, concluyeron de golpe que quizá tenían más tiempo del previsto.

Miércoles

Los fabricantes de turbinas de gas, con listas de espera de varios años, vieron cómo sus clientes se preguntaban qué pasaría si cancelaban sus pedidos. Los promotores de centrales eléctricas para alimentar centros de datos releyeron los contratos de compra de energía firmados con empresas cuya capacidad de pago ya no era evidente. Una distribuidora eléctrica del Medio Oeste que había solicitado autorización para invertir 3.000 millones en subestaciones descubrió que su cliente no contestaba al teléfono.

En una ciudad del oeste de Texas, un contratista eléctrico con cuarenta empleados en el centro de datos del bono fallido recibió un correo de tres líneas del gestor del proyecto. Pedía que “se mantuvieran los equipos en posición hasta nuevo aviso”. Se les seguiría pagando durante una semana. El contratista llevaba dieciocho meses sin aceptar otros trabajos porque este ocupaba a toda su plantilla.

En Washington y en Fráncfort, los bancos centrales convocaron reuniones y se enfrentaron a un problema de competencia. La mayor parte de la exposición no estaba en bancos, que cuentan con los bancos centrales como prestamistas de última instancia, sino en fondos y vehículos que habían crecido precisamente fuera de ese perímetro. Había mucho que vigilar y pocas herramientas con las que actuar.

Los economistas rehacían sus modelos de crecimiento. Tras haber tardado meses en admitir que la construcción de centros de datos y la compra de hardware ya representaban más del 1 % del PIB, se encontraban ante el dilema inverso. Tenían que descontar de golpe miles de millones en gasto proyectado y determinar cuánta de esa expansión era capacidad real instalada y cuánta era la sombra de un espejismo crediticio.

Jueves

Los modelos seguían contestando preguntas. Anthropic, Google y los demás laboratorios mantenían operativos sus servicios. Anthropic anunció que cumpliría con sus compromisos con sus proveedores de infraestructura. No bastó para calmar a los mercados.

Los laboratorios dependían de las mismas neoclouds, de los mismos fabricantes de chips y, en última instancia, de los mismos prestamistas. Ninguno estaba en la situación de OpenAI, pero todos habían construido sus planes sobre dos hipótesis: que el dinero seguiría llegando y que el precio del cómputo seguiría bajando. Ninguna de las dos cosas era evidente ahora.

Quince días después

El índice S&P 500 se desplomó un 22% desde el domingo del bono fallido. La riqueza de los hogares estadounidenses cayó en unos 6 billones de dólares en dos semanas.

Mike y Carol, jubilados en Sarasota, tenían 640.000 dólares en un fondo indexado con fecha objetivo 2030, de los que se llaman “prudentes”. En los últimos 15 días bajó a 497.000. Siguieron el consejo de su asesor y no vendieron, pero sí cancelaron la reforma de la cocina, que tenía presupuesto desde mayo, y el viaje a Portugal del que hablaban desde la pandemia. Ray, el contratista que iba a hacer la cocina, perdió un trabajo de 38.000 dólares y llamó a su proveedor de armarios para decirle que no hiciera el pedido.

En San José, una ingeniera de 31 años tenía opciones sobre acciones de una empresa de IA que, en papel, valían 400.000 dólares y que había usado como argumento para la entrada de un piso. Ahora valían menos de la mitad. En el mismo barrio, en dos semanas se retiraron más anuncios de los que bajaron de precio. Los vendedores prefirieron esperar. Las transacciones se desplomaron.

El restaurante de moda de Palo Alto, que llevaba un año con lista de espera de tres semanas, tenía mesas libres un viernes a las ocho. El 10% de los hogares con mayores ingresos explica cerca de la mitad del consumo en Estados Unidos y ese mismo 10 % posee la mayor parte de las acciones en bolsa. La reducción de gastos de este grupo terminó por extenderse a toda la cadena de servicios: camareros, entrenadores personales, pequeños contratistas… Todos ellos vieron cómo sus ingresos disminuían.

Los gobiernos lo notaron por otra vía. California recauda una parte enorme de sus ingresos del impuesto sobre las ganancias de capital y de las retenciones sobre las acciones que las empresas pagan a sus empleados. La caída del crédito y de la financiación obligó al Estado a congelar las contrataciones. Un distrito escolar de las afueras de Sacramento, que esperaba cubrir quince plazas docentes en enero, dejó de publicarlas.

