En noviembre de 2022, ChatGPT demostró que un modelo de inteligencia artificial podía entablar una conversación, escribir, programar e incluso razonar con un nivel que parecía inimaginable unos años antes. Desde entonces, la carrera tecnológica pareció muy sencilla de entender: construir modelos cada vez más inteligentes. Prácticamente cada mes aparecía un nuevo lanzamiento: GPT-4, Claude, Gemini, Llama, DeepSeek y las comparativas se llenaban de benchmarks, puntuaciones y clasificaciones y titulares que anunciaban “la muerte” del anterior y que apenas tenían vigor una semana.

Sin embargo, mientras los titulares seguían hablando de modelos, la realidad empezaba a mostrar tímidamente que los verdaderos problemas no estaban dentro del modelo, sino fuera de él.

OpenAI necesitaba más chips de los que el mercado podía fabricar, Microsoft descubría que construir un centro de datos llevaba años, no meses (a no ser que te llamaras Elon Musk), las compañías eléctricas comenzaban preocuparse por el consumo, los gobiernos debatían nuevas regulaciones, las empresas seguían preguntándose cómo integrar la IA en sus procesos diarios para no llegar después que sus competidores e incluso los usuarios desconfiaban de unas herramientas que todavía cometían errores importantes.

De repente, quedó claro que la inteligencia artificial ya no dependía únicamente de la inteligencia del modelo. Dependía de un sistema mucho más grande.

Un barril explica mejor la IA que muchos modelos matemáticos

Imaginemos un barril construido con tablas de madera. Algunas son muy altas y otras son algo más bajas.

¿Cuánta agua puede almacenar este barril?

El agua comenzará a salir exactamente por la tabla más baja. Da igual que todas las demás sean perfectas porque la capacidad del barril siempre estará limitada por su punto más débil.

Esta idea fue formulada en el siglo XIX por el químico alemán Justus von Liebig para explicar el crecimiento de las plantas. Descubrió que un cultivo no crecía según la cantidad total de nutrientes disponibles, sino según el nutriente más escaso. Si una planta disponía de abundante nitrógeno, fósforo y potasio, pero carecía de agua, añadir todavía más fertilizantes no serviría de nada, porque el verdadero límite seguía siendo el agua.

Con el tiempo, este principio comenzó a utilizarse en economía, gestión empresarial, ingeniería y teoría de sistemas. Hoy suele conocerse como la teoría del barril o la ley del mínimo y se puede resumir así: “un sistema nunca puede rendir por encima de su componente más débil“.

Durante décadas esta idea se utilizó para analizar fábricas, cadenas de suministro o procesos industriales pero ahora podríamos aplicarlo a la inteligencia artificial perfectamente.

Durante años pensamos que el modelo era la tabla más corta

Durante la primera gran explosión de la inteligencia artificial generativa, casi toda la conversación giró alrededor de los modelos. En parte era lógico porque era la parte más visible del sistema y la que producía los avances más espectaculares. Si GPT-5 era mejor que GPT-4, llegábamos a la conclusión (bastante razonable) de que la siguiente generación sería todavía más inteligente y el avance del sector consistiría simplemente en seguir entrenando modelos cada vez mayores.

Por ello, las inversiones se centraron en aumentar el tamaño de los modelos, incorporar más parámetros y entrenarlos con cantidades ingentes de datos. Durante un tiempo, esa estrategia funcionó, pero a la vez, cuanto mejores eran los modelos, más visible era que el cuello de botella estaba en otro sitio.

El cuello de botella nunca permanece en el mismo sitio

A medida que los modelos mejoraban, comenzaron a faltar GPUs. Cuando aumentó la fabricación de GPUs, empezaron a faltar centros de datos capaces de alojarlas. Cuando se aceleró la construcción de centros de datos, apareció un nuevo problema: el suministro eléctrico. Después llegaron las dificultades para conseguir transformadores eléctricos, sistemas de refrigeración y terrenos adecuados.

Al mismo tiempo surgían otros cuellos de botella: faltaban ingenieros especializados, las empresas descubrían que implantar inteligencia artificial era mucho más difícil que utilizar un chatbot y se empezaban a dar cuenta de que todo lo que nos vendían las redes sociales y los informativos, era puro humo. Los gobiernos desarrollaban regulaciones sin saber muy bien qué regular y buscando más vender innovación que ventajas reales, mientras que los usuarios exigían mayor privacidad, transparencia y seguridad.

Cada vez que una tabla del barril aumentaba de tamaño, otra pasaba automáticamente a convertirse en la más baja. La carrera dejó de ser construir un modelo más inteligente y pasó a ser identificar continuamente cuál era el nuevo límite del sistema.

La inteligencia artificial ya no es una industria, sino un ecosistema

Cuando hablamos de OpenAI solemos pensar únicamente en ChatGPT, pero ChatGPT depende de Microsoft, y Microsoft depende de Nvidia para comprar GPUs. Nvidia, a su vez, depende de TSMC para fabricar sus chips y TSMC depende de ASML para producir maquinaria de litografía. Además, ASML necesita componentes de decenas de proveedores repartidos por todo el mundo. Todos ellos necesitan enormes cantidades de energía, materias primas, redes de transporte, talento especializado y estabilidad geopolítica. Ninguna empresa controla toda la cadena.

La inteligencia artificial funciona como un enorme ecosistema donde miles de organizaciones dependen unas de otras por lo que mejorar una única pieza ya no garantiza mejorar el conjunto.

Por eso China está construyendo la IA de otra manera

Uno de los aspectos que más me llama la atención al observar la estrategia china es que rara vez se habla únicamente de modelos.

Mientras gran parte del debate occidental gira alrededor de cuál es el laboratorio que lidera el siguiente benchmark, China insiste continuamente en conceptos como “AI+“, modernización industrial, infraestructura digital, fabricación avanzada, educación, logística inteligente o ciudades conectadas.

En China no se preguntan cómo construir la mejor inteligencia artificial, sino cómo conseguir que toda la economía sea capaz de utilizarla. No buscan tener la tabla más alta, sino evitar que ninguna quede demasiado corta

Desde esa perspectiva, entrenar un gran modelo es solo una de las muchas tablas del barril. Saben que los chips son tan importantes como las redes eléctricas, la producción industrial, las universidades, las plataformas digitales o las pequeñas empresas capaces de aplicar esa tecnología.

La nueva teoría del barril

La ley del mínimo sigue siendo correcta: un sistema está limitado por su componente más débil, pero los sistemas tecnológicos actuales son mucho más dinámicos que los que estudió Liebig hace casi dos siglos.

El reto es que en la inteligencia artificial, la tabla más corta nunca permanece inmóvil. Cada avance desplaza inmediatamente el cuello de botella hacia otra parte del sistema, así que resolver un problema crea automáticamente otro.

Quizá dentro de unos años recordemos la carrera por entrenar modelos cada vez más inteligentes como solo el primer capítulo de una historia más larga. Y quizá ahora gane quien sepa fortalecer todas las tablas o sepa cual será la próxima tabla más pequeña.

Por eso creo que China y su enfoque centrado en ese pastel de cinco capas que defendía hace meses Jessen Huang, y el país que está prestando atención simultanea a chips, energía, infraestructuras, regulación, talento, aplicaciones, confianza e integración empresarial sea el que gane la carrera.

La noticia: Anthropic desactiva Fable 5 y Mythos 5

El 12 de junio de 2026 ocurrió algo sin precedentes en la industria de la inteligencia artificial: el Departamento de Comercio de Estados Unidos envió una carta a Anthropic exigiendo que restringiera el acceso a sus dos modelos más avanzados de IA: Fable 5 y Mythos 5, y se suspendiera el acceso “a cualquier ciudadano extranjero“.

Llamaba la atención que a orden no se limitaba a usuarios ubicados fuera de Estados Unidos, sino que también afectaba a ciudadanos extranjeros que vivían dentro del país, incluidos empleados de Anthropic (el criterio era la nacionalidad, no la residencia). Aunque Anthropic empezó hace poco a pedir identificación (KYC con Persona que obliga a subir tu pasaporte y un selfie), ese sistema solo se utiliza por usuarios muy específicos, así que viendo que era imposible cumplir, optó por desactivar los modelos en todo el mundo.

Ya vimos en otro artículo los rifirafes de Anthropic con el gobierno de Trump de los últimos meses por negarse a que sus modelos se utilizaran para determinados usos militares, y las constantes contradicciones de una empresa que abandera la IA ética y segura, por ello. Esto hace aún más importante la noticia porque aquí no hablamos solo de vetos tecnológicos, sino que hay temas de seguridad crítica, defensa nacional, e incluso intereses que tienen que ver con los intentos de Trump por recuperar la confianza de sus votantes, después la factura electoral que, según las encuestas, le ha pasado la guerra con Irán.

Aunque la cobertura mediática se haya centrado en que se desactivaran los dos modelos en todo el planeta, creo que a lo que hay que darle realmente importancia es al intento de EEUU de suspender el acceso “a cualquier ciudadano extranjero” (pese a que, después, por incapacidad de controlarlo, se haya desactivado para todos los usuarios).

Pero lo que ocurrió el 12 de junio solo cobra pleno sentido cuando se conecta con un cambio anunciado por la propia Anthropic tres días antes, enterrado en la página 13 de un documento técnico que casi nadie leyó y que fue decisión de la empresa, no impuesto por el gobierno.

Lo que nadie está contando: la degradación silenciosa de los modelos de Anthropic

En la página 13 del system card de Fable 5 y Mythos 5, publicado el 9 de junio, Anthropic dice textualmente:

En vista de la capacidad de los modelos recientes para acelerar su propio desarrollo, hemos implementado nuevas intervenciones que limitan la efectividad de Claude para solicitudes dirigidas al desarrollo de LLMs frontera (por ejemplo, sobre construcción de pipelines de preentrenamiento, infraestructura de entrenamiento distribuido o diseño de aceleradores ML). Usar Claude para desarrollar modelos competidores ya viola nuestros Términos de Servicio, pero hacer cumplir esta restricción mediante nuestras salvaguardas evita acelerar a los actores más dispuestos a violar dichos términos. A diferencia de nuestras intervenciones para ciberseguridad, biología y química, e intentos de destilación, estas salvaguardas no serán visibles para el usuario. Fable 5 no recurrirá a un modelo distinto. En su lugar, las salvaguardas limitarán la efectividad mediante métodos como modificación de prompts, vectores de dirección (steering vectors) o ajuste fino con eficiencia de parámetros (PEFT). Estas intervenciones no afectarán a la gran mayoría del trabajo de programación. Estimamos que impactarán a ~0,03% del tráfico, concentrado en menos del 0,1% de organizaciones.

¿Qué quiere decir esto y por qué me parece tan importante?

Porque habla de la posibilidad de que un usuario que consulta a Fable 5 sobre arquitectura de transformers, sobre pipelines de entrenamiento distribuido o sobre diseño de aceleradores, reciba una respuesta de apariencia normal pero, sin que le notifiquen nada, su prompt ha sido modificado y la respuesta está deliberadamente sesgada. Es decir, el modelo ha sido deliberadamente empeorado para esa consulta concreta mediante modificación de prompts, vectores de dirección o ajuste fino parcial y el usuario no tiene forma de saberlo.

Y ojo, esto lo admite Anthropic en un documento, no es una simple especulación.

Además, aunque el texto hable de solo un 0,03%, la cifra resulta engañosa, porque ese 0,03% del tráfico son precisamente investigadores de seguridad de IA, equipos de alineación, académicos comparando arquitecturas, competidores construyendo modelos. Esto es muy grave: están admitiendo que el modelo degrada silenciosamente las respuestas a los usuarios cuya función social es vigilar a los laboratorios frontera.

Las reacciones técnicas fueron inmediatas. Nathan Lambert sostuvo que “un modelo que se vuelve menos inteligente sin notificación es, técnicamente, una forma de desalineación inducida por el proveedor”. Dean Ball, ex funcionario de la Casa Blanca que ayudó a redactar el AI Action Plan de 2025, lo describió como “shockingly hostile” y advirtió que podría atraer escrutinio antitrust, y Eric Zelikman lo llamó directamente “sabotaje silencioso de clientes“.

Días después, tras la cobertura crítica de Wired, Anthropic se disculpó parcialmente. Prometió hacer visibles también estas salvaguardas pero la disculpa fue sobre la visibilidad de la degradación, no sobre el hecho de modificar un resultado. Vamos, que solo accedió a notificar al usuario cuando pase, no pidió perdón porque pasase.

A mi personalmente, me llama la atención que tras las críticas tan frecuentes a los modelos chinos como DeepSeek o Qwen por censurar temas incómodos, en los que los modelos cambian de tema o te dicen que no pueden contestar (es decir, censura visible), Anthropic publique “Measuring political bias in Claude” reconociendo el problema y admita que se está haciendo una degradación silenciosa selectiva sin avisar al usuario (es decir, se adulteran los resultados impidiendo que el usuario sepa que se han hecho) y no se ponga el grito en el cielo a nivel mundial.

De hecho, yo misma he experimentado algunos cambios en otros modelos norteamericanos como ChatGPT que ya no habla tan libremente de sus competidores o contesta de forma la menos, diferente.

Esto mismo me ha respondido hoy al preguntarle por este tema:

La jaula que Anthropic construyó para sí misma

Durante 2025 y la primera mitad de 2026, Anthropic fue la empresa que más sistemáticamente argumentó (en su Policy on the AI Exponential, en su Frontier Compliance Framework y muy especialmente en el ensayo de Dario Amodei publicado en junio de 2026) que los gobiernos deben tener autoridad legal para bloquear despliegues de inteligencia artificial considerados inseguros y pidió un proceso regulatorio con capacidad real de retirada de modelos del mercado, similar al que la FDA aplica a medicamentos. Lo pidió en público y, además, lo argumentó con seriedad técnica.

Cuando el gobierno aplicó esa misma lógica el 12 de junio, con una justificación técnica que la propia Anthropic considera insuficiente (un jailbreak menor que la empresa dice que también tienen GPT-5.5 y otros modelos de la competencia) Anthropic protestó: “discrepamos de que el hallazgo de un jailbreak potencial estrecho deba ser causa para retirar un modelo comercial desplegado para cientos de millones de personas”, añadiendo a regañadientes que el gobierno debería tener autoridad para bloquear despliegues inseguros pero “mediante un proceso legal transparente, justo, claro y basado en hechos técnicos. Esta acción no se ajusta a dichos principios“.

¿Podríamos llamarlo “hipocresía”? Tal vez, pero sería superficial y, sobre todo, nos haría perder el punto más interesante: los marcos regulatorios que se piden cuando se confía en el regulador dejan de gustar cuando el regulador tiene otra agenda. Anthropic no puede ahora rechazar el principio sin invalidar su propia política pública de los últimos dieciocho meses.

La misma lógica aplica, de forma más sutil pero para mi más importante, a las salvaguardas invisibles. Anthropic creó el precedente técnico de que es legítimo intervenir sobre el modelo en tiempo de inferencia sin notificar al usuario, siempre que la justificación sea de seguridad. Y aquí ya no podemos culpar a Trump, esto lo decidió la empresa. Y este precedente debería darnos miedo. Mucho miedo.

El precedente jurídico

La inferencia como bien controlado por exportación

Los controles de exportación estadounidenses se han aplicado durante años a armamento, a criptografía, y chips Nvidia H100 o litografías de ASML, pero hasta donde yo sé, es la primera vez que el output de un modelo de inteligencia artificial accedido a través de una API en la nube se clasifica como bien controlable por exportación.

¿Qué consecuencias puede tener esto? La primera es que la verificación de identidad estatal se vuelve prerrequisito operativo para usar IA comercial. Como afirmó Dean Ball “deberías esperar tener que demostrar tu ciudadanía para usar modelos de Anthropic“.

Pero además, aplicar un marco regulatorio así a una tecnología que evoluciona en ciclos de semanas convierte el control de exportaciones en discrecionalidad ejecutiva permanente: cada modelo nuevo, cada actualización, puede provocar una nueva directiva al antojo de políticos o empresas gubernamentales.

Del “no es ciudadano” al scoring conductual

Otro de los temas que desvela todo esto es que cuando la directiva del 12 de junio exigió bloquear el acceso “a todo ciudadano no estadounidense, dentro o fuera de Estados Unidos”, todos nos preguntamos ¿cómo se verifica eso?. Aunque ahora no se puedo hacer por la urgencia y se bloquearon los modelos para todos, ha salido a la luz que, en realidad, la infraestructura para hacer esa verificación ya existía dentro de la empresa.

El 15 de abril de 2026, sin anuncio público, sin entrada de blog, solo un artículo en el centro de soporte titulado escuetamente “Identity verification on Claude“, Anthropic había desplegado un sistema KYC operado por Persona Identities, la misma plataforma de verificación de identidad que utilizan criptomonedas, bancos y servicios financieros regulados y que exige pasaporte físico original y selfie en vivo capturado por cámara del dispositivo. Los datos quedan custodiados por Persona bajo contrato, no en los servidores de Anthropic.