En Europa, el golpe fue más lento y llegó a través de los fondos de pensiones privados. Uno de los grandes holandeses, con ASML y media docena de valores tecnológicos entre sus mayores posiciones, anunció que revisaría la indexación de las pensiones del año siguiente. No dijo cuánto ni cuándo. Un jubilado de Eindhoven, que había trabajado treinta años en una empresa de la cadena de suministro, supo por el periódico que su pensión podía crecer menos que los precios.

El paro subió cuatro décimas en el primer dato de noviembre. Los economistas dijeron que era pronto para hablar de recesión y tenían razón sobre el papel, pero la calle y los periódicos llevaban semanas hablando de ello.

Noviembre

Los primeros despidos llegaron a las empresas que vivían de la siguiente ronda. Una startup de agentes de ventas, con 140 empleados y caja para cinco meses, reunió a la plantilla un martes a las diez y la dejó en 45. El fundador leyó un texto preparado y no respondió preguntas. En tres semanas se anunciaron recortes de unas 60.000 personas en todo el sector, la mayoría en compañías que no tenían nada que ver con OpenAI, salvo que sus inversores habían empezado a pedirles que mostraran el camino hacia la rentabilidad.

Las grandes tecnológicas despidieron menos, pero congelaron las contrataciones. El salario base apenas se movió. El golpe vino por las acciones. Un ingeniero sénior cobraba 190.000 dólares de sueldo y otros 250.000 en acciones que se le entregaban a lo largo de cuatro años. Desde el domingo del bono, esas acciones valían un 30 % menos.

En San Francisco, los reclutadores dejaron de contactar. Una empresa de infraestructura, que en septiembre tenía 40 posiciones abiertas, en noviembre tenía 6. Recursos humanos empezó a llamar a candidatos a quienes ya habían hecho una oferta en firme para decirles que, aunque firmada, su posición estaba sujeta a una “revisión presupuestaria”.

El efecto sobre los salarios no se limitó al ámbito del software. En Texas, el contratista de los cuarenta empleados pagaba a sus electricistas 150 dólares la hora, muy por encima de lo habitual, porque en toda la región faltaba mano de obra para centros de datos. Cuando la obra se detuvo, sus electricistas se ofrecieron a otras constructoras de la zona. Esas constructoras, que durante dos años habían perdido gente por culpa de aquel proyecto, contrataron a algunos por 60.

Hubo una excepción. Las empresas de software tradicionales, que habían congelado las plantillas por miedo a que la IA hiciera su trabajo, abrieron unas pocas vacantes. Pagaban un 15 % menos que en septiembre y tenían cientos de solicitudes para cada una.

Diciembre

A finales de año, los bancos centrales bajaron los tipos de interés para amortiguar el impacto en la economía real, pero la era del capital infinito había terminado.

En Wall Street, las reuniones de valoración cambiaron sus métricas de la noche a la mañana: el término escalabilidad desapareció de los informes de análisis y fue sustituido por margen operativo y flujo de caja libre.

En Nochebuena, María cerró su hoja de cálculo a las seis de la tarde, antes de que oscureciera del todo sobre la City de Londres. La exposición de su fondo a la infraestructura de IA se había saldado con pérdidas del 18 %, un resultado amargo, pero que les permitía seguir con vida.

En San José, la ingeniera de 31 años terminó firmando el alquiler de un apartamento más pequeño; en Sarasota, el contratista de Mike y Carol cerraba el proyecto de otra cocina a mitad de precio; y en Texas, los cuarenta electricistas volvieron a tender líneas de alta tensión para la red local.

La economía global volvió a ponerse en marcha, no impulsada por la promesa de superinteligencias futuras, sino por el ritmo lento, terrenal e inevitable de los balances que finalmente tenían que cuadrar.

El discurso inaugural corría a cargo de David Heinemeier Hansson, el creador del framework que durante dos décadas ha hecho las delicias de muchísimos programadores, pues en sus propias palabras, “estaba optimizado para la felicidad del programador”.

En una entrevista con Lex Fridman, en julio de 2025, DHH describía programar como un acto literario, casi poético. El ingeniero no sólo escribía código para la máquina; lo escribía para su propio deleite. Para él y muchos de sus fans más acérrimos, el código era arte y su profesión, la de artesano.