La justificación oficial fue prevenir el abuso, concretamente, prevenir lo que Anthropic había denunciado en febrero de 2026 en un informe titulado “Detecting and preventing distillation attacks” que aseguraba venía de laboratorios chinos.

Lo importante es que cuando se introduce KYC, se introduce con una justificación específica y limitada (en este caso, anti-destilación industrial china), pero la infraestructura, una vez instalada, ya se aplica a todos. Y esa misma verificación sirve, exactamente igual, para verificar que tu pasaporte es estadounidense. Y serviría, mañana, para verificar cualquier otra cosa que un regulador o la propia empresa decidan considerar relevante: edad, jurisdicción fiscal, historial de uso previo, ausencia en listas de sanciones internacionales, afiliación profesional declarada, presencia en bases de datos de personas políticamente expuestas.

¿Soy la única que piensa que todas estas medidas se toman pensando en poder controlar absolutamente todos los datos del usuario en un futuro? ¿Estamos ante un sistema de scoring conductual? ¿Es posible que estemos avanzando hacia un un régimen de riesgo basado en perfil de identidad cruzado con clasificación de tarea, donde el comportamiento del modelo ante una consulta concreta depende quién consulta (ciudadanía, organización, historial de KYC, sector profesional declarado), qué consulta (ciberseguridad, biología, química, desarrollo de modelos frontera, temas políticamente sensibles que cualquier clasificador interno marque), y qué decida en ese momento el clasificador de la empresa o la directiva regulatoria vigente.

No parece ninguna tontería. El system card de Fable 5 ya toca dos de esas tres variables: la clasificación de tarea (con salvaguardas visibles para ciberseguridad, biología y química, y salvaguardas invisibles para desarrollo de IA frontera) y la modulación de respuesta en función de esa clasificación. La directiva del 12 de junio añadió la tercera variable: la modulación en función de identidad nacional verificada. Las tres juntas forman un sistema completo de control granular sobre el output.

El efecto perverso sobre la auditoría externa

Hay otra reflexión interesante detrás de esto. La justificación oficial de la directiva del 12 de junio es la seguridad nacional frente a adversarios extranjeros. Todos pensamos en China, Rusia, Irán, Corea del Norte… pero esos países ya no tenían acceso antes del 12 de junio.

¿Quienes pierden acceso con esta prohibición?

El AI Safety Institute británico, que tiene acuerdos formales de testing con Anthropic y que evaluó Fable 5 antes de su lanzamiento. Los grupos académicos del Mila en Montreal, del Alan Turing Institute en Londres, de las universidades técnicas de Múnich y Zúrich, de la red de investigación europea ELLIS, de la Universidad de Tel Aviv, de RIKEN en Tokio. METR, una de las organizaciones independientes que el propio system card de Fable 5 cita como auditora externa del modelo, si tiene investigadores no estadounidenses entre su personal, que los tiene. Los investigadores de seguridad de IA en países aliados que estaban haciendo trabajo defensivo, red-teaming, evaluación de capacidades peligrosas.

Es decir, toda la red de auditoría externa que la propia Anthropic construyó como pieza central de su Frontier Compliance Framework, y que presentó públicamente como contrapeso a la opacidad inherente del desarrollo cerrado de modelos frontera.

La justificación es proteger la seguridad nacional, pero el efecto operativo es que la capacidad ofensiva del modelo se concentra en el gobierno estadounidense (y sus contratistas seleccionados en el programa Glasswing) mientras la capacidad de auditarlo externamente se elimina en todos los demás.

La auditoría externa por investigadores independientes hacían que la práctica de la degradación silenciosa estuviera contenida por la posibilidad de ser descubierta y publicada… pero cuando se desmonta la red de auditores externos por orden ejecutiva, esa contención desaparece. Y desaparece exactamente cuando la empresa acaba de admitir que la práctica existe.

El timing como factor

Las encuestas de mayo de 2026 mostraron que la mayoría de votantes estadounidenses considera que el presidente Trump tomó la decisión equivocada al entrar en guerra con Irán. En ese contexto, una orden ejecutiva bajo el “America First” permite desviar la atención hacia la defensa del país frente a la fuga tecnológica.

No es que el veto fue ordenado por motivos electorales, pero que el timing, el framing mediático y la severidad del anuncio fueron calibrados teniendo en cuenta su utilidad política es bastante probable (la directiva fue ejecutada como evento público de máxima visibilidad un viernes por la tarde, con cobertura inmediata coordinada en Reuters, Fortune, TIME, Al Jazeera y Channel News Asia). El comentario en X de Kirsten Davies, jefa de información del Pentágono da algunas pistas para pensar esto: “Algunas cosas son simplemente más importantes que ciclos de ingresos, clickbait y valoraciones pre-IPO. America First. Always”.

Hasta ahí el factor electoral. El caso Fable 5 sería igualmente importante sin él, pero quería mencionarlo como detalle.

Lo más importante: el cierre cognitivo

Quiero aclarar que, pese a lo que pueda parecer, el caso Fable 5 no es una novedad tan importante en cuanto a regulación de IA, proteccionismo tecnológico, seguridad nacional, o desacuerdos entre empresas tecnológicas y el Estado.

Lo que el caso inaugura es la primera materialización concreta de una doctrina de soberanía cognitiva: el principio implícito de que el acceso a capacidades avanzadas de razonamiento artificial debe estar mediado por verificación de ciudadanía y por intervención no transparente del proveedor sobre el output.

No es algo que se haya anunciado como tal, pero es la línea que conecta el despliegue silencioso de KYC en abril, la admisión de degradación invisible en el system card del 9 de junio, y la directiva de exportación del 12 de junio y que parecen ser los tres lados de un mismo triángulo.

Si esa doctrina se consolida, las consecuencias estructurales pueden ser tremendas:

1. La primera es la balcanización del acceso cognitivo.

La inteligencia artificial frontera deja de ser un bien comercial global accesible mediante tarjeta de crédito y pasa a ser un activo estratégico con verificación de pasaporte, como ocurrió con la criptografía entre 1976 y 1996.

Países que hasta junio de 2026 eran clientes (España, México, Argentina, Brasil, Chile, todo el cono latinoamericano, gran parte del sudeste asiático, África entera) pasan a ser “no autorizados por defecto” para el modelo más avanzado del proveedor líder en discurso de seguridad. Sus investigadores, sus startups, sus académicos, sus periodistas, pierden acceso no porque hagan algo mal, sino porque su nacionalidad ha sido reclasificada como factor de riesgo.

La consecuencia económica está clara: aceleración del desarrollo de modelos soberanos en la UE, en India, en Brasil, y profundización de la dependencia china en África y partes de América Latina donde DeepSeek y Qwen ya estaban ganando terreno. La consecuencia política, menos comentada, es que el discurso de “seguridad de IA” pierde universalidad y se vuelve, operativamente, sinónimo de “ventaja estadounidense”. Y de aquí se desprendería, al menos en el caso de Europa, la falta de preparación y lo despistados que estamos en temas críticos de IA.

2. La segunda consecuencia es la dudan de la manipulación.

Una vez que la degradación silenciosa está documentada como práctica del laboratorio líder en discurso de seguridad, cualquier usuario externo (yo misma) se puede preguntar a todas horas “¿está el modelo manipulado para mi caso?”.

La crítica clásica a los modelos chinos era que no se podía confiar porque el Estado intervenía. Y ahora descubrimos que al menos en el caso de Anthropic, el Estado también interviene y además, silenciosamente.

3. La tercera consecuencia es la degradación del concepto mismo de “AI safety”.

Cuando la justificación técnica de una restricción es débil (un jailbreak menor que la propia Anthropic señala que existe igualmente en modelos de la competencia) el mensaje implícito que el regulador envía a la industria y a la sociedad es que “seguridad nacional” es la nueva razón de Estado que no requiere fundamentación técnica revisable. Si todo argumento de seguridad puede ser instrumentalizado como argumento de control, la palabra deja de significar lo que pretendía significar.

Es difícil sobrestimar lo que se pierde aquí. La comunidad de investigadores que durante una década ha trabajado seriamente en alineación, en interpretabilidad, en red-teaming, en evaluación de capacidades peligrosas, ha visto cómo su vocabulario es absorbido por un aparato regulatorio que lo usa para fines distintos de aquellos para los que fue construido.

Hay una frase que me gustaría dejar como cierre, porque creo que captura lo que está realmente en juego mejor que cualquier enumeración: el caso Fable 5 no demuestra que los modelos occidentales sean tan manipulados como los chinos. Demuestra que la arquitectura institucional necesaria para poder saberlo se está deshaciendo más rápido de lo que se construyen alternativas.

¿Hay alternativas que eviten todo esto?

Deberíamos dejar ya de debatir si la IA nos quitará el trabajo, si llegará la superinteligencia, si China alcanzará a Estados Unidos… y empezar a preguntarnos cosas más serias: ¿puede la sociedad construir la capacidad de auditar modelos frontera a la misma velocidad a la que se desmontan los mecanismos existentes para hacerlo?

En menos de seis horas, se puede cortar el acceso al modelo más potente del mundo para investigadores en cincuenta países, romper acuerdos formales de auditoría con institutos nacionales aliados, y forzar a una empresa privada a desactivar globalmente un producto que cientos de millones de personas usaban esa misma mañana. Y se hizo sin proceso parlamentario, ni litigio , ni consulta pública, ni revisión técnica independiente, ni siquiera una explicación detallada de los motivos. Así que los mecanismos son fáciles de desmontar, está claro.

En cuanto a la construcción de alternativas, las velocidades son las que son: lentas, plurales, dependientes de procesos que no pueden acelerarse sin comprometer la calidad de lo que se construye.

Los modelos open source son la primera alternativa, y posiblemente la más madura. Cuando los pesos de un modelo están disponibles públicamente, cualquier investigador en cualquier lugar puede auditarlo sin pedir permiso. Es lo que ocurre con Qwen de Alibaba, DeepSeek, o el modelo europeo, Mistral.

El problema es que el open source arrastra una brecha temporal y van entre cuatro y doce meses por detrás de los modelos cerrados.

Otra alternativa son las regulaciones de transparencia obligatoria.

El AI Act europeo, que en su versión actualizada exige a proveedores de modelos de propósito general por encima de ciertos umbrales de cómputo publicar información sobre salvaguardas, métodos de mitigación, evaluaciones y comportamientos del modelo, es probablemente el marco regulatorio más ambicioso del mundo en este frente. Si funcionara plenamente, obligaría a Anthropic, OpenAI y Google a publicar información que hoy queda enterrada en system cards y comunicados corporativos, pero no es tan fácil.

Las definiciones técnicas son ambiguas y dejan mucho margen de interpretación: ¿qué cuenta como “salvaguarda significativa”? ¿qué nivel de detalle sobre vectores de dirección o PEFT exige la transparencia? Las sanciones son inciertas y los procesos de aplicación lentos y los proveedores estadounidenses están negociando excepciones activamente. Cuando el AI Act funcione realmente, los modelos más capaces probablemente estén ya bajo régimen de exportación controlada estadounidense que neutralizará buena parte de su efecto auditor.

La tercera alternativa es la red de AI Safety Institutes nacionales fuera de Estados Unidos. El AISI británico, el AISI japonés, sus equivalentes francés, coreano, alemán, y los incipientes brasileño, argentino e indio. Estos institutos podrían, en teoría, articular una red internacional de auditoría que no dependa de la voluntad unilateral de ningún Estado. Las cumbres de seguridad de IA (Bletchley Park en 2023, Seúl en 2024, París en 2025) han ido construyendo precisamente este marco. Hay buena voluntad, hay capacidad técnica creciente, hay incluso acuerdos preliminares de intercambio de información… pero el ritmo de construcción es el ritmo diplomático: dieciocho meses para coordinar un memorando de entendimiento, otros dieciocho para implementarlo operativamente, otros doce para que los equipos técnicos de distintos institutos aprendan a trabajar juntos. Cinco años para tener una red funcional. Mientras tanto, los modelos avanzan en ciclos de seis a doce semanas. Las cuentas no sale.

La cuarta alternativa, más técnica y posiblemente la más prometedora a medio plazo, son las herramientas de auditoría sin acceso privilegiado. Hay líneas de investigación activas en métodos que permitirían auditar modelos comerciales solo a través de consultas externas, sin necesidad de acceso a los pesos del modelo ni a versiones sin salvaguardas. Técnicas estadísticas para detectar enrutamiento silencioso entre modelos, métodos de prompt-engineering para revelar comportamiento inconsistente entre contextos, benchmarks adversariales diseñados para hacer aflorar capacidades ocultas, análisis de regularidades en las respuestas que podrían delatar intervenciones del tipo steering vector o PEFT aplicadas selectivamente. Este es probablemente el espacio donde más rápido podríamos avanzar, porque no depende de cooperación internacional ni de cambios regulatorios: depende solo de investigación técnica que la comunidad académica puede hacer por su cuenta. Pero estamos quizás a tres o cuatro años de tener herramientas verdaderamente capaces, así que si la doctrina de soberanía cognitiva se consolida antes, esas herramientas llegarán a un ecosistema donde ya no podrán aplicarse libremente.

La quinta alternativa es la más esperanzadora a largo plazo y la menos desarrollada a corto. Son los modelos soberanos verdaderamente competitivos desarrollados fuera de Estados Unidos. Mistral en Francia, el esfuerzo conjunto de la Unión Europea en torno a iniciativas como EuroLLM y los proyectos del consorcio ALT-EDIC, los modelos chinos a pesar de las restricciones políticas internas que arrastran, los desarrollos crecientes en India con AI4Bharat y en Brasil con los proyectos de la UNICAMP y la USP. Si los principales bloques tecnológicos del mundo desarrollan modelos verdaderamente competitivos (no segundas opciones aceptables, sino modelos en la frontera real) entonces la dependencia global de la cadena Anthropic-OpenAI-Google deja de ser absoluta, y con ella la capacidad estadounidense de imponer doctrinas unilaterales sobre acceso y auditoría.

Pero la palabra clave es “verdaderamente competitivos”. Hoy, en junio de 2026, los mejores están entre seis y doce meses por detrás. Probablemente lleguen al frontier en 2027 o 2028, si todo va bien y si las inversiones se sostienen,(y parece improbable en Europa donde la mayoría de iniciativas de modelos soberanos han subestimado costes, plazos y dificultades técnicas).

Viéndolo en conjunto se resume en que las alternativas son tremendamente lentas y graduales y, sin embargo, se desmontan en minutos.

Lo que la pregunta realmente plantea, formulada con toda su carga, es esto: estamos entrando en un período de transición que probablemente dure entre tres y siete años, durante el cual la capacidad estructural de la sociedad para verificar lo que los modelos frontera nos dicen va a ser sistemáticamente menor que la capacidad de quienes los producen y regulan para intervenir sobre ellos sin transparencia.

La cuestión no es si esa transición es deseable (que no lo es para nadie) sino si las alternativas en construcción serán capaces de cerrar la brecha antes de que la indecidibilidad de la manipulación se vuelva el estado normal y aceptado del ecosistema, en lugar de una situación excepcional que la sociedad rechaza activamente.

Si las alternativas no funcionan, lo que estamos viviendo es el establecimiento de un nuevo equilibrio: un mundo donde la inteligencia artificial frontera funciona como funcionaron durante décadas otras tecnologías estratégicas —armas nucleares, criptografía militar, ciertos materiales de doble uso— es decir, bajo régimen de control estatal con acceso mediado por ciudadanía, con auditoría restringida a actores autorizados, y con la opacidad operativa aceptada como precio de la seguridad.

La diferencia es que esas otras tecnologías nunca fueron herramientas cotidianas de millones de personas para pensar, escribir, programar, aprender y tomar decisiones y la IA sí lo es y por tanto, debería ser auditada.

El caso Fable 5 pasará, probablemente, sin pena ni gloria en nuestra memoria. En un mes, habrá otro lanzamiento, otra polémica, otra orden ejecutiva y cientos de titulares, pero creo que lo que ha cambiado estos días no se va a desmontar fácilmente: una empresa privada admitiendo que degrada silenciosamente las respuestas de su modelo según el tipo de usuario, un gobierno usando controles de exportación para restringir el acceso por nacionalidad, y una infraestructura de KYC desplegada en silencio meses antes que permite que todo lo anterior funcione.

Cualquiera de las tres piezas, por separado, habría sido noticia, pero yo pienso que las tres juntas, ejecutadas en menos de setenta y dos horas, son algo más. Y deberíamos darle la importancia que merece.

Si uno se asoma hoy a cualquier red social, a cualquier conversación sobre inteligencia artificial, la sensación es que todo lo que necesitábamos y todo lo que la inteligencia artificial podía ofrecernos, ya ha llegado: los agentes de IA.

Los agentes responderán nuestros correos, reservarán nuestros viajes, gestionarán la agenda, tramitarán devoluciones y negociarán con otros agentes mientras nosotros nos dedicamos a cosas aparentemente más importantes o productivas.

La promesa es seductora, no lo niego. Va directa a una de nuestras mayores vulnerabilidades, la de vivir saturados de tareas pequeñas e insignificantes que lo único que hacen es robarnos tiempo y que todos firmaríamos por delegar y recuperar, así, al menos, una hora al día.

Pero ¿qué se nos está ofreciendo en realidad? Porque buena parte de lo que hoy llamamos “agentes” no son más que las automatizaciones de toda la vida con un nombre más comercial que nos hace fantasear con que tenemos a nuestras órdenes un pequeño ejército de robots, y que podrían ser el equivalente, en tiempos de IA, de aquellos ratoncitos adorables que ayudaban a que Cenicienta tuviera listo el vestido para acudir al baile.

La palabra “agente“, además, promete criterio, iniciativa, algo parecido a un colaborador que entiende perfectamente lo que hace (“agente” parece evocar a alguien experto y al que, sin querer, le acabamos presuponiendo la inteligencia de “007”). Sin embargo, muchas veces, la tarea que ejecuta suele limitarse a mover información de un lado a otro siguiendo cuatro reglas que, además, ha decidido un humano.

Pero si la inteligencia artificial vino a sustituir los sistemas basados en reglas de cualquier software tradicional, no tiene mucho sentido que su mayor aporte a nuestras vidas sean esas simples automatizaciones que nos están vendiendo.

Los que me conocen saben que soy una persona a la que le gusta trabajar y aprovechar las horas como si fueran infinitas. Pero, para mí, ganar tiempo y recibir ayuda de calidad no es lo mismo. La inteligencia artificial ha supuesto para mí un antes y un después en todos los sentidos, pero pese a que creo que la aprovecho bien (y confieso que a veces no imagino mi vida sin ella, quién me lo iba a decir), tiempo, lo que se dice tiempo, no me ha ahorrado tanto.

Cierto es que lo que antes suponía entrar en cuatro resultados de Google, aceptar las cookies, tratar de encontrar la crucecita para cerrar el dichoso popup de suscribirse a la newsletter, hacer scroll entre anuncios insertados en la noticia… y por fin, encontrar la respuesta a mi pregunta…, ahora me lo da la IA en un único párrafo, directo al grano y sin esa sensación de haber superado una gymkana para conseguirlo.

Pero ese buscador más eficiente, no nos engañemos, no es la gran revolución o el gran cambio que la inteligencia artificial nos trae… como tampoco lo es ese ahorro de tiempo que dan esas automatizaciones a las que erróneamente llamamos “agentes de IA” solo porque te resumen una reunión de zoom a la que no prestaste demasiada atención.

¿De verdad necesitamos ir más rápido?

Desde hace años vivimos todo a una velocidad vertiginosa, lo sabemos.

Hacemos scroll sin pensar, sin detenernos en lo que no capta nuestro interés de inmediato, consumimos titulares, resúmenes, hilos y vídeos de un minuto, y al terminar el día tenemos la incómoda sensación de “haber pasado por mucho sin haber retenido casi nada”.

Hace unos días me sorprendió un anuncio en Instagram que te ofrecía escribir un libro por ti. “Le dices el tema, y te propone una portada, un título, lo valida contigo y por 29,90 euros en lo que te tomas un café tienes tu libro publicado“, decía textualmente. Por si no me había escandalizado demasaiado, lo acompañaban de cifras absolutamente irreales de los ingresos por la venta del libro.

Hace poco leí en algún sitio una frase que me fascinó: “la gente no quiere leer libros, quiere haber leído libros”. Maravillosa. Y en realidad , describe algo mucho más amplio que la lectura. Hemos convertido el aprendizaje en una colección de medallas conseguidas, en un recuento de checks, de cosas terminadas que poder enseñar o de las que presumir, y por el camino se nos ha olvidado que leer, estudiar o entender de verdad nunca fueron actividades rápidas ni cómodas.

Hoy se da por hecho que leer es fácil, que no exige entrenamiento ni esfuerzo, y que un buen libro debería poder despacharse en un fin de semana o, todavía mejor, resumirse en un hilo de diez tuits. Pero quienes leemos habitualmente sabemos que ocurre lo contrario, que un libro se disfruta durante semanas, hace que uno se detenga, vuelva atrás, relea y, en algunos casos como el mío, hasta los subraye.

Pero, aunque es importante, no me refiero solo al disfrute, a saborear cada página, sino al poso que deja en nosotros (y del que ya escribí en otro artículo). Ese fuego lento, ese releer y ese “dejar reposar”, lo que hacen es un filtrado que permite que algunas cosas se queden en mi cabeza y que dentro de un tiempo (podrían ser meses o años) vuelvan a aparecer y mezclarse con ideas nuevas.

Todos hemos caído en la tentación de ver un curso a doble velocidad en una sola tarde, por la prisa en terminarlo y, aunque nos ha servido, no es comparable con aquel curso que hicimos a un ritmo marcado, en el que tenías que esperar a la siguiente clase para avanzar y donde lo aprendido se asentaba mejor y “echaba raíces”.

Quizá por eso, cuando todos parecen asegurar que la gran revolución de la IA consiste en ir todavía más rápido, en el sentido de agentes que nos libran de tareas rutinarias, no puedo evitar preguntarme si no estaremos resolviendo con mucho entusiasmo el problema equivocado.

El gran espejismo

La eficacia de los agentes parece medirse en minutos ahorrados, y quizá se mide así porque el tiempo es lo único fácil de cuantificar, de enseñar en una demo y de vendernos algo. Sin embargo, si las tareas que una automatización ejecuta bien son casi siempre las menos importantes de nuestro día, eso que ya hacíamos en piloto automático sin que nos costara demasiado pensar, creo que es un avance, pero ni de lejos el más importante.

No niego que esa labor es importante pero creo que hay una gran diferencia entre un asistente que te ahorra tareas rutinarias y un mentor que te ayuda a pensar mejor, y puede que la confusión de nuestro tiempo consista en que celebramos lo primero cuando lo importante es el segundo.

Los agentes hacen muy bien su función: planifican, dividen el problema y lo resuelven. Nadie lo niega.

Lo único sobre lo que reflexiono es sobre lo que queda fuera de su alcance, porque puede que ahí sea donde está lo que de verdad nos define como profesionales o personas. Es decir, el criterio que decide qué merece una respuesta larga y qué se soluciona en dos líneas, cuando un email merece más cuidado o empatía que otro, las conexiones entre ideas que leímos en momentos distintos, o a todo ese conocimiento que hemos acumulado durante años y que vive disperso entre lo que hemos leído, lo que hemos escrito y lo que hemos sentido. Nada de eso se ejecuta. Todo eso se comprende, y comprender es una operación de otra naturaleza, una que ninguna automatización, por buena que sea, llega a tocar.

El segundo cerebro

Mucho antes de la IA generativa, Tiago Forte popularizó el concepto de segundo cerebro, una memoria externa donde ir guardando de forma ordenada el conocimiento que adquirimos para no depender de nuestra memoria, a veces demasiado frágil.

Se basaba en la idea de que nuestra cabeza está hecha para conectar ideas y no para almacenarlas durante décadas. Planteaba aquel segundo cerebro que era un archivo pasivo que guardaba muy bien todo pero tenía una limitación importante: seguía obligándonos a buscar “a mano” cada vez que queríamos recuperar algo. Ese cerebro capturaba la información que podría ser útil más adelante y para ello la organizaba y destilaba.

Lo que tiene de extraordinario la inteligencia artificial no es que podamos automatizar tareas, sino que por primera vez podemos conversar con ese conocimiento acumulado, pedirle que lo relacione, que lo cuestione, que nos devuelva lo que pensábamos hace dos años sobre un asunto que hoy volvemos a mirar. El segundo cerebro dejaría de ser un cajón donde buscar desde cero y empezaría a parecerse más a un interlocutor que nos responde cuando lo necesitamos.

La intuición de Karpathy

Para entender por qué esto importa tanto reflexiono sobre una idea de Andrej Karpathy, uno de los investigadores más influyentes de este campo. Karpathy suele repetir que los modelos de lenguaje son un nuevo tipo de ordenador, una nueva capa de computación que se programa con nuestro lenguaje natural en lugar de con código. Donde antes hacían falta años de estudio para dar instrucciones a una máquina, hoy basta con escribirle sin esfuerzo ni demasiado detalle lo que queremos. Es un cambio tan profundo que él lo llama “Software 3.0”, para diferenciarlo del software clásico que escribíamos línea a línea e incluso de las redes neuronales que vinieron después.

Si Tiago Forte proponía construir una biblioteca de conocimiento personal, Karpathy propone construir una inteligencia capaz de entender ese biblioteca, es decir, consultar, razonar y trabajar sobre ese conocimiento.

Si cada gran salto tecnológico amplió una capacidad humana (la imprenta nuestra memoria escrita, la calculadora nuestra aritmética y el ordenador nuestra capacidad de procesar), los modelos de lenguaje amplían algo mucho más íntimo, que es nuestra propia forma de pensar. No son una herramienta más que se suma a las que ya teníamos, sino una capa nueva para pensar, por ello lo más valioso que podemos hacer con ellos no es pedirles que nos reserven una mesa en un restaurante, sino conectarlos a todo aquello que ya hemos pensado, nuestra verdadera riqueza interior.

En vez de que un agente me avise de que tengo un correo pendiente, poder preguntarle sobre un tema, si ya investigué algo parecido tiempo atrás y a qué conclusión llegué, dónde vi aquella idea que ahora se me escapa, qué relación hay entre dos conceptos que siempre traté por separado o, sencillamente, qué pensaba sobre todo esto hace un par de años, para poder discutir conmigo misma. Esa conversación no me ahorra tiempo, me ayuda a pensar mejor, que no solo no es lo mismo, incluso puede ser justo lo contrario, porque me obliga a detenerme justo en el lugar donde no llega ningún agente.

Primero memoria, después acción

Por eso tengo la sensación de que, como industria, hemos invertido el orden de las cosas. Damos por hecho una progresión que va del modelo de lenguaje al agente, como si actuar fuese la meta natural de todo el recorrido.

Pero quizá la secuencia sensata sea otra y pase por construir con él ese “segundo cerebro” del que hablábamos y solo cuando el sistema sepa de verdad quiénes somos y cual es nuestra esencia, llegue el momento de pedirle que actúe en nuestro nombre.

La automatización seguiría ayudando, por supuesto, pero pasaría a ser la utilidad de tener un conocimiento, no el conocimiento en sí.

¿Estamos mirando al sitio correcto?

Quizá el problema de fondo no sea la tecnología, sino hacia donde hemos decidido mirar.

Antes de entregarle nuestra agenda o nuestro correo a una automatización, merecería la pena hacerse una pregunta incómoda: ¿de verdad tengo una agenda tan endiablada, un correo tan complejo, que justifique el riesgo de que algo que no soy yo se ponga a tomar decisiones en mi nombre? Porque automatizar nunca sale gratis, siempre se paga con una pérdida de control por pequeña que sea, y conviene reflexionar sobre ese precio.

Sospecho que muchas veces no lo hacemos porque la tarea nos abrume de verdad, sino por algo bastante menos confesable, la satisfacción de sentirnos al día, de poder contar este verano en el chiringuito que tienes un sistema automatizado y de que los demás nos presupongan inteligentes ello.

No hay nada malo en disfrutar de un juguete nuevo, que conste. Lo que me da que pensar es que confundamos esa pequeña vanidad tecnológica con un avance capaz de cambiarnos la vida, porque no se parecen en nada. Y entonces regresa la pregunta que de verdad importa, la que llevo dándole vueltas todo el artículo. ¿Qué valoramos en realidad? ¿Queremos a alguien que saque lo mejor de nosotros, que nos ayude a crecer, a hacer las cosas mejor y a saber más, o nos conformamos con un asistente que despacha tareas minúsculas y que, por muy útil que resulte, jamás va a transformar nuestra vida como nos promete que hará la revolución de la inteligencia artificial?

Yo lo tengo claro. Prefiero una inteligencia que me obligue a pensar antes que una que piense por mí, una que me devuelva lo que ya sé y me provoque un nudo mental que me obligue a pensar y desenredarlo, antes que una que conteste mis correos mientras yo me distraigo con otra cosa.

La revolución que me interesa no es la que se mide en horas ahorradas o sirve para presumir con amigos en una sobremesa de agosto, sino la que me obliga a bajar el ritmo, me hace crecer por dentro y me hace capaz de hacer, escribir, describir, organizar o inventar algo, mejor de lo que lo hacía hace un año. Y esa revolución, en tiempos en los que se vive tan deprisa, que no busca la productividad a cualquier precio y no premia el check rápido, puede que sea la única a la que de verdad merece la pena que llamemos “revolución”.

Hay una universidad china, fundada en 1911, en la que una vez al año, se sientan Tim Cook, Satya Nadella, Elon Musk, Mark Zuckerberg, Jamie Dimon, Larry Fink, Michael Dell y, desde ahora, Jensen Huang.

Presidida por Tim Cook, CEO de Apple, llama la atención que semejante concentración de poder tecnológico y financiero occidental, se lleve a cabo lejos de Silicon Valley y, sobre todo, que sea en China.

Estos días se daba a conocer la noticia de que el CEO de Nvidia se incorporará al consejo asesor de la School of Economics and Management (SEM) de la Universidad de Tsinghua. Una noticia más, dentro de una semana en la que Jensen Huang aparece de manea afable por las calles de Pekín en todas las redes sociales, por lo que tampoco parecía nada extraño.

Pero más allá de la noticia, me llamó la atención algo: resulta que, en plena guerra tecnológica entre EEUU y China, sigue existiendo un espacio institucional donde, cada año, las élites empresariales occidentales y el establishment chino mantienen una relación estable, formal y extraordinariamente cercana. No podemos negar que parece contradictorio después de tantos titulares sobre desacoplamiento tecnológico entre ambos países.

Una diplomacia paralela

El consejo asesor del SEM de Tsinghua funciona, desde hace más de dos décadas, como una especie de diplomacia paralela del capitalismo global. Un canal informal, silencioso y estable donde algunas de las empresas más importantes de occidente mantienen contacto permanente con una de las instituciones más influyentes del ecosistema político y tecnológico chino.

Lo componen unos sesenta y cinco miembros y se reúnen cada año, en octubre, en Pekín. Como decíamos está presidido por Tim Cook y la lista de asistentes podría reflejar, de alguna forma, quienes son los ejecutivos de Silicon Valley con los que China quiere tener contacto cercano.

Pero, pese a todo, sigue sonando extraño: mientras Washington habla de soberanía tecnológica, rivalidad estratégica y reducción de dependencias críticas, restringe la exportación de chips avanzados y presenta a China como su principal rival (y a veces, casi enemigo) los líderes de las compañías tecnológicas más importantes de EEUU, viajan cada año a China y participan en una institución históricamente conectada con las élites del Partido Comunista Chino… ¿Cómo es posible?.

No. Tsinghua no es Harvard

Seguro que habéis leído más de un titular con la analogía “Tsinghua es el Harvard chino”, pero no es exactamente así. Tsinghua es, probablemente, la principal fábrica de élites tecnocráticas de China y de sus aulas salieron nada menos que Xi Jinping y Hu Jintao, además de gran parte del establishment político y empresarial chino.

Su School of Economics and Management, fundada en 1984, tuvo como primer decano a Zhu Rongji, arquitecto de las reformas económicas de los noventa y posteriormente primer ministro del país.

Y esto es importante porque en China las universidades de élite no funcionan únicamente como instituciones académicas. Son además también infraestructuras estratégicas del Estado: espacios de formación de cuadros, redes de influencia, plataformas de legitimidad y mecanismos de conexión entre industria, política, investigación y estrategia nacional. En Occidente solemos imaginar universidad, empresa y Estado como esferas relativamente separadas pero en China esas fronteras son bastante más difusas.

Veinticinco años, y la mesa sigue puesta

El consejo nació en el año 2000, en un momento en el que China se preparaba para entrar en la Organización Mundial del Comercio y el mundo occidental abrazaba la idea de que la integración económica acabaría produciendo, tarde o temprano, convergencia política. Era un momento de gran optimismo globalizador, la época en que las multinacionales estadounidenses expandían producción, capital y cadenas de suministro hacia China convencidas de que el crecimiento económico terminaría aproximando ambos sistemas.

El consejo era, en cierto modo, la materialización institucional de aquella visión del mundo. Quizá por eso, es fascinante que sigue existiendo.

Ha sobrevivido a la crisis financiera global, a la guerra comercial de Trump en su primer mandato, a Huawei, a Hong Kong, a la pandemia, a las tensiones geopolíticas, a los vetos de chips, al auge de la inteligencia artificial generativa, al regreso de Trump y a una nueva ronda de aranceles. Y cada año, siguen reuniéndose.