El discurso de DHH

El punto fuerte de cualquier conferencia sobre un framework como Ruby on Rails suele ser conocer las novedades y el roadmap del producto. No en vano, los asistentes a este tipo de eventos son profesionales que han dedicado una buena parte de su vida a la herramienta y, en muchos casos, han contribuido a su desarrollo.

Lo que se encontraron en el discurso inaugural de DHH, sin embargo, fue otra cosa. DHH subió al escenario y convirtió su intervención en un monográfico pro-desarrollo agéntico, llegando a decir cosas como que escribir código a mano ya no era una actividad económica rentable, o que directamente ya no leía el código que escribían sus agentes, porque, entre otras cosas, lo hacían en lenguajes que él no entendía.

Y encima, presumió de cómo estaban migrando Hey, su cliente de correo, a aplicaciones nativas y a un backend en Rust. Básicamente, utilizó el discurso inaugural de la conferencia de Rails para anunciar que migraba uno de sus productos principales fuera de Rails.

El vídeo es duro de ver. La sala está en un silencio incómodo. DHH está claramente sobreactuado. En ocasiones, llega a parecer una caricatura, lanzando mensajes como “no toméis la pastilla negra, no seáis unos perdedores”.

El propio DHH reconoce que ya no se considera programador. Para los artesanos del software, ha caído una torre. Una de las que sostenía que la programación era algo más que cubrir mecánicamente los requisitos del cliente.

¿A quién le hablaba?

Las reacciones a la charla no se hicieron esperar. Por un lado, la comunidad de Rails se sintió ninguneada y vejada, pues el creador decidió convertir el escenario central en un mítin para transmitir su visión actual del mundo.

En el otro, todos los vibe coders e inversores de capital riesgo, emocionadísimos por sumar un nuevo activo a la carrera por hacer ricos a los laboratorios IA y a Jensen Huang. Los reconoceréis por postear extractos de la charla en los que dicen cosas como “es necesario que vaya calando el mensaje”.

¿A quién hablaba, entonces? Es lo suficientemente inteligente como para saber que no es el mensaje que espera la comunidad de Rails. Entonces, ¿por qué apropiarse de la conferencia para lanzarlo? No es precisamente una persona a la que le falten altavoces.

Ni siquiera era una novedad. DHH hizo una segunda entrevista con Fridman en agosto de este año, en la que, durante cinco largas horas, ya dejaba entrever su pasión por lo agéntico y su nuevo proyecto mascota, Omarchy, una nueva distribución de Linux.

Tampoco necesita vender nada. Ya se encarga de recordarnos lo millonario que es a cada poco en X.

Hay algo más. Y creo que tiene que ver con algo que no se puede comprar: sentirse respetado. La sensación tras ver el vídeo es que es revanchista, pero su rival no está entre los asistentes a Rails World.

Su rival es posiblemente un anónimo en X que le destapó alguna vergüenza. Su rival es un programador sénior que trabaja en un entorno complejo y se descojona cuando le oye decir que un agente va a hacer su trabajo, y le recuerda que Basecamp y Hey son aplicaciones con poco reto técnico. Su rival es todo aquel que le ignora, por muy fuerte que grite.

Es un poco la actitud de un Elon Musk en miniatura. Tan inseguro de sí mismo que tiene que hacerse fuerte haciendo bullying a su propia comunidad. Es triste y patético, la verdad. Especialmente viniendo de alguien que ha sido un referente para tantos.

Y ojo, digo todo esto pensando que parte de su mensaje puede ser acertada. Es probable que la forma de programar cambie más en los próximos años que en los veinte anteriores. Pero la entrega ha sido tan lamentable que aquí estamos, dedicando todo un post a las formas en lugar del fondo.

No sé si era lo que pretendía.

Desde la atalaya que me da la experiencia, observaba toda esta discusión con escepticismo. No es la primera moda que veo surgir en Internet extendida por inversores de capital riesgo muy interesados en hinchar el globo de sus participadas.