Se trata de una institución nacida en el optimismo del mundo post-Guerra Fría que ha sobrevivido a la fragmentación geopolítica del siglo XXI. Ahora bien ¿Qué revela sobre las condiciones reales del ecosistema real?

Para mi, esta es la clave: más allá de la retórica pública, las relaciones entre élites económicas e industriales no desaparecen de la noche a la mañana porque cambie el clima político. La economía global, especialmente en sus capas tecnológicas, sigue siendo demasiado interdependiente como para fragmentarse sin costes enormes para todos.

El caso Nvidia

Durante años, China llegó a representar aproximadamente una quinta parte de los ingresos de Nvidia pero, desde 2022, los controles de exportación estadounidenses han limitado progresivamente la venta de chips avanzados de inteligencia artificial al mercado chino. El argumento de Washington es impedir que tecnologías críticas terminen reforzando las capacidades militares o estratégicas de Beijing.

El problema es que la realidad económica no es tan simple. China no es un cliente más para Nvidia, es el único mercado del mundo con suficiente escala industrial, capacidad de fabricación, talento especializado, apoyo del gobierno y ambición estratégica como para competir realmente en la carrera de la inteligencia artificial, así que perder acceso a ese mercado no significa solo perder ingresos, significa acelerar el desarrollo de alternativas locales.

El propio Huang lo ha reconocido públicamente: las restricciones estadounidenses han permitido que empresas chinas como Huawei ganen terreno rápidamente en el mercado chino. Esa es una de las grandes paradojas de la guerra tecnológica: intentar limitar el avance chino puede terminar incentivando una autonomía tecnológica aún mayor.

Del 95% al 0%. Esa es la cifra que mejor explica por qué Jensen Huang se sienta ahora en una mesa donde antes no necesitaba estar o, al menos, no consideraba tan importante estar. En octubre de 2025, el propio CEO de Nvidia reconoció públicamente que la cuota de su compañía en el mercado chino de GPUs avanzadas para IA había caído del dominio absoluto al cero rotundo.

Tres años de controles de exportación sucesivos, A100, H100, las versiones recortadas A800 y H800, y finalmente el H20, han ido cerrando todas las puertas, mientras China aceleraba su sustitución doméstica con Huawei, Cambricon, Moore Threads o MetaX. Durante dos décadas, Nvidia vendía directamente a Alibaba, a Tencent, a ByteDance, al sistema universitario chino. Pero cuando un canal comercial de esa magnitud se cierra, hay que buscar otro canal. El asiento en Tsinghua se entiende mejor desde ahí, como una sustitución: cerrada la vía comercial, queda la institucional.

Aquí aparece, además, una contradicción personal que conviene nombrar. Huang lleva meses diciendo en Taipéi, su ciudad natal y a la que ha calificado de “epicentro de la revolución de la IA”, que sería un “horrible outcome” para Estados Unidos que los laboratorios chinos de IA acabaran funcionando sobre chips de Huawei. Pocos días antes del anuncio de que se unía a Tsinghua, recordemos que viajó a China formando parte de la delegación presidencial de Donald Trump. ¿Casualidad? No lo parece.

Vistas las dos cosas juntas, el cierre del canal comercial y el viaje con Trump, parece una decisión estratégica de manual: mantener puentes abiertos en el momento más delicado de la relación bilateral en décadas, sin contravenir formalmente ninguna restricción de exportación.

¿Qué obtiene cada parte?

A estas alturas te estarás preguntando lógicamente qué gana cada uno por estar ahí. Para Beijing, parece obvio: es un canal estructurado de acceso a los ejecutivos cuyas decisiones más afectan sus cadenas de suministro tecnológicas.

Como el consejo no tiene capacidad vinculante sobre las empresas representadas, no se trata de obtener compromisos formales, sino de algo más sutil y, creo que a largo plazo, más valioso: una lectura directa de cómo piensan, qué temen y hacia dónde se mueven esas empresas.

Para los CEOs, casi lo mismo: exposición directa al pensamiento de la élite económica china sobre las categorías en las que operan y, sobre todo, información que no aparece en informes públicos o briefings de embajada.

Pero, sobre todo, un canal abierto en un momento en que los canales diplomáticos formales se cierran. No es lobby ni es espionaje, sino algo bastante más interesante: un mecanismo de inteligencia mutua institucionalizado, sostenido durante un cuarto de siglo, que sobrevive precisamente porque ninguna de las dos partes puede permitirse el lujo de cerrarlo.

La incomodidad de la interdependencia

Ya se puso de manifiesto cuando estas empresas acompañaron a Trump en su visita a China: Apple continúa muy integrada en el ecosistema industrial chino, Tesla mantiene en Shanghái una de sus fábricas más importantes, BlackRock sigue buscando acceso al mercado financiero chino, Microsoft necesita presencia global, Meta siempre ha visto en China el mayor (y más atractivo) mercado de consumo del mundo y Nvidia no puede permitirse vivir sin el mercado asiático.

Eso no significa que la rivalidad geopolítica no sea real o que no vaya a seguir intensificándose durante años, pero también significa que la realidad es que la rivalidad entre China y Estados Unidos no ha eliminado la interdependencia, solo la ha vuelto más incómoda.

El consejo de Tsinghua simboliza precisamente esa incomodidad y plantea preguntas, también incómodas: ¿Puede existir un desacoplamiento tecnológico real mientras las élites empresariales de ambos bloques sigan profundamente conectadas? ¿Dónde termina exactamente la cooperación económica y dónde empieza la competencia estratégica? ¿Hasta qué punto las grandes tecnológicas estadounidenses actúan hoy no solo como compañías privadas, sino como actores geopolíticos con intereses propios, a veces distintos de los de Washington? ¿Y qué ocurre cuando las empresas que construyen la infraestructura tecnológica del siglo XXI necesitan mantener relaciones estables con ambos lados de la rivalidad más importante del planeta?

Lo que viene ahora

El consejo se reunirá de nuevo en octubre de 2026 y será la primera asamblea con Huang sentado a la mesa, probablemente también la primera bajo una administración Trump que ha endurecido aranceles, vetos y discursos.

Apenas horas después de conocerse el nombramiento, Laura Loomer, activista de extrema derecha y aliada cercana del presidente Trump, publicó en X una acusación frontal contra Jensen Huang: lo calificó de “amenaza para la seguridad nacional” y exigió al Pentágono que abriera una investigación.

Su argumento es que estos CEOs no puede sentarse a la vez en dos consejos, el de Tsinghua y el President’s Council of Advisors on Science and Technology, el órgano que asesora directamente a la Casa Blanca en materia tecnológica. “Estos líderes empresariales no pueden servir a dos amos a la vez“, escribió. “O son leales a Estados Unidos o son leales al Partido Comunista Chino.”

Loomer no es una voz cualquiera dentro del trumpismo. En los últimos años ha conseguido que la Casa Blanca despida a funcionarios del Consejo de Seguridad Nacional simplemente con publicar acusaciones en redes sociales. Pero que un objetivo suyo sea ahora el CEO de la empresa más valiosa del mundo, en plena guerra de chips, no es algo irrisorio, porque, según ella misma asegura, un alto funcionario del Departamento de Guerra le habría confirmado por escrito que están estudiando el caso.

Lógicamente su denuncia no se limita a Huang,y en posts posteriores amplió la lista para incluir a Tim Cook, Satya Nadella, Mark Zuckerberg, Michael Dell y Jamie Dimon, es decir, prácticamente todo el consejo.

Hasta ahora, ninguno de ellos ha renunciado. La diferencia es que durante dos décadas, esa mesa funcionaba en silencio, fuera del foco público y ahora, por primera vez, está sobre la mesa del debate político estadounidense (precisamente lo que el consejo había logrado evitar durante 25 años).

Durante años, Occidente asumió que la integración económica acabaría reduciendo las tensiones políticas, pero hoy hemos visto que ocurre casi lo contrario: las tensiones políticas aumentan mientras la integración económica sigue siendo difícil de romper, así que mientras Cook, Huang, Nadella, Musk, Zuckerberg, Dimon o Fink sigan sentándose alrededor de esa mesa, seguirá existiendo una voluntad compartida de mantener conectado el sistema. El problema es durante cuanto tiempo lo seguirán haciendo ahora que la noticia y la existencia de esa mesa ha saltado al debate público.

Parece que el verdadero indicador de ruptura entre China y Estados Unidos no será el día que haya un nuevo veto por aprte de EEUU, o un discurso de Trump, llegará el día en que esa mesa deje de reunirse.

Cuando se hizo pública la delegación empresarial que acompañaría a Donald Trump en su visita a Beijing, hubo una ausencia que llamó la atención dentro de la industria tecnológica: Jensen Huang. Resultaba extraño, muy extraño, diría yo. Entre los confirmados figuraban directivos de grandes compañías industriales, financieras y tecnológicas, pero faltaba precisamente el consejero delegado de Nvidia, la empresa que se ha convertido en el corazón de la infraestructura mundial de inteligencia artificial. Durante unas horas se multiplicaron las preguntas sobre si la ausencia era casual, estratégica o una señal política. Horas después la situación cambió, y el Air Force One hizo escala en Alaska para que Jensen Huang se incorporara al viaje y Nvidia hizo publico que se unía a la delegación “tras una invitación directa del propio Trump“.

Resulta difícil interpretar un movimiento así como una simple improvisación logística.

Nvidia ocupa hoy una posición demasiado delicada dentro de la relación tecnológica entre Estados Unidos y China como para pensar que la presencia o ausencia de su CEO en una visita de este nivel carezca de significado. Sus chips entrenan gran parte de los modelos de inteligencia artificial más avanzados del mundo, Washington considera esa tecnología un activo estratégico nacional y, al mismo tiempo, China sigue siendo uno de los mercados más importantes y complejos para la compañía.

Durante su estancia, además, Jensen Huang volvió a mostrarse extraordinariamente cercano al país, visitando mercados locales, mezclándose con comerciantes y ciudadanos, comiendo noodles en establecimientos populares y conversando con naturalidad con personas de la calle mientras cámaras y redes sociales seguían cada movimiento. Aunque Huang es conocido por su cercanía, no era la imagen fría y cuidadosamente corporativa que suele acompañar a los grandes ejecutivos tecnológicos estadounidenses en escenarios geopolíticos delicados.

La combinación de ambos gestos (la incorporación de última hora al viaje y la exagerada cercanía con la sociedad china) resulta difícil de leer como una simple casualidad. Más bien parecía un intento de marcar distancia respecto al tono cada vez más agresivo que domina el discurso estadounidense sobre China, como si Huang quisiera recordar constantemente que Nvidia no se ve a sí misma únicamente como una empresa americana que vende chips a un rival estratégico, sino también como parte de un ecosistema tecnológico global profundamente conectado con el país asiático y, sobre todo, un intento de querer decir sin poder hacerlo: “yo no soy como ellos“.

Volveremos sobre Huang más adelante, porque su figura es clave para entender la fase actual del conflicto. Pero conviene quedarse, de momento, con una idea: mientras algunos titulares y post en LinkedIn se quedan con una lectura superficial de la visita y afirman que “Estados Unidos ha levantado el veto a Nvidia“, la realidad es bastante más compleja.

Lo que está ocurriendo no parece el final de la guerra tecnológica entre Estados Unidos y China, sino el comienzo de una nueva fase mucho más incómoda, ambigua y difícil de interpretar.

Porque detrás de los titulares sobre el supuesto “fin del veto” a Nvidia no hay realmente una reconciliación tecnológica entre Washington y Beijing. Lo que está emergiendo es algo bastante más complicado: una nueva etapa en la que Estados Unidos intenta controlar con precisión cuánta capacidad computacional avanzada puede llegar a China, mientras Beijing acelera silenciosamente la construcción de un ecosistema propio para dejar de depender de tecnología estadounidense.

Pero para entender lo que realmente ha pasado, hay que retroceder un poco y reconstruir la situación tal y como estaba antes de la visita.

Contexto: controles de exportación previos

Desde 2018, Estados Unidos fue endureciendo de forma progresiva su régimen de exportación de tecnología hacia China, con un objetivo central: impedir que Beijing obtuviera los semiconductores más avanzados.

En 2022, ya bajo la Administración Biden y prolongando la línea iniciada por Trump, las prohibiciones se ampliaron sustancialmente apelando a la “seguridad nacional”, y empezaron a incluir restricciones específicas sobre GPUs y chips de última generación, dejando fuera categorías menos avanzadas.

El giro inesperado llegó en diciembre de 2025. Trump sorprendió al anunciar en su red social que permitiría a Nvidia vender sus chips H200 en China a cambio de un recargo del 25 % sobre cada operación. El anuncio, refrendado poco después por la Casa Blanca, implicaba un detalle clave: las ventas tendrían que pasar por suelo estadounidense para que el Gobierno pudiera capturar esa parte del ingreso, dado que la ley impide imponer aranceles directos a la exportación.

A comienzos de 2026, el Departamento de Comercio formalizó la pauta a través de su Oficina de Industria y Seguridad (BIS): las solicitudes de licencia para exportar los H200 (y chips similares) a China se revisarían “caso por caso”, siempre que se cumplieran ciertos requisitos. Entre ellos, demostrar que la exportación no reducirá la capacidad de producción global disponible para clientes estadounidenses, que el comprador chino adopte procedimientos rigurosos de compliance (incluido el filtrado de usuarios finales) y que los chips hayan sido sometidos a pruebas independientes en EE. UU. para verificar su funcionamiento y seguridad.

Qué se ha autorizado exactamente

Según la información publicada por Reuters el 14 de mayo, el Departamento de Comercio ha aprobado a unas diez compañías chinas para comprar el chip H200 de Nvidia. Entre ellas figuran gigantes como Alibaba, Tencent, ByteDance y JD.com. Además, se autorizó a determinados distribuidores, en concreto Lenovo y Foxconn, a actuar como intermediarios. Bajo estos acuerdos, cada comprador chino puede adquirir hasta 75.000 chips H200, ya sea directamente de Nvidia o a través de los distribuidores autorizados.

Sin embargo, conviene subrayar un matiz que rara vez aparece en los titulares: ninguna compra se ha materializado todavía. Reuters apunta que, incluso tras obtener las licencias, las compañías chinas “se retiraron tras las indicaciones de Beijing”, y el propio Departamento de Comercio reconoció en audiencias públicas que el Gobierno chino “hasta ahora no les ha permitido comprar los chips, porque están enfocando sus inversiones en su propia industria nacional”. La autorización, por tanto, existe sobre el papel, pero en la práctica no se ha producido ningún flujo real de H200 hacia China.

En otras palabras, no se ha levantado ningún veto general. Lo que se ha autorizado es muy concreto: ventas de un modelo específico, a empresas concretas, con tope de volumen y muchas restricciones. Otros productos del catálogo de Nvidia siguen vetados, incluidas las arquitecturas más avanzadas (Blackwell y Rubin, entre otras) que continúan formando parte del núcleo estratégico de las restricciones estadounidenses. Tampoco hay indicio alguno de una extensión amplia de la medida ni se ha anunciado un “fin de las sanciones”.

Condiciones, límites y supervisión

Las nuevas licencias llegan acompañadas de un andamiaje de restricciones extraordinariamente estricto.

Según AP News, el Departamento de Comercio exige que los H200 “pasen por revisión de un tercero” y que China “no use los chips con fines militares”, además de prohibir que China importe más del 50 % de los H200 que se vendan a clientes estadounidenses. Estas condiciones complementan lo publicado por el BIS, que obliga a los compradores chinos a demostrar “procedimientos de seguridad suficientes” y a comprometerse por escrito a no destinarlos a usos militares. Nvidia, por su parte, debe certificar que existe inventario “suficiente” en EE. UU. antes de cada exportación.

En la práctica, las condiciones se articulan en cinco grandes bloques.

• El primero son las pruebas de seguridad: los H200 exportados deben ser testeados de forma independiente en territorio estadounidense para verificar que no contienen vulnerabilidades ni “puertas traseras”. Imagino que no soy la única que piensa que esto puede tener otra lectura bastante evidente.

• El segundo es la prohibición militar explícita, que veta cualquier uso vinculado a defensa o seguridad nacional china.

• El tercero es el aporte económico para EE. UU., con ese recargo del 25 % sobre los ingresos que obliga al tránsito de los chips por suelo estadounidense.

• El cuarto es el límite de volumen, fijado en un máximo de 75.000 unidades por comprador autorizado, con el añadido de que China no puede importar más de la mitad de lo que EE. UU. vende internamente.

• Y el quinto es la supervisión continua: Washington vigilará los envíos mediante inspecciones aduaneras y se reserva el derecho de revisar o revocar las licencias en cualquier momento. Sí, has leído bien: “derecho a revisar o revocar las licencias en cualquier momento”.

A todo ello se suma un factor que complica aún más el cuadro: las restricciones impuestas por la propia China. Algunos medios como Wired y Bloomberg señalan que Beijing ha pedido a las empresas estatales que dejen en pausa los pedidos de H200 para priorizar la industria local. El resultado es paradójico: pese a contar con licencias formales, las ventas siguen atrapadas en un enredo burocrático y geopolítico.