Lo que leía parecía útil en un entorno profesional muy parecido al que se mueven estos inversores, donde un asistente puede organizarte la agenda, reservar un restaurante o hacer el check-in de un vuelo. Sin embargo, el ser humano promedio no tiene la vida de un inversor de Silicon Valley. Para dos reservas en restaurantes y un viaje que hace al año, no necesita un asistente IA. O mejor dicho, si sólo hace eso, es imposible que el proveedor haga negocio con ello.

Dicho de otra forma, el TAM de los asistentes personales parecía pequeño. Y lo que hay por detrás, una máquina virtual corriendo un agente a largo plazo, con su navegador para que el agente interactúe con el mundo real, más los gastos de inferencia, no resulta precisamente barato. El modelo económico resultante parece extremadamente frágil.

Pero no es la primera vez que un modelo de negocio sobrevive a base de invertir miles de millones. Me viene a la cabeza Uber, aunque si lo contraponemos, su mercado era evidentemente masivo: todo el transporte urbano. Y tampoco es la primera vez que una empresa quema cientos de millones sin llegar a nada. Clubhouse, el espacio de canales de audio que nació al albur de la pandemia, por ejemplo, nunca pasó de ser una moda pasajera.

¿Son los asistentes personales un Uber o un nuevo Clubhouse? Difícil saberlo. Lo que sí sé, después de una semana de uso de uno de ellos, es que son indudablemente útiles.

Mi (grata) experiencia utilizando un agente personal IA

El domingo pasado, un colega me pasó una invitación a Instinct, el asistente del momento y para el que ya se escuchan valoraciones de 10.000 millones de dólares con apenas unos meses de vida. Hice el onboarding con mi habitual escepticismo y sin esperar mucho a cambio. Y la primera decepción no tardó en llegar cuando el propio Instinct me introdujo en lo que podía hacer con él:

• Email: clasificar la bandeja de entrada, buscar hilos, redactar respuestas y dar seguimiento a tareas pendientes.

• Calendario: programar reuniones, detectar solapamientos, mover eventos y avisar en el momento adecuado.

• Investigación: comparar productos, viajes, restaurantes, servicios u otros aspectos y ofrecer una recomendación clara.

• Recados: reservar en restaurantes y en vuelos, pedir comida o productos, y ayudar con formularios o páginas web.

• Redacción: correos electrónicos, mensajes, documentos, presentaciones, resúmenes y revisiones.

• Seguimiento: controlar las respuestas o cambios y avisar cuando algo realmente requiera atención.

Poco más o menos lo que me esperaba. Y me daba un perezón terrible porque todo lo que me proponía ya podía hacerlo con Claude o con ChatGPT. Lo cerré sin muchas esperanzas. Era domingo y tenía cosas más interesantes que hacer.

Tres días más tarde, recién despertado y todavía en la cama, me vino a la mente una tarea que llevaba tiempo postergando y para la que un asistente podría ser útil. Quería contratar un servicio de mantenimiento del aire acondicionado de mi casa, lo que implicaba abrir el navegador, buscar distintos proveedores y contactar con ellos por correo electrónico para que me dieran presupuestos. Le pedí a Instinct que lo hiciera y, en unos pocos minutos, había localizado tres, redactado una propuesta de correo y me estaba pidiendo permiso para enviarlo. Tras unas cuantas comprobaciones y ediciones por mi parte, aprobé el plan y contactó con ellos directamente con una dirección de correo que creó él mismo.

A las pocas horas recibía la primera respuesta, a lo que reaccionó sugiriéndome un par de preguntas sobre el presupuesto. Mmm, pensé: «Esto es indudablemente útil para este tipo de tareas».

Esa misma tarde, surgió otra tarea interesante. Mi hijo empezaba el primer año de conservatorio y el profesor de instrumento nos había pasado un listado hecho a boli de unas diez cosas que comprar. Cosas que, además, me eran totalmente ajenas. ¿Un compensador? ¿Una caja de cañas? No tenía ni idea de por dónde empezar.

En condiciones normales, completar la compra de los elementos de esa lista me habría llevado un par de horas. Primero, encontrar tiendas; luego, verificar que tuvieran todo el material y que, además, llegara a tiempo para la siguiente clase, etc. Probé con Instinct. Le subí la foto de la lista hecha a boli y le dije: «Ale, ya sabes lo que tienes que hacer».