La reacción en Beijing

Las empresas chinas específicamente aprobadas por Washington (Alibaba, Tencent, ByteDance y JD.com), junto con Foxconn, han declinado hacer comentarios públicos. La única excepción ha sido Lenovo, que sí confirmó ser “una de varias empresas autorizadas para vender H200 en China como parte de la licencia de exportación de Nvidia”, es decir, un distribuidor.

La reacción en el ecosistema chino, sin embargo, ha sido marcadamente cauta, cuando no abiertamente hostil. Medios oficiales y analistas próximos al poder han cuestionado la seguridad de los chips extranjeros, llegando a sugerir que pueden contener “puertas traseras” y la cadena estatal CCTV publicó en redes sociales que los consumidores chinos “pueden optar por no comprar” chips que no sean “seguros”. Estas advertencias, lejos de ser anecdóticas, funcionan como un desincentivo eficaz para las compras masivas, y se ha informado de que varias compañías mixtas estatales han recibido instrucciones de no usar los H200 en proyectos sensibles.

Reuters lo resume así: tras recibir las autorizaciones estadounidenses, las compras “se frenaron” debido a “la presión en Beijing para bloquear o revisar estrictamente” esos pedidos. En EEUU se vende como una estrategia china de priorizar el desarrollo propio y evitar una dependencia tecnológica que pueda debilitar sus planes de autosuficiencia. La lectura, para mi, es bastante clara: EEUU bloquea y obliga a China a desarrollar su industria sin contar con esos chips. Después vuelve como “un novio arrepentido”, diciendo que le deja utilizarlos bajo medidas muy severas y con la posibilidad de cortar el acceso cuando quiera. Creo que a nadie le extrañaría que China ahora dijera “ya no los necesito, y menos con esas condiciones”.

Por qué esto es más complejo de lo que parece

Todo esto ayuda a entender algo importante: la guerra tecnológica entre Estados Unidos y China ya no funciona como un simple sistema binario de “permitido o prohibido”.

Cuando se impusieron las primeras restricciones serias en 2022, buena parte del análisis público interpretó la situación como un bloqueo directo de determinados chips, en particular los Nvidia A100 y H100, utilizados masivamente para entrenar grandes modelos de inteligencia artificial. Pero la lógica de Washington fue evolucionando hacia algo bastante más sofisticado.

El problema, para la Administración estadounidense, nunca fue solo que China pudiera adquirir una GPU concreta. El verdadero temor era que Beijing pudiera construir clusters masivos de computación capaces de entrenar sistemas de IA cada vez más avanzados y escalables. Y ahí la guerra tecnológica cambió de naturaleza.

Las restricciones dejaron de centrarse únicamente en la potencia individual de cada chip y empezaron a incluir factores mucho más complejos: velocidad de interconexión, ancho de banda, capacidad de comunicación entre GPUs, eficiencia del entrenamiento distribuido y escalabilidad computacional. Estados Unidos ya no estaba intentando simplemente bloquear productos, sino controlar la velocidad a la que China podía desarrollar infraestructura avanzada de inteligencia artificial.

Nvidia reaccionó intentando adaptarse al nuevo escenario regulatorio sin abandonar uno de sus mercados más relevantes. Diseñó versiones recortadas específicamente pensadas para cumplir los límites impuestos por Washington: aparecieron los A800, los H800 y, más tarde, los H20, modelos que reducían determinadas capacidades técnicas relacionadas con la interconexión o el rendimiento agregado.

Durante un tiempo, esa estrategia permitió mantener cierto equilibrio: China seguía accediendo parcialmente a hardware Nvidia y la compañía conservaba su presencia en uno de los mercados tecnológicos más importantes del planeta.

Pero las restricciones volvieron a endurecerse cuando Washington constató que las empresas chinas estaban consiguiendo construir infraestructuras de IA relevantes incluso con ese hardware adaptado. Y eso pone de manifiesto lo esencial: el objetivo estadounidense nunca consistió simplemente en prohibir o permitir chips de forma absoluta. El objetivo real se acerca más a gestionar con precisión cuánta capacidad computacional avanzada puede acumular China.

En otras palabras, la cuestión ya no es qué chip individual puede comprar China. La cuestión es cuánta infraestructura de inteligencia artificial puede llegar a construir.

China ya no da por garantizado el acceso a la tecnología estadounidense

Y precisamente aquí aparece el elemento más interesante (y probablemente menos entendido) de toda esta historia. El gran cambio de los últimos años quizá no sea que Estados Unidos haya endurecido las restricciones tecnológicas, sino que China parece haber asumido, de forma definitiva, que el acceso estable a tecnología estadounidense ya no puede darse por garantizado. Y esa convicción, una vez interiorizada por un Estado de las dimensiones del chino, modifica por completo la lógica industrial del país.

Durante años, buena parte del ecosistema chino de inteligencia artificial dependió enormemente de Nvidia. No solo por la potencia bruta de sus GPUs, sino por algo todavía más importante y mucho más difícil de sustituir: CUDA. La plataforma de software desarrollada por Nvidia se convirtió en el estándar de facto para el entrenamiento de modelos de IA, las bibliotecas de machine learning y la computación acelerada en general. Miles de empresas, universidades y laboratorios chinos construyeron sus sistemas sobre ese ecosistema, igual que hicieron sus equivalentes estadounidenses, europeos o coreanos.

Desde la perspectiva de China, eso introduce un riesgo estructural enorme. La cuestión es qué ocurre si dentro de dos años Washington vuelve a endurecer las restricciones, cancela licencias o limita todavía más el acceso a hardware, software o actualizaciones críticas.

Por eso, lejos de los titulares, Beijing lleva años acelerando silenciosamente el desarrollo de alternativas nacionales. Empresas como Huawei, Biren, Cambricon o Moore Threads están intentando construir un ecosistema chino de aceleradores de IA capaz de reducir progresivamente la dependencia de Nvidia. Huawei, en particular, se ha convertido en el gran símbolo de esta estrategia con su línea Ascend, impulsada de forma agresiva tras las sanciones estadounidenses. Según distintos análisis especializados, China ha reforzado considerablemente su cadena interna de semiconductores (tanto en nodos avanzados como en chips convencionales, a menudo más estratégicos de lo que parecen) precisamente para reducir sus vulnerabilidades frente a Washington.

Y esta es una de las grandes paradojas: las sanciones estadounidenses sí han ralentizado parte del desarrollo chino de inteligencia artificial, pero a la vez han acelerado de forma extraordinaria la inversión nacional, la sustitución tecnológica y el impulso político hacia la autosuficiencia. Lo que para Washington era un instrumento de contención se ha vuelto en su contra y se ha convertido en un acelerador de la industria que pretendía frenar.

DeepSeek fue el gran ejemplo. Las restricciones obligaron al ecosistema chino a optimizar recursos, desarrollar arquitecturas más eficientes y aprender a trabajar bajo limitaciones computacionales mucho más duras (lo que según Jensen Huang, además desarrolló un talento enorme en el país). En paralelo, empresas como Huawei están aprovechando esa presión para consolidar plataformas nacionales capaces de competir progresivamente con Nvidia en determinadas cargas de trabajo, especialmente en inferencia.

Por qué la reacción china a las nuevas licencias H200 ha sido tan fría

La primera razón es industrial. Ya hemos visto que importar masivamente H200 bajo supervisión estadounidense chocaría frontalmente con la estrategia de autosuficiencia tecnológica que China lleva años construyendo.

La segunda razón es la seguridad. Durante los últimos meses, medios oficiales y analistas próximos al Gobierno chino han empezado a advertir públicamente sobre posibles riesgos de seguridad asociados a chips extranjeros, incluyendo insinuaciones sobre vulnerabilidades o backdoors favorables a Estados Unidos. Nadie se fía ya de nadie.

La tercera razón es puramente geopolítica. Beijing entiende que cada licencia aprobada por Washington puede funcionar también como una herramienta de control político. China interpreta esas licencias no como una normalización estable, sino como permisos temporales, condicionados y potencialmente reversibles. Construir una industria entera sobre permisos así sería, sencillamente, irresponsable.

Y finalmente está el propio cambio del mercado chino: Nvidia ya ha reconocido que no espera incorporar ingresos significativos procedentes de China en sus previsiones a corto plazo, porque anticipa ventas limitadas y un entorno extremadamente incierto. Mientras tanto, el ecosistema chino de IA continúa ganando músculo alrededor de hardware local, plataformas nacionales y modelos optimizados para funcionar con menos recursos computacionales. Cada mes que pasa sin compras masivas de Nvidia es un mes en el que los competidores domésticos ganan terreno, capturan clientes y consolidan estándares propios.

En otras palabras: incluso cuando existen licencias sobre el papel, China tiene cada vez menos incentivos para construir su futuro de IA dependiendo masivamente de Nvidia. Y probablemente Jensen Huang lo entiende mejor que nadie. Sus paseos por mercados locales, su cercanía con comerciantes y ciudadanos, su tono constantemente conciliador y su insistencia pública en el valor del mercado chino para Nvidia no parecían simples campañas de marketing corporativo. Transmitían, más bien, la sensación de querer evitar una ruptura tecnológica que, una vez consumada, sería extraordinariamente difícil de revertir.

Para Nvidia el mayor peligro no es perder ventas a corto plazo sino que China deje de considerar imprescindible a Nvidia y termine construyendo un ecosistema alternativo completo alrededor de sus propios chips, su propio software y sus propias plataformas de inteligencia artificial.

El verdadero problema chino no son los chips: es CUDA

Aunque no se suele hablar de ello, depender de Nvidia no es únicamente depender de un chip extranjero. Es construir una parte esencial de la infraestructura nacional de inteligencia artificial sobre una plataforma tecnológica controlada por una empresa estadounidense que, en última instancia, está sujeta a las decisiones políticas de Washington.

La verdadera fortaleza de Nvidia (y por tanto de EEUU) no está solo en fabricar GPUs extremadamente potentes. Está en haber construido, durante casi dos décadas, un ecosistema completo sobre el que se ha cimentado buena parte de la inteligencia artificial moderna. CUDA, lanzado en 2006, no es simplemente un software ni un lenguaje de programación: es un conjunto integrado de herramientas, bibliotecas, compiladores, frameworks, optimizaciones y compatibilidades que permite a investigadores y empresas desarrollar, entrenar y desplegar modelos avanzados de IA de forma eficiente.

Durante más de una década, universidades, startups, hyperscalers y laboratorios de investigación de todo el mundo (China incluida) han construido sus sistemas alrededor de ese ecosistema. PyTorch, TensorFlow, JAX y prácticamente todas las grandes bibliotecas modernas de IA están profundamente optimizadas para CUDA. Los modelos preentrenados, los repositorios públicos, los tutoriales académicos, los cursos universitarios y las herramientas de despliegue dan por sentada su existencia. Y eso genera una dependencia enorme, mucho más difícil de revertir que la simple compra de un chip alternativo.

Cambiar de hardware, en este contexto, no significa únicamente comprar otra GPU. Significa también adaptar software, reescribir kernels y optimizaciones de bajo nivel, modificar frameworks, recompilar bibliotecas, validar de nuevo modelos enteros, formar ingenieros en una pila tecnológica distinta y reconstruir parte de la infraestructura desde cero. Es un coste enorme, no solo económico, sino también de talento y de tiempo.

Por eso China no está intentando simplemente fabricar “una GPU alternativa a Nvidia”. El objetivo real es bastante más ambicioso: construir un stack completo de inteligencia artificial capaz de funcionar incluso si el acceso a tecnología estadounidense desapareciera por completo y que abarca todas las capas del sistema: el hardware, el software de bajo nivel, los frameworks de entrenamiento, las herramientas de desarrollo, las plataformas de cloud computing, las bibliotecas especializadas de IA y las infraestructuras nacionales de entrenamiento e inferencia.

Huawei representa probablemente el ejemplo más visible de esta estrategia con su línea Ascend y su apuesta por CANN (el equivalente funcional de CUDA dentro del ecosistema Ascend) y por MindSpore, su propio framework de aprendizaje profundo. En una escala distinta, compañías como Cambricon, Biren, Moore Threads o Iluvatar persiguen objetivos análogos en diferentes tramos de la cadena tecnológica nacional, cubriendo desde aceleradores específicos para inferencia hasta GPUs de propósito general.

Y precisamente por eso DeepSeek resulta tan importante dentro de China, y por eso ha sido tan malinterpretada fuera de ella. Más allá de un modelo eficiente es una demostración de que el ecosistema chino está aprendiendo a optimizar modelos, reducir costes computacionales y operar bajo restricciones tecnológicas cada vez más duras sin perder competitividad frontera con los grandes laboratorios estadounidenses.

Vista así, la autorización limitada de los H200 deja de parecer un alivio para China y se revela, en buena medida, como un dilema incómodo. Aceptarlos significa seguir alimentando una dependencia que Beijing lleva años tratando de romper y rechazarlos (o ralentizar su compra, como parece estar ocurriendo) supone aceptar un coste a corto plazo a cambio de algo mucho más valioso a largo plazo: la posibilidad de no volver a depender nunca de una licencia de exportación firmada en Washington.

Jensen Huang, el hombre incómodo en medio de la guerra tecnológica

Y en medio de toda esa tensión aparece una figura particularmente incómoda para ambos lados: Jensen Huang que ya no actúa únicamente como el consejero delegado de Nvidia. En muchos sentidos se ha convertido en una especie de intermediario informal entre dos ecosistemas tecnológicos que cada vez desconfían más el uno del otro.

Como decía al principio de este artículo, Jensen Huang no figuraba en la delegación empresarial que acompañaría a Donald Trump a Beijing y que no formara parte del viaje era, como mínimo, llamativo.

Por eso su incorporación posterior, tras una invitación directa del propio Trump, difícilmente parece casual. Algo tuvo que ocurrir entre ambos momentos. Desde fuera es imposible saber exactamente qué se negoció o qué tensiones existieron detrás de escena, pero resulta difícil no interpretar el episodio como una señal de fricción. O bien Nvidia no estaba cómoda con alguna parte del viaje o del mensaje político que Washington quería proyectar, o bien la Casa Blanca terminó comprendiendo que no podía permitirse dejar fuera precisamente al hombre que representa, en buena medida, la infraestructura mundial de IA. En cualquier caso, el movimiento transmite una idea importante: Jensen Huang no parece encajar cómodamente dentro de la narrativa más agresiva de confrontación tecnológica total con China.

Mientras gran parte del discurso político estadounidense habla de China casi exclusivamente en términos de rivalidad estratégica, espionaje industrial o amenaza tecnológica, Huang lleva años utilizando un tono completamente distinto. Una y otra vez insiste en que China seguirá siendo un actor fundamental para la inteligencia artificial global, que el talento tecnológico chino es enorme y que aislar al país por completo del ecosistema mundial de IA puede terminar siendo un error estratégico de difícil reparación.

Su cercanía con el pueblo chino, casi parecía un intento constante de marcar distancia respecto al clima político dominante en Washington, como si Huang estuviera tratando de comunicar algo muy concreto sin decirlo explícitamente: que Nvidia no es como ellos, que Nvidia no quiere romper con China.

Huang (taiwanés de nacimiento, criado en Estados Unidos y profundamente conectado al ecosistema asiático de semiconductores) conoce el mercado chino mejor que la mayoría de directivos de su sector. Entiende la velocidad con la que el país puede reorganizar industrias enteras cuando percibe una amenaza estratégica, así como algo que en Washington a veces se subestima: si China termina construyendo un stack completo alternativo de inteligencia artificial, Nvidia no perdería únicamente un mercado. Podría perder relevancia estructural dentro de una de las regiones más importantes para el futuro global de la IA.

Pocas figuras encarnan tantas tensiones del conflicto en una sola persona. Huang es ciudadano estadounidense, nacido en Taiwan, su empresa depende industrialmente de una empresa taiwanesa fundada por un amigo íntimo, vende sus productos tanto en Washington como en Pekín y opera en un sector donde una decisión política puede borrar o multiplicar decenas de miles de millones en cuestión de horas. No es solo un CEO incómodo en medio de una guerra tecnológica: es alguien que conoce personalmente a casi todos los actores relevantes a ambos lados del Pacífico, y cuya empresa depende de que ninguno de ellos rompa la baraja. (podéis leer la historia de Jensen Huang en este artículo: El hombre de la chaqueta de cuero y la apuesta que casi destruye a Nvidia).

Estados Unidos necesita contener el desarrollo tecnológico chino en áreas consideradas estratégicas, especialmente en inteligencia artificial avanzada y computación de alto rendimiento. Nvidia, en cambio, necesita evitar una ruptura irreversible con uno de los mayores ecosistemas tecnológicos del planeta. Y China, mientras tanto, intenta reducir progresivamente su dependencia de infraestructura estadounidense antes de que futuras restricciones vuelvan a endurecerse. Los tres actores se mueven en direcciones distintas, y los tres lo saben.

Por eso la situación actual resulta tan extraña y difícil de interpretar. Sobre el papel, Estados Unidos flexibiliza parcialmente algunas licencias. Nvidia intenta conservar presencia. China recibe autorizaciones… y, aun así, frena compras mientras acelera alternativas nacionales. Visto desde fuera puede parecer contradictorio, casi irracional.

Por eso decía que la situación estratégica entre Estados Unidos y China no va de vender o bloquear chips, sino de quién controlará la infraestructura sobre la que funcionará la inteligencia artificial durante las próximas décadas.

Cuatro escenarios para el futuro inmediato

Anticipar el desenlace de una situación tan compleja es muy difícil. Demasiadas variables, demasiados actores con incentivos cruzados y demasiada dependencia de decisiones políticas concretas que pueden cambiar en cuestión de semanas. Aun así, me voy a arriesgar a esbozar los caminos posibles para el medio plazo, con una estimación cualitativa de su probabilidad y sus consecuencias.

El primer escenario podría ser el de una relajación parcial y controlada, con una probabilidad media. Estados Unidos podría extender gradualmente nuevas licencias caso por caso (incluyendo, por ejemplo, determinados chips de AMD u otras categorías de gama media) siempre bajo supervisión estricta y con los mismos mecanismos de revisión que se aplican hoy a los H200. China podría aprovechar esa apertura para acceder a tecnología comercial útil, sin renunciar por ello a su impulso doméstico. Las consecuencias serían moderadas: empresas como Nvidia y AMD recuperarían parte del mercado chino perdido en los últimos años, aunque sometidas a filtros de seguridad cada vez más complejos. La geopolítica de fondo no cambiaría demasiado: simplemente se asentarían unas reglas más claras dentro de una competencia que seguiría siendo intensa.

El segundo escenario, y probablemente el más realista a corto plazo, es el del mantenimiento del statu quo, con una probabilidad alta. Tanto Washington como Beijing conservarían sus posiciones actuales: Estados Unidos seguiría bloqueando las arquitecturas más avanzadas y autorizando ventas muy limitadas de H200, mientras China continuaría inyectando capital, subvenciones y prioridad política en su industria nacional de semiconductores. El resultado sería una continuación de la guerra tecnológica en su forma actual, con un crecimiento acelerado del ecosistema chino conviviendo con un acceso restringido y siempre condicional a la tecnología estadounidense. Los flujos de comercio de chips seguirían recortados y las tensiones diplomáticas latentes, sin estallidos, pero sin distensión real.

El tercer escenario, de escalada de restricciones, tendría una probabilidad baja pero consecuencias graves. Un deterioro político serio (ya sea por un incidente geopolítico, por un cambio de Administración en Washington o por una crisis en Taiwán) podría llevar a Estados Unidos a endurecer todavía más sus normas, revocando incluso las licencias H200 ya emitidas o imponiendo nuevos controles sobre software, actualizaciones o servicios cloud. Pekín, previsiblemente, respondería con sanciones propias contra firmas tecnológicas estadounidenses, aranceles de represalia o restricciones a materiales críticos como tierras raras o galio. La consecuencia sería un salto cualitativo en la desglobalización tecnológica: China aceleraría aún más su producción interna por pura necesidad, las cadenas de suministro globales se fragmentarían en bloques cada vez más estancos y la innovación mundial probablemente se ralentizaría, con precios más altos para casi todos los componentes avanzados.

El cuarto escenario es el de una respuesta china proactiva, con una probabilidad moderada-alta y, posiblemente, el de mayores implicaciones a largo plazo. Independientemente de la postura que adopte Washington, China podría decidir acelerar drásticamente su producción nacional de chips avanzados, diversificar proveedores extranjeros (explorando alternativas en Corea del Sur, Japón, Europa o incluso Rusia) y desplegar incentivos regulatorios para reducir todavía más la compra de tecnología crítica estadounidense. A largo plazo, esta estrategia consolidaría su objetivo de autosuficiencia y podría incluso convertir a algunas de sus empresas en exportadoras competitivas. A corto plazo, sin embargo, generaría distorsiones significativas: acumulación de inventarios de chips extranjeros, pérdida acelerada de cuota para empresas occidentales y un ajuste industrial doloroso para sectores acostumbrados a operar dentro de un ecosistema globalizado.

Ninguno de estos escenarios es excluyente. Lo más probable, de hecho, es que se de una combinación de varios: un statu quo duro en lo declarativo, salpicado de relajaciones puntuales como las licencias H200, mientras China ejecuta en paralelo y de forma silenciosa una respuesta proactiva que solo se hará plenamente visible dentro de algunos años.

Lo que parece imposible es volver a la situación anterior a 2022.

Así que hablar de las licencias H200 supone quedarse solo en la superficie. Debajo se mueve algo mucho más profundo, mucho más lento y mucho más difícil de cambiar. Estados Unidos no ha levantado ningún veto, China no ha dejado de necesitar chips y Nvidia no ha recuperado su mercado. Creo que lo único que realmente ha cambiado es que las tres partes han empezado a aceptar, cada una a su manera, que el viejo equilibrio ya no va a volver.

Y cuando los titulares vuelvan a hablar, dentro de unos meses, de un nuevo “acuerdo histórico”, de una nueva “ruptura definitiva” o de un nuevo “fin del veto”, habrá que seguir buscando lo que ocurre detrás de las cámaras y de los anuncios unilaterales de una de las partes, y que es lo que he tratado de recoger en este análisis.

Gracias por leerlo hasta el final 😉

En los dos últimos años hemos estado hablando de la inteligencia artificial en términos de sustitución de lo humano. Cada noticia, cada post en redes repetía las mismas ideas: qué profesiones desaparecerían, qué tareas dejaríamos de hacer, qué efectos tendría sobre la educación, si las máquinas terminarían pensando mejor que nosotros, qué capacidades perderíamos precisamente por dejar de utilizarlas. En el fondo nos aferrábamos a una única idea, con la que nos sentíamos cómodos y protegidos: “humanos contra máquinas“.

Cuanto más convivimos con la IA, y sobre todo cuanto más se diluye esa capa de miedo que acompaña a cualquier cosa nueva, se hace más evidente que partíamos de una base equivocada, porque la IA no está sustituyendo capacidades humanas, las está amplificando. La IA no mejora automáticamente lo que toca, sino que simplemente lo hace más grande, más rápido y más visible.

Un programador ahora entrega en una tarde lo que antes le habría llevado semanas, un investigador puede revisar en horas documentos que antes habría tardado meses en revisar, un diseñador puede explorar veinte direcciones en el tiempo en el que antes podía probar dos, un médico revisa más casos. un profesor prepara mejores materiales, e incluso una persona curiosa, sin formación específica ni ser experta en un campo concreto, puede tirar del hilo y avanzar a una velocidad que hasta hace poco solo estaba al alcance de quien tenía a un experto al lado. La distancia entre querer entender algo y empezar a entenderlo se ha reducido a casi cero.

Pero ese amplificador no distingue, y amplifica lo que merece ser amplificado pero también lo que no.

El que apenas sabía programar ahora produce código muy frágil a gran velocidad, que funciona los primeros días y se desmorona en cuanto entra en contacto con la realidad. El consultor que llenaba presentaciones de obviedades ahora las llena más rápido y con mejor diseño. El que copiaba trabajos académicos ahora publica libros enteros en cuestión de días. Un periodista perezoso reescribe una mayor cantidad de notas de prensa. La persona que en LinkedIn exageraba sus conocimientos ahora puede hacerse pasar por una autoridad intelectual y experta, y publicar decenas de post sobre un tema que apenas entiende, con citas bien colocadas de autores que no ha leído, un tono confiado calibrado para parecer reflexión, una estética visual cuidada… y todo en una tarde. Y a ojos de muchos lectores (e incluso del algoritmo), no se diferencia de quienes llevan muchos años estudiando ese mismo tema.

Pero la tesis de que “la IA amplifica todo” se queda corta.

Para tratar de entenderlo, muchas veces trato de recrear el cambio que supuso la llegada de internet (que tuve la suerte de vivir trabajando en una puntocom).

La llegada de internet abarató una cosa concreta: la distribución. Antes, publicar cualquier cosa (un libro, una canción, una opinión, un producto) exigía intermediarios a los que no se tenía fácil acceso (editoriales, discográficas, medios). Internet permitió que cualquiera pudiera publicar algo, que fuera accesible a un gran número de personas y que, de esta forma, la asimetría entre quien quería decir algo y quien podía hacerlo desapareciera.

Internet hizo fácil la distribución, pero no tocó la otra mitad de la ecuación: la producción.

Escribir un libro seguía requiriendo meses, diseñar una web exigía conocimientos, programar suponía años de aprendizaje y hacer un vídeo decente implicaba equipo, tiempo y formación. La distribución se volvió gratuita, pero la producción seguía siendo cara. Esto era lo que mantenía el sistema más o menos en equilibrio: había mucho más contenido que antes, sí, pero seguía existiendo una barrera natural (el esfuerzo de hacerlo) que filtraba parte del ruido.

La inteligencia artificial está haciendo con la producción lo mismo que internet hizo con la distribución. Está eliminando su coste y haciéndola accesible a todo el mundo. Contado así, parece una gran noticia: más gente puede crear más cosas. Pero por desgracia, cuando una restricción desaparece de un sistema, el cuello de botella no se elimina: se traslada a otra parte y conviene preguntarse hacia dónde.

La respuesta evidente es que se traslada al criterio. Si producir ya no cuesta, lo que escasea pasa a ser la capacidad de distinguir entre lo que merece atención y lo que no.

Todos nosotros lo notamos cada vez que abrimos cualquier plataforma o red social: el problema ya no es encontrar contenido, es decidir cuál de ellos vale la pena entre una montaña de posts, donde casi todo está razonablemente bien terminado. Esto puede sonar tranquilizador porque parece reubicar el problema en un lugar donde, en teoría, los humanos seguimos teniendo ventaja: el criterio de elegir qué cosas merecen nuestra atención o nuestro tiempo.

Pero, en realidad, no tenemos esa ventaja o, al menos, no del modo en que pensamos.

El criterio no es una facultad innata que cada persona trae consigo, sino que es algo que se forma. Se forma de una manera muy concreta: consumiendo, durante años, una cantidad enorme de cosas, comparándolas, equivocándose, afinando el gusto poco a poco. Es decir, aprendes a distinguir un buen libro porque has leído libros buenos pero también malos, aprendes a reconocer una idea original porque has visto cientos repetidas, aprendes a oler el clickbait porque alguna vez te lo creíste.

El criterio es, sobre todo, un sedimento. La clave está en que ese sedimento se va depositando únicamente sobre lo que el entorno te ofrece para consumir. Y ahí está el problema con el que nos enfrentamos ahora: El criterio del público se forma consumiendo lo que el sistema produce, pero si el sistema empieza a producir, masivamente, cosas aparentemente bien acabadas pero vacías (textos correctos sin nada detrás, imágenes espectaculares sin técnica ni “alma”, libros publicados en días que imitan la forma de un libro pensado durante años), entonces el sedimento que se va depositando en cada lector es un sedimento de imitaciones. La gente no aprende a distinguir lo bueno de lo malo: aprende a aceptar como bueno lo que tiene la forma de lo bueno.

Hay un estudio reciente publicado en una revista de investigación en marketing que comparó el rendimiento de publicaciones generadas por GPT-4 con publicaciones escritas por humanos en redes sociales. Las generadas por IA obtuvieron mejor engagement (ojo, no igual, mejor), incluso en profesionales de ese sector.

¿Diríamos entonces que la IA escribe mejor? No. Es que el público, en conjunto y en ese contexto, recompensa con más fuerza el contenido que cumple las reglas reconocibles. La IA no es buena escribiendo: es excelente imitando aquello a lo que ya estábamos condicionados a responder.

Amazon ha tenido que limitar el número de libros que un autor puede subir al día porque su tienda se está llenando de obras generadas en cuestión de horas, muchas veces resúmenes o reescrituras de libros reales que pasan inadvertidas para lectores que solo buscaban algo sobre un tema. LinkedIn se ha convertido en un teatro donde una parte difícil de calcular del contenido viene de cuentas que fabrican autoridad sobre disciplinas que apenas conocen. El término “AI slop” (esa especie de fast food de contenido de IA generados de forma rápida y fácil sin buscar calidad) ya circula como un buen descriptor de la textura general que está adquiriendo internet.

Y es aquí donde viene la noticia más dura: durante esta transición, el simulacro rinde mejor que la sustancia. Y no es porque el público sea tonto, ni que los algoritmos sean malvados, sino por una razón estructural: la velocidad a la que mejoran las herramientas de producción es muchísimo mayor que la velocidad a la que se adapta el criterio colectivo para distinguirlas. Las herramientas avanzan en ciclos de meses, mientras que el criterio se forma en ciclos de años. Esa diferencia de velocidades abre una ventana (no sabemos cuánto durará, esperemos que no mucho) en la que quien sabe aparentar va a obtener mejores resultados visibles que quien sabe hacer.

Esto no contradice las dos narrativas que más se escuchan sobre la IA, las complementa. Es verdad que la IA va a destruir empleos, algunos ya están desapareciendo, y también es verdad que democratiza capacidades, pero no podemos dejar de ver otro gran cambio: la IA está redistribuyendo la atención y el reconocimiento profesional desde quienes “saben hacer” hacia quienes “saben aparentar ese saber hacer”. Esto es más silencioso, más difícil de medir, y probablemente más importante a medio plazo, porque no afecta a qué trabajos existen sino a quién es escuchado dentro de los que existen.

Si esto es cierto, alguien que sea experto o tenga conocimiento, criterio, voz propia,… se enfrenta durante los próximos años a una decisión bastante incómoda: si unirse al juego del simulacro mientras dura esta ventana en la que se premia los simulacros, sabiendo que es lo que el sistema premia ahora mismo, o si esperar a que el reconocimiento llegue… si es que llega. Existe, no obstante, una tercera vía más difícil: hacer un trabajo lo bastante bueno como para empezar a educar el criterio del público desde dentro, contribuyendo a cerrar la ventana antes de tiempo.

Lo más difícil es que la primera opción funciona a corto plazo pero no a largo plazo, la segunda exige una paciencia que pocas vidas profesionales permiten y la tercera (mi favorita) depende de que el público quiera ser educado, y ese es precisamente el punto más complicado.

Puede que el verdadero cambio que introduce la inteligencia artificial no sea que las máquinas empiecen a parecer humanas, sino que los humanos empecemos a acostumbrarnos a convivir con imitaciones suficientemente buenas como para dejar de exigir profundidad real. Y eso es un cambio bastante más profundo y más incómodo, porque no ocurre en las máquinas sino en nosotros mismos.

Si todo lo que tenemos delante parece correcto y perfecto, dejemos de desarrollar la paciencia necesaria para distinguir lo excepcional de lo simplemente competente. Cambiará cómo construimos autoridad, porque cada vez será más difícil saber si detrás de una voz hay años de experiencia o solo una buena capacidad para aparentar credibilidad, y cambiará, sobre todo, cómo funciona la confianza social. Hasta ahora confiamos en médicos, profesores, periodistas, investigadores o analistas porque asumimos que detrás de su trabajo existe un proceso largo de aprendizaje, errores y conocimiento acumulado, pero ¿qué pasará cuando el entorno empiece a llenarse de simulaciones suficientemente buenas de ese proceso? Si una sociedad pierde la capacidad de hacer esa distinción, no se romperá de golpe, pero se irá erosionando poco a poco.

La pregunta no debería ser si la IA puede pensar, escribir o programar mejor que nosotros, sino otra más incómoda: cuánto tiempo aguantará nuestro criterio colectivo antes de empezar a confundir, sin darse cuenta, la apariencia del saber con el saber.

Aquí ya no nos sirve quejarnos del algoritmo. Aquí la solución la tenemos nosotros, cada vez que decidimos a quién leemos, a quién creemos y a quién dedicamos atención. Ese problema no lo soluciona la IA, lo soluciona lo que cada lector decide premiar.

Marzo terminó con Anthropic en el peor momento público de toda su historia.

Declarada oficialmente un riesgo para la cadena de suministro de seguridad nacional, demandando al Pentágono en dos tribunales distintos al mismo tiempo, con documentos internos filtrados circulando por GitHub y con el secretario de Defensa Pete Hegseth llamando públicamente a Dario Amodei “lunático ideológico” durante una audiencia en el Senado, la imagen, como vimos en otro artículo, era el de una empresa en caída libre.

Públicamente, Donald Trump había ordenado a las agencias federales cesar el uso de su tecnología y Hegseth llegó incluso a escribir en X que ningún contratista, proveedor o socio del ejército estadounidense podría mantener relaciones comerciales con Anthropic, algo que los analistas jurídicos describieron como un intento de aislamiento corporativo coordinado desde el propio Estado.