No sé cuántos tokens quemaría el bicho, pero a los pocos minutos me presentó varias tiendas donde poder encargar todo el material, dándome además muy buenos consejos. Incluso se ofreció a llenar el carrito por mí, a lo que acepté gustosamente, saltando sorprendido al ver que la cosa realmente funcionaba.

Justo ayer, sábado, lo volví a usar. El día anterior vi que unas zapatillas de la marca On que compré hace 9 meses se estaban rompiendo por un claro defecto de fabricación. Caliente como un mono, ya estaba pensando en el post en X que iba a hacer, blasfemando contra la marca, cuando me dio por pensar que quizás mi agente podría presentar una reclamación en su web.

Y así lo hice. Le expliqué lo que había pasado y le envié dos fotos de los desperfectos. Le dije que buscara el recibo de compra en mi correo, que localizara la forma de contactar con la marca y que la redactara por mí. A los pocos minutos, había completado la tarea.

Para mi regocijo, la marca aceptó la reclamación y se ofreció a darme un vale por el importe de las zapatillas para canjearlo en su tienda. Bien jugado, por cierto. Han resucitado a un cliente de entre los muertos y lo han fidelizado de por vida.

Bien podría haber hecho yo lo mismo directamente en la web de On, pero implicaba fricción que el agente desintermedió por completo. ¿Por qué tener que lidiar con una interfaz nueva cuando puedo resolverlo directamente desde el chat que ya conozco? Este es un gran punto a favor de este tipo de asistentes.

Ahora bien, que a mí me funcione no dice nada sobre si esto es un negocio.

Útiles, pero ¿a qué precio?

Debo decir que estoy seriamente impresionado con Instinct. Tener a mano una IA a la que no sólo puedes preguntar cosas, sino que además puede hacer acciones por ti es, sin lugar a dudas, útil. Pagaría por este servicio cada vez que tuviera que usarlo.

Ese punto es importante. La recurrencia. ¿Con qué frecuencia tengo que realizar tareas que requieren un agente? Esta semana se han juntado tres por casualidad, pero no todas las semanas tengo que presentar reclamaciones ni comprar un listado de material en tiendas desconocidas.

Por otra parte, mi propio sesgo hacia la tecnología. Ni yo ni todos los yonkis a los que leéis flipándolo en X con su agente personal IA somos el prototipo de persona media. La persona media se despierta, va a trabajar y ve la tele el resto del día. No está pensando en qué tipos de casos de uso agénticos puede resolver hoy.

El coste del servicio me sigue preocupando. La infraestructura necesaria para ejecutar estos agentes resulta costosa a día de hoy. La inferencia es cara. ¿Qué modelo de negocio va a soportar esto? Meta, una de las mejores empresas del mundo en monetizar usuarios gratuitos, ha lanzado su propio agente, Muse.ai, en EE.UU. Desde luego, si alguien puede hacerlo, son ellos. Pero ¿una empresa como Instinct? ¿Cómo compite contra Meta sin ingresos con los costes que tiene que soportar?

Y luego, ¿qué impide a Apple, Google con Android o Microsoft ocupar el espacio de Instinct hoy en día? La mejor capa para un agente personal es a nivel de sistema operativo, no a nivel de aplicaciones de terceros que tienen que conectarse manualmente con todo lo demás.

En definitiva, estamos ante una herramienta útil para determinados perfiles, con un TAM esperado incierto ahora mismo, que tiene que soportar costes gigantescos y puede ser fácilmente abstraída. Como inversor, me generaría muchas dudas meter pasta aquí, pero, por lo menos, lo que sí es seguro es que no es un Clubhouse.

Este tipo de interacción ha llegado para quedarse. La duda es: ¿a qué coste y de qué tamaño será el mercado que abarque?

Miro, como Airtable (también adquirida por Bending Spoons a un 80% de descuento frente a su última valoración), formaba parte de un grupo del que pocos en el ecosistema startup quieren ser miembros: el de los zombiecornios.

Como el famoso ligre, mitad león, mitad tigre, el zombiecornio es un híbrido:

• Mitad unicornio, entendido como aquellas empresas que alcanzan una valoración teórica de más de 1.000 millones de dólares.

• Mitad zombie, algo que está muerto pero sigue arrastrándose, incapaz de abandonar este mundo.

Se mueve, opera, incluso puede ganar dinero, pero la tasa de crecimiento, el dato que irrigaba y nutría su poderoso cuerno, ha dejado de fluir.

¿Por qué la tasa de crecimiento es la sangre de los unicornios?

La teoría clásica de valoración de empresas nos dice que un negocio vale tanto como la suma de todo el efectivo (flujos de caja) que pueda generar en el futuro descontado al valor del dinero actual. Para calcularlo los inversores utilizan un modelo llamado Descuento de Flujo de Caja.

Aplicar esta fórmula a una empresa madura con flujos de caja predecibles es sencillo. Aplicarla en las fases iniciales de una startup, con flujos cero o negativos, porque gasta todo su dinero en crear su producto y captar sus primeros clientes, es complicadillo.

Si los modelos tradicionales no funcionan, los inversores hacen lo único que pueden: inventárselos. O, dicho más finamente, proyectarlos. Y aquí es donde entra la tasa de crecimiento.

La tasa de crecimiento permite a los inversores de capital riesgo estimar el tamaño de los flujos de caja futuros de una startup. Y como la tasa de crecimiento crece de forma geométrica, pequeñas diferencias entre ellas dan lugar a valoraciones muy dispersas.

Por ejemplo, imaginemos dos empresas con una facturación de 10 millones y tasas de crecimiento anuales del 80% y del 20%. En cinco años, la primera facturará 189 millones. La segunda, 25.

Así, la tasa de crecimiento se convierte en un buen proxy para proyectar flujos de caja futuros.

Adonde queríamos llegar con todo esto es que los inversores pagan un múltiplo de facturación mucho más alto por empresas con tasas de crecimiento elevadas que por empresas con tasas bajas. Cuando Miro y Airtable cerraron sus últimas rondas, a finales de 2021, ese múltiplo rondaba entre 15 y 20x su facturación anual recurrente (ARR).

Bending Spoons ha pagado 2.25x ARR por Miro y 2.7x por Airtable, múltiplos calculados sobre el Enterprise Value, descontando la caja. ¿Qué nos dice este múltiplo de sus tasas de crecimiento? Que eran anémicas.

Tus stock options también dependen de la tasa de crecimiento

Los inversores cuidan bien de no perder su dinero. Por ello, suelen añadir cláusulas de liquidación preferente a sus contratos. Esto quiere decir que si la startup se vende a una valoración inferior a la de la ronda en la que entraron, están protegidos. Ante una venta, primero se les paga a ellos y una vez recuperen lo que han puesto, se reparte el dinero sobrante.

Por ejemplo, los inversores de la última ronda de Airtable entraron a una valoración de 11.700 millones de dólares. Bending Spoons la ha comprado ahora por 2.250 millones. Si tú o yo invertimos en bolsa y una acción cae un 80%, nos vamos con un -80%. La liquidación preferente, en cambio, garantiza que los inversores cobren primero: unos 1.290 millones salen de ahí antes de tocar nada más. Si sobra algo, se reparte entre los fundadores y los empleados.

Atención especial merecen los empleados que entraron a valoraciones altas en Airtable, Miro o cualquier zombiecornio. Y es que el precio de sus stock options está establecido de acuerdo con las valoraciones de las últimas rondas. Por ejemplo, si entras como empleado tras la ronda de 11.700 millones, tendrás un montón de opciones sobre acciones que hoy valen un 80% menos de lo que te costaría ejercerlas. Mal negocio.

Y no te digo ya si cambiaste de trabajo antes de la venta. Para llevarte tus opciones contigo, tendrías que haberlas ejercido: pagarlas más la carga fiscal. Todo para acabar con un -80%.

Conclusiones

Que exista alguien como Bending Spoons comprando unicornios a precio de saldo ya te dice bastante sobre el momento del ciclo en el que estamos.

Lo que te toca a ti, como empleado, es más pequeño y más concreto. Si tienes opciones sobre acciones emitidas a valoraciones de 2021 y tu startup no ha levantado ronda desde entonces, amigo, date cuenta.

Si te vas a unir a una empresa y te ofrecen opciones como parte del paquete, preocúpate bien de entender la valoración a la que las emiten, su coste y cuánta gente cobra antes que tú. Y por supuesto, pregunta por la tasa de crecimiento.

Las valoraciones altas son una bendición y un castigo a la vez. Ojo con subirte a un cohete al que se le acaba el combustible.

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.