Mientras todo eso ocurría “delante de las cámaras”, en los pasillos comenzaba otra historia muy distinta. Mientras parte del gobierno intentaba expulsar a Anthropic de Washington, otra parte del mismo hacía lo contrario: La NSA seguía utilizando Mythos, el Departamento de Comercio lo evaluaba internamente, el Tesoro y la Reserva Federal advertían discretamente a grandes bancos sobre las capacidades defensivas del sistema frente a amenazas cibernéticas avanzadas y gobiernos aliados pedían reuniones técnicas. Según varias fuentes, incluso el propio Pentágono continuó utilizando Claude dentro de determinados entornos clasificados durante la campaña contra Irán, incapaz de prescindir de una herramienta que oficialmente ya no debía existir dentro del ecosistema federal.

Semejante contradicción merece que nos detengamos a hacer una reflexión. Si el propio Pentágono seguía usando Claude en entornos clasificados mientras su secretario de Defensa lo declaraba enemigo del Estado en el Senado, solo hay dos lecturas posibles: o Hegseth no controlaba a su propia institución, o sabía perfectamente que el veto era performativo. Ninguna de las dos opciones es tranquilizadora, pero ambas apuntan en la misma dirección: la cruzada pública contra Anthropic y el uso real que se hacía de su tecnología eran dos cosas distintas, y los que tomaban decisiones operativas en el aparato de seguridad nacional ya habían decidido cuál de las dos importaba.

Todo hace pensar que nunca se trató de un simple conflicto político y que el problema real nunca fue Anthropic, sino Mythos.

Mythos, el modelo que Anthropic había filtrado por error y que sus propios documentos describían como “una amenaza cibernética sin precedentes”, resultó ser exactamente lo que medio gobierno necesitaba con urgencia. No olvidemos que Mythos no solo puede encontrar y explotar vulnerabilidades de software, sino que es capaz de hacerlo a una escala y velocidad que lo convierte en la herramienta de ciberdefensa más poderosa que existe. El gobierno de Trump se había metido solo en una trampa kafkiana: había declarado enemiga del Estado a la única empresa que tenía la herramienta que el Estado necesitaba desesperadamente. Cuanto más peligroso parecía el modelo sobre el papel, más imprescindible se volvía para quienes tenían que defender infraestructuras estratégicas (por ejemplo, de posibles ciberataques procedentes de China, Rusia o Irán).

Pero lo que Washington descubrió en directo durante esas semanas no fue únicamente que Anthropic fuera peligrosa, sino algo mucho peor para un Estado acostumbrado a ejercer su poder: que ya no controla a sus empresas más estratégicas, sino que las necesita. La soberanía tecnológica del siglo XXI no se ejerce apartando empresas del ecosistema federal, se ejerce dependiendo de ellas. Esa dependencia, una vez visible, era muy difícil de obviar y por eso el episodio de marzo no fue solo una crisis política para Anthropic sino la primera vez que se hizo evidente, dentro y fuera de Washington, que la administración estadounidense había perdido capacidad real de prescindir de sus propios laboratorios privados.

La fractura dentro de Washington empezó a hacerse visible: mientras Hegseth mantenía públicamente el discurso de la amenaza ideológica y de la seguridad nacional, otras partes de la administración comenzaban a darse cuenta de que Anthropic podía resultar incómoda políticamente, pero excluirla del ecosistema tecnológico estadounidense podía ser todavía más peligroso.

Trump empezó a suavizar públicamente el tono y llegó a decir en CNBC, hablando de los mismos ejecutivos a los que semanas antes había llamado “izquierdistas radicales” y “lunáticos woke”, que eran “gente muy inteligente” y que le gustaban “las personas con alto coeficiente intelectual”. Algo estaba pasando.

Dario Amodei se reunió en la Casa Blanca con la jefe de gabinete Susie Wiles y con el secretario del Tesoro Scott Bessent, y se reveló después que la administración estaba trabajando internamente en fórmulas para reincorporar parcialmente a Anthropic sin parecer que daba marcha atrás de forma humillante, lo que algunas fuentes citaron como un “guardar las apariencias y traerlos de vuelta“. El OMB envió un correo interno a agencias gubernamentales indicando que pronto podrían usar una versión “modificada” de Mythos y algunos medios afirmaron que “cada agencia excepto el Departamento de Defensa” quería utilizar la tecnología de Anthropic.

Hegseth seguía en la trinchera, repitiendo en cada aparición pública que Anthropic seguía siendo un riesgo de cadena de suministro, aunque cada vez era más evidente que estaba solo. La cruzada contra Anthropic había pasado de ser una prioridad de la Casa Blanca a ser el proyecto personal de un secretario de Defensa y la administración Trump parecía estar “buscando una salida”. Lo que nadie sabía todavía es que esa salida iba a llegar desde el lugar más inesperado posible.

El hombre que dijo que Anthropic odiaba la civilización occidental

El 6 de mayo, SpaceXAI anunció que entregaba a Anthropic acceso completo y exclusivo a Colossus 1, su supercomputador de Memphis y el mayor del mundo. La noticia cayó en la industria como una bomba, porque hasta esa misma semana Musk y Anthropic estaban, a todos los efectos, en plena guerra.

Para entender la magnitud de lo que pasó el 6 de mayo hay que repasar exactamente qué dijo Elon Musk sobre Anthropic en los meses anteriores. No es que tuviera una opinión negativa, es que fue uno de los atacantes más activos y más visibles durante todo el conflicto. En febrero Musk escribió en X que Anthropic “odia la civilización occidental” y Hegseth lo reposteó inmediatamente. Un mes antes había llevado personalmente a Hegseth a las oficinas de SpaceX para presentarle Grok como la alternativa a Claude en redes militares, y un operativo de DOGE afín a Musk había sido nombrado director de datos del Pentágono con el mandato explícito de “supervisar la eliminación de Anthropic” de los sistemas militares.

Por eso el anuncio del 6 de mayo resultó tan extraño. Después de meses atacando a Anthropic, Musk publicó que había pasado varios días reuniéndose con sus directivos y que había quedado “impresionado” con su compromiso respecto a la seguridad y el futuro de la humanidad. Añadió que “nadie activó mi detector de maldad”, una frase que, dada la historia, resultaba casi cómica.

Y con eso, SpaceXAI entregó a Anthropic el acceso completo y exclusivo a Colossus 1.

Qué es exactamente Colossus 1 y por qué importa tanto este acuerdo

Colossus 1 es un clúster de más de 220.000 GPUs de Nvidia ubicado en Memphis, Tennessee, en lo que fue una antigua planta de Electrolux en el barrio de Boxtown. Incluye aceleradores H100 y H200, los chips más potentes de Nvidia hasta hace poco, y los nuevos GB200, la generación actual de vanguardia. Tiene más de 300 megavatios de capacidad, suficiente energía para alimentar 300.000 hogares simultáneamente.

xAI lo construyó desde cero en 122 días, algo que la industria consideraba imposible y que Musk convirtió en uno de sus argumentos de venta favoritos para la IPO. “El supercomputador más grande y más rápidamente desplegado del mundo”, según el comunicado oficial y al que Anthropic tiene acceso en exclusiva desde esta semana.

Los efectos prácticos fueron inmediatos. Ese mismo día, Anthropic anunció que duplicaba los límites de velocidad de cinco horas de Claude Code para todos los planes de pago: Pro, Max, Team y Enterprise. Eliminó las reducciones de límites en horas pico para cuentas Pro y Max, que habían sido fuente de frustración creciente entre los desarrolladores, y aumentó considerablemente los límites de la API para los modelos Claude Opus. Era la mejora necesaria para los usuarios que ya estaban pagando y que llevaban semanas chocando contra los límites del sistema.

Ahora bien, en la superficie parece que Musk rescata a Anthropic regalándole GPUs. Pero si miramos atentamente puede que sea exactamente al revés: Anthropic llega con un crecimiento de demanda real, ingresos recurrentes y, sobre todo, con la única cosa que xAI no podía comprar con dinero: legitimidad técnica ante los inversores que tienen que creerse la valoración de la IPO. Una sola frase del comunicado conjunto, la que menciona el “interés en desarrollar múltiples gigavatios de capacidad de cómputo orbital“, puede acabar pesando más en la valoración bursátil de SpaceXAI que todo el hardware que xAI ha desplegado en Memphis durante el último año. Quien necesitaba al otro, en realidad, era xAI.

Por qué lo hizo Musk

Nadie que conozca esta industria se cree que la causa es que Musk se quedó impresionado con los valores de Anthropic, así que todo apunta a varias razones de peso.

La primera es la más urgente: limpiar el balance antes de la IPO. SpaceXAI está planeando salir a bolsa en junio, en menos de treinta días desde el anuncio, con una valoración objetivo de 1,75 billones de dólares, lo que la convertiría en la mayor salida a bolsa de la historia, superando a Saudi Aramco. Pero Colossus 1 estaba siendo utilizado al 11% de su potencial, según The Information, frente al 40% que logran los clusters de empresas rivales. Eso en un balance de cara a inversores es devastador: un activo de miles de millones generando pérdidas en lugar de ingresos.

Por su parte, Anthropic, que según su propio CEO, creció 80 veces en el primer trimestre de 2026 cuando solo había planeado crecer 10, llegó en el momento exacto para convertir ese problema en una línea de ingresos recurrentes y de alto margen. Por lo que la jugada parece perfecta: supervivencia financiera antes del evento más importante de la historia de la empresa. Anthropic necesitaba desesperadamente capacidad computacional para sostener el crecimiento de Claude y xAI necesitaba desesperadamente transformar capacidad ociosa en ingresos recurrentes y legitimidad estratégica.

La segunda razón es más estratégica y apunta al espacio. SpaceXAI ha presentado ante la FCC una solicitud para lanzar hasta un millón de satélites como centros de datos orbitales y Musk lleva meses vendiendo la visión del cómputo en el espacio como el futuro inevitable de la IA, argumentando que la energía solar orbital es infinita y que, junto con la refrigeración en vacío, podría resolver parte de los límites físicos y energéticos de los centros de datos terrestres.

Precisamente por ello, Terafab, el proyecto para fabricar de chips de hasta 119.000 millones de dólares que SpaceX construye en Texas junto con Intel, destinará el 80% de la producción a infraestructura orbital. El problema es que en su propio documento confidencial de salida a bolsa, SpaceXAI admite que el cómputo orbital “implica tecnologías no probadas y puede no ser comercialmente viable”. Para que esa visión parezca real ante los inversores necesita que alguien creíble diga públicamente que quiere comprarlo… y el comunicado del acuerdo incluye que Anthropic “expresó interés en desarrollar múltiples gigavatios de capacidad de cómputo orbital” con SpaceX. Algo que no compromete absolutamente nada, sin precio, sin fecha, sin contrato, pero que vale potencialmente cientos de miles de millones en la narrativa de valoración de la IPO y le da legitimidad técnica a una idea que todavía parece ciencia ficción para gran parte del mercado.

El tercer motivo es el más evidente: el enemigo común, Sam Altman.

Musk está en pleno juicio contra Sam Altman y OpenAI, el proyecto que ayudó a fundar con la promesa de evitar que una empresa de IA acumulara demasiado poder para proteger a la humanidad y terminó haciendo lo contrario. Anthropic es el único competidor que hoy parece tener escala, talento y credibilidad suficientes para erosionar de verdad el dominio cultural y técnico de ChatGPT. Ayudar a Anthropic no significa solo monetizar Colossus, sino también fortalecer al rival más peligroso de Altman.

Y hay un cuarto motivo del que casi nadie habla, pero que probablemente sea el más inteligente de todos: la cobertura de riesgo. Si la IPO sale peor de lo esperado, si el cómputo orbital no se materializa en los plazos prometidos, si xAI se queda atrás técnicamente frente a Anthropic y OpenAI en los próximos modelos, Musk se asegura un papel imprescindible: el de proveedor de cómputo de uno de sus principales competidores. Es la jugada que ya ejecutó Microsoft con OpenAI a otra escala: si no puedes ganar la carrera de modelos, conviértete en el suelo sobre el que corren los que sí la ganan.

xAI deja de ser un laboratorio en desventaja y pasa a ser infraestructura crítica de la frontera occidental de la IA, lo que en términos de valoración bursátil y de relevancia estratégica vale tanto o más que ganar la carrera técnica.

No sería la primera vez que la industria gira por una decisión de este tipo.

Los grandes movimientos del sector tecnológico casi nunca los deciden los productos: los deciden los acuerdos de infraestructura firmados bajo presión financiera: IBM cediendo el sistema operativo a Microsoft a principios de los ochenta, Intel abriendo la puerta a AMD durante los noventa para asegurar contratos con IBM, Microsoft entrando en OpenAI cuando nadie más quería poner el dinero… los momentos en que un gigante tecnológico decide dar oxígeno a un rival rara vez son actos de generosidad y, casi siempre, con los años, las empresas terminan confesando que la batalla en la que estaba peleando ya no era la batalla que importaba.

El giro de los usuarios y lo que viene después

Cuando OpenAI aceptó trabajar con el Pentágono bajo términos mucho más flexibles que los que Anthropic estaba dispuesta a aceptar, la primera lectura fue que Altman había ganado la batalla política (obtenía contratos y acceso institucional y se integraba todavía más en el aparato estatal estadounidense) mientras Anthropic, parecía quedarse fuera.

Pero los usuarios interpretaron la situación de manera completamente distinta. Para una parte muy importante de desarrolladores y usuarios avanzados, la negativa de Anthropic a aceptar determinadas condiciones militares no se interpretó como debilidad, sino como credibilidad. Claude subió posiciones en la App Store precisamente durante el momento de mayor conflicto político, porque muchos vieron a una empresa perdiendo contratos por seguir siendo fiel a sus principios, y semanas después, con Mythos y con la creciente dependencia operativa de Washington respecto a determinadas capacidades defensivas, Anthropic terminó recuperando también el acceso institucional que aparentemente había perdido.

Conviene, no obstante, no leer esto como un final feliz. Anthropic acaba de atarse computacionalmente a un competidor directo que es además litigante, impredecible y que hace tres meses afirmaba públicamente que odiaban la civilización occidental.

La dependencia de Colossus 1 es una palanca enorme en manos de Musk: si mañana decide cortar el acceso, renegociar condiciones o vincularlo al éxito de la IPO, Claude se queda sin la escala que acaba de prometer a sus usuarios. La supervivencia de hoy puede ser el chantaje potencial de mañana. Y Anthropic, que hasta ahora había construido buena parte de su credibilidad sobre la idea de no depender de nadie, acaba de aceptar depender precisamente del actor menos predecible del ecosistema.

Visto en perspectiva, nada de lo que pasó en los últimos meses tiene sentido si se mira como un conflicto político. Hegseth, Mythos, los tribunales, las filtraciones, la cruzada de Musk en X, la reconciliación repentina, los gigavatios orbitales… todo encaja solo cuando se acepta que el escenario real nunca fue Washington, sino Wall Street. Y que el horizonte real no era el Pentágono, sino la órbita espacial.

En menos de treinta días, SpaceXAI intentará la mayor salida a bolsa de la historia, con una valoración construida en parte sobre una promesa que solo es creíble si Anthropic la firma: que el futuro del cómputo no está en Memphis ni en Texas, sino a 550 kilómetros de altura. Por eso Musk dejó de llamarlos enemigos de la civilización occidental, por eso Trump empezó a hablar de “gente muy inteligente” y por eso medio gobierno trabajó en silencio para traerlos de vuelta mientras la otra mitad fingía expulsarlos.

Lo que parecía la peor crisis de la historia de Anthropic resultó ser otra cosa: la prueba de que ya nadie en este negocio puede permitirse el lujo de prescindir de los demás. Ni el Pentágono, ni la Reserva Federal, ni los aliados europeos, ni siquiera el hombre que llevaba un año intentando destruirlos. Mythos abrió la puerta, pero lo que de verdad estaba en juego al otro lado era una IPO de 1,75 billones de dólares y un millón de satélites esperando a ser lanzados.

En Silicon Valley llevan años repitiendo que la próxima gran batalla de la IA se iba a librar en el espacio. Lo que casi nadie había visto venir es que la primera batalla seria del cómputo orbital no se iba a ganar con un cohete, sino con un comunicado de prensa firmado entre dos empresas que, hasta hace tres meses, se estaban demandando ante medio Washington.

OpenAI es mucho más que la startup que trajo al mundo ChatGPT y desencadenó la fiebre actual por la inteligencia artificial. Lo que no todo el mundo sabe es que se fundó con una misión mucho más grande e importante que eso, y de la que parece haberse alejado radicalmente.

En 2015, un grupo de personas (entre ellas, Sam Altman y Elon Musk) se dieron cuenta de que la AGI (la Inteligencia artificial más avanzada) era algo posible de alcanzar, así que preocupados por el poder que estaba acumulando Google en torno a ella, decidieron unirse y proteger al mundo de los posibles efectos.

Para ello, trataron de reunir al mejor talento, aportaron capital, ideales y crearon un laboratorio sin ánimo de lucro, sin darse cuenta aún de que lo que tenían entre manos era algo tan grande que mantener esa integridad podía salirles carísimo.

Esta semana Sam Altman y Elon Musk, se han visto las caras en los tribunales. Musk acusa a OpenAI de haberse alejado de la idea con la que se fundó: una organización abierta, sin ánimo de lucro y creada para proteger a la humanidad. OpenAI defiende que tuvo que cambiar para poder competir y seguir avanzando en sus investigaciones.

A primera vista puede parecer una simple pelea comercial y estratégica de dos personajes conocidos por su ambición y por sus rifirrafes personales, pero creo que esta historia tiene un trasfondo tan interesante, que merece la pena un análisis más completo para comprenderla por completo.

Antes de OpenAI: el miedo a que la AGI naciera dentro de Google

En 2014, Google compra DeepMind. La operación fue importante por su dimensión y por el prestigio del laboratorio pero, sobre todo, por lo que simbolizaba: la inteligencia artificial avanzada estaba dejando de ser una promesa dentro de las universidades y pequeños equipos de científicos y comenzaba a ser algo estratégico para las empresas más poderosas del planeta.

En la demanda que Musk presentaría años después, el origen del OpenAI aparece como una reacción a la posibilidad de que Google y DeepMind monopolizaran el rumbo de la AGI. La idea no era sólo competir con un rival tecnológico sino evitar que una tecnología potencialmente tan peligrosa estuviera en manos de una sola empresa con fuertes intereses comerciales.

El planteamiento era que si la AGI era posible, había que crear una institución capaz de adelantarse a su concentración y crear un laboratorio con una forma jurídica que funcionara como salvaguarda.

La filosofía fundacional: seguridad, distribución del poder y prevención

OpenAI no era sólo una apuesta por investigar sino por hacerlo de una forma muy concreta. Desde el principio, se presentó como una institución que debía priorizar “un buen resultado para todos” por encima del interés propio. La base de ese planteamiento era que si algún día se alcanzaban sistemas “de nivel humano” o superior, importaba muchísimo quién los construía, pero también con qué incentivos y bajo qué límites se hacía.

Por eso el concepto de AI safety era vital. En inteligencia artificial, la seguridad en IA no significaba sólo evitar fallos técnicos, sino impedir usos maliciosos, acumulaciones excesivas de poder y actores privados capaces de desplegar sistemas sin suficientes salvaguardas. En ese sentido, el proyecto suponía algo casi preventivo: crear un laboratorio alternativo era una forma de influir en las reglas del juego antes de que la AGI, naciera bajo los intereses comerciales y estratégicos de una empresa como Google.

Esta filosofía fundacional es importante porque convierte la futura ruptura en algo más profundo que una discusión societaria. Cuando años después Musk acusó a OpenAI de desviarse y buscar el beneficio comercial, no estaba diciendo sólo que la organización hubiera cambiado de estructura, sino sugiriendo algo mucho más grave: que había renunciado a la idea misma que justificaba su existencia.

Los fundadores: quiénes eran y qué aportaba cada uno

Para que esa idea en la cabeza de todos pudiera convertirse en una organización hacía falta una combinación rara de dinero, prestigio científico y capacidad de ejecución por parte de un equipo completo.

Sam Altman aportaba visión estratégica, legitimidad en Silicon Valley y una red de relaciones incomparable (en 2015 ya era presidente de Y Combinator), y entendía como pocos cómo convertir una instiuición tecnológica en una organización capaz de atraer talento y capital.

Elon Musk aportaba escala, dinero y visibilidad. Ya era entonces una figura central del mundo de la tecnología con Tesla y SpaceX y su presencia ya convertía el proyecto en algo inmediatamente importante y serio.

Greg Brockman era la pieza organizativa que necesitaban. Venía de Stripe, donde había ayudado a escalar la compañía de cuatro a unos 250 empleados, y se dice que fue el fundador que trabajó a tiempo completo para diseñar lo que después sería OpenAI y su estructura.

Ilya Sutskever había pasado por el laboratorio de Geoffrey Hinton, por Stanford con Andrew Ng y por Google Brain, y era, por tanto, uno de los investigadores más deseados, lo que convertía a OpenAI en un laboratorio con capacidad de competir científicamente con los mejores.

Junto a ellos apareció un núcleo técnico excepcional: John Schulman venía de Berkeley y del trabajar en robótica y aprendizaje por refuerzo con Pieter Abbeel. Wojciech Zaremba estaba formándose en deep learning en NYU. Andrej Karpathy acababa de hacer en Stanford un doctorado centrado en redes neuronales para visión por computador, lenguaje natural y la intersección entre ambos. Durk Kingma ya era conocido por contribuciones fundamentales como los variational autoencoders y Adam. Trevor Blackwell era cofundador de Y Combinator y un ingeniero con larga experiencia en robótica. Vicki Cheung y Pamela Vagata representaban la parte menos visible pero más decisiva: la infraestructura y la ingeniería necesarias para que un laboratorio de no fuese únicamente una buena idea sobre el papel, sino que, además, fuera operativo.

La cena, la decisión y la promesa original

Greg Brockman contó años después que una de las escenas decisivas ocurrió en una cena en Menlo Park. Allí, Sam Altman, Elon Musk, Ilya Sutskever y otros investigadores, discutieron qué tipo de organización podían crear para que la IA resultara beneficiosa. La conclusión fue que tenía que ser una institución nonprofit (sin incentivos económicos) que no pusieran en riesgo su misión, pero al mismo tiempo lo bastante ambiciosa como para estar a la altura de las empresas a las que querían quitar el poder.

Cuando OpenAI se presentó públicamente en diciembre de 2015, esa idea quedó definida como una entidad sin ánimo de lucro orientada a beneficiar a la humanidad en su conjunto, no a sus accionistas. También prometió fomentar la publicación de papers, entradas de blog y código, y compartir las patentes que llegara a producir. La apertura no era un detalle más, sino parte del pacto fundador: el conocimiento debía compartirse porque precisamente el laboratorio se había creado para evitar la concentración del poder tecnológico.

Además, OpenAI nació con una ambición económica muy superior a la de un think tank. Sam Altman, Elon Musk, Greg Brockman, Reid Hoffman, Jessica Livingston, Peter Thiel, AWS, Infosys y YC Research aportaron en conjunto 1.000 millones de dólares.

La tensión técnica real: apertura frente a seguridad

Sin embargo, la promesa original llevaba incorporada una contradicción: OpenAI había nacido con vocación de apertura, pero también con la convicción de que la IA avanzada podía generar riesgos serios si se desplegaba o difundía sin control, y cuánto más potentes se volvían los modelos, más peligroso podría ser ponerlos al alcance de cualquiera.

La prueba más clara llegó en 2019 con GPT-2. OpenAI decidió no liberar de inmediato el modelo completo y habló de “staged release” (publicación escalonada), una publicación escalonada pensada para dar tiempo a evaluar riesgos y debatir implicaciones sociales. La organización alegó preocupación por aplicaciones maliciosas: desinformación, suplantación, spam, phishing y automatización de contenido engañoso. Era, en sus propias palabras, un experimento de “responsible disclosure” (divulgación responsable).

Primer dilema: abrir el conocimiento acelera la investigación, reparte capacidades entre empresas y evita monopolios, pero cerrar o retrasar ciertas publicaciones puede reducir riesgos y ganar tiempo para aprender a defenderse de ellos. En ese momento la idea de “open” que llevaba escrita en su nombre, empezó a mostrar sus primeras grietas.

El verdadero enemigo: la escala

Si la tensión entre apertura y seguridad era el primer problema, el segundo era algo todavía más importante: escalar. A medida que OpenAI avanzaba tecnológicamente, descubría que para competir no bastaba reunir investigadores brillantes y publicar buenas ideas. Hacía falta disponer potencia de cálculo, atraer a talento extremadamente caro y financiar experimentos que empezaban tener dimensiones que superaban las de un “pequeño laboratorio”.

La propia OpenAI lo reconocería después: para seguir en la carrera necesitaría invertir miles de millones de dólares en cloud computing a gran escala, supercomputadores y captación de personal. Si su rival (Google) disponía de una infraestructura descomunal, OpenAI no podía competir “sólo con principios”. Necesitaba músculo en términos de computación, y ese músculo tenía un precio.

En ese momento empezó a hacerse visible el drama. El laboratorio que había nacido para evitar la captura corporativa de la AGI estaba descubriendo que la AGI, o al menos su persecución seria, exigía recursos de una gran corporación. Pero ¿cómo financiar una misión altruista cuando la frontera tecnológica requiere centros de datos, miles de GPUs y alianzas industriales?

Elon Musk, Tesla y la pelea por el poder

Musk entendió con claridad que, para plantar cara a Google y DeepMind, hacían falta muchos recursos. OpenAI publicó en 2024 correos y una narración según la cual, a finales de 2017, Musk aceptaba la necesidad de una estructura con mayor capacidad de captar capital, pero quería que esa transformación ocurriera bajo condiciones muy concretas: que el dinero no viniera de fuera, sino desde dentro.

Lo que a menudo se presenta como una ambición de control puede interpretarse también como una forma de evitar que el proyecto dependiera de capital externo. Es decir, Elon no dijo “quiero esto“. Elon dijo “yo pongo el dinero y así no viene de fuentes externas” y a cambio, lógicamente pedía algo.

La propuesta no salió adelante, así que Musk propuso otra solución: integrar el proyecto en Tesla. En los materiales difundidos por la empresa aparece la idea de que OpenAI debería apoyarse en Tesla como “cash cow” (generador de capital). Nadie dudaba de que se necesitaba el dinero, lo que trató fue de impedir que llegara de fuentes externas y los inversores los alejaran de su misión principal.

La pelea entre Musk y OpenAI era entre dos soluciones a un mismo problema. OpenAI, y en especial, Sam Altman se negó a ceder el puesto de CEO y a que el laboratorio se integrara en Tesla.

La salida de Musk, de Ilya Sutskever y las primeras grietas internas

En febrero de 2018, OpenAI anunció que Musk abandonaba el consejo para evitar un posible conflicto de interés con Tesla, cada vez más involucrada en el campo de la inteligencia artificial. El comunicado decía que seguiría donando y asesorando al laboratorio.

La realidad detrás de ese comunicado era algo menos bonita. Musk quería tomar las riendas para acelerar y competir con Google, pero Greg Brockman y otros fundadores se opusieron al movimiento, por lo que la salida de Musk no fue simplemente una incompatibilidad entre cargos, sino el primer gran choque entre la misión original y la necesidad de obtener fondos para poder escalar.

La crisis interna fue evidente cuando algunos de sus fundadores, estando de acuerdo con que hacían falta miles de millones y una estructura mucho más fuerte para poder competir, no eran capaces de decidir quién debía controlar esa transformación. Musk parecía aceptar poner dinero pero a cambio de integrarlo en Tesla, mientras que Sam Altman prefería mantener separada la institución, aunque eso implicara abrir la puerta a capital y alianzas externas, y seguir así, como CEO de la tecnológica.

Los problemas no terminaron con la marcha de Elon Musk. Los fundadores de Anthropic (Dario y Daniela Amodei, antiguos ejecutivos de OpenAI hasta 2020) se habían ido precisamente por “desacuerdos sobre cómo garantizar el desarrollo seguro y la gobernanza de la inteligencia artificial“, lo que reveló que no solo había diferencias estratégicas, sino una total divergencia sobre qué significa desarrollar IA de forma responsable y quién debe establecer los límites. 

Eso convirtió a Anthropic en algo más que una empresa rival. En cierto modo, su propia existencia funciona como una prueba de que dentro del ecosistema de OpenAI no todos compartían la misma respuesta al dilema central del laboratorio.

La marcha de Ilya Sutskever en 2024 añadió una capa más a esa sensación de inestabilidad. Ilya había sido cofundador, chief scientist y una de las figuras científicas decisivas de OpenAI desde el principio. Además Ilya Sutskever había desempeñado un papel protagonista en la destitución y posterior restitución de Sam Altman en noviembre de 2023 (podéis leer esa historia aquí). Su salida reforzó la idea de que la forma de pensar de Altman no parecía la correcta a ojos de los demás.

OpenAI LP: la ingeniería del compromiso

En marzo de 2019 llegó un intento de resolver la contradicción sin posicionarse en ninguno de los extremos: la creación de OpenAI LP. La organización la presentó como una entidad “capped-profit”, una fórmula a medio camino entre nonprofit y for-profit, diseñada para atraer capital y talento sin abandonar por completo la misión fundacional. En teoría, era la manera de seguir siendo OpenAI pero no actuar como un laboratorio sin ánimo de lucro.

La lógica era la siguiente: empleados e inversores podrían obtener beneficios si el proyecto tenía éxito, pero esos beneficios estarían limitados por un tope. Cualquier valor por encima de ese umbral quedaría en manos de la organización nonprofit original. Además, OpenAI insistía en que el control último seguiría residiendo en esa nonprofit. En otras palabras, la misión continuaría siendo soberana, mientras el vehículo económico se volvía más apto para competir por capital y talento.

Esta salida era, al mismo tiempo, brillante y precaria. Brillante porque trataba de resolver el dilema moral (cómo captar dinero sin rendirse por completo al dinero) y precaria porque, en la práctica, estaba cambiando el formato original. Por mucho que OpenAI no se fuera al otro extremo, dejaba su formato original de 2015. Seguía afirmando que la misión mandaba, pero abría la puerta al capital externo, en contra de su propia esencia.

Microsoft: no sólo inversor, sino infraestructura y alineación estratégica

Pocos meses después, en julio de 2019, Microsoft anunció una inversión de 1.000 millones de dólares en OpenAI. No era una simple ronda de financiación, sino que ambas partes formaban una asociación plurianual para desarrollar tecnologías de supercomputación de IA sobre Azure (la red de centros de datos de Microsoft que les aportaba la potencia de cálculo). OpenAI movería muchos de sus servicios a esa nube y Microsoft sería su socio “preferido” para comercializar nuevos servicios.

Microsoft no fue sólo quien puso dinero para que OpenAI siguiera viva, sino también quien aportó infraestructura, capacidad de cómputo y una ruta de industrialización. La dependencia ya no era únicamente financiera, sino operativa. OpenAI necesitaba escalar, y Azure se convertía en una parte esencial de esa escala. Aquí es donde la tesis de Musk comienza a cobrar fuerza: el laboratorio que había nacido para evitar la concentración del poder tecnológico empezaba a vincular su destino al de una de las mayores empresas del mundo. Pretendían quitar el poder a Google y se lo daban a Microsoft.

No se trataba sólo de que OpenAI hubiera “pasado a ganar dinero”, sino de que se había alineado estratégicamente con una gran corporación cuyo peso económico, técnico y comercial reconfiguraba de raíz la vieja promesa de independencia. Desde la perspectiva de OpenAI, aquello era el precio de la supervivencia. Desde la de Musk, sería la prueba de la desviación absoluta de los modtivos que llevaron a su creación.

De la promesa de apertura al poder de ChatGPT

La llegada de ChatGPT a finales de 2022 convirtió a OpenAI en el centro mundial (al menos el más visible) de la nueva era de la IA generativa. De repente, el laboratorio que se había concebido como contrapeso a Google parecía ir por delante de casi todos, había ganado relevancia científica, cultural e incluso geopolítica.

A la vez, la empresa que en 2015 prometía publicar papers, código y compartir patentes se había convertido en una organización que cerraba sus modelos más poderosos. Algo de eso se podía justificar aludiendo a la seguridad y del uso responsable, pero saltaba a la vista que respondía también a la lógica competitiva de un mercado en el que los modelos de frontera eran totalmente estratégicos.

Fue en ese punto cuando Musk regresó como crítico y en 2023 denunció que OpenAI, creada como una entidad open source y nonprofit para servir de contrapeso a Google, se había convertido en una organización cerrada y orientada al máximo beneficio, controlada de facto por Microsoft.

El juicio: qué está realmente en juego

Cuando Musk demandó a OpenAI, Sam Altman y Greg Brockman en marzo de 2024, lo que llevó ante el tribunal fue algo más que una pelea accionarial. Su acusación, en esencia, se apoyaba en tres ideas: que OpenAI había nacido como una organización nonprofit y abierta, que esa misión original fue la base de su participación y apoyo, y que la compañía se había desviado de ese compromiso al convertirse en una estructura cerrada, comercial y totalmente hermanada con Microsoft.

La respuesta de OpenAI fue publicar una página específica con correos y su propia secuencia de hechos: Musk, dijo, sabía perfectamente que el nonprofit puro no bastaba para competir, había defendido la necesidad de recaudar miles de millones y quiso controlar la transición o acercarla a Tesla por lo que, al no lograrlo, acabó saliendo del proyecto. Desde esa perspectiva, el cambio estructural no fue una traición improvisada, sino una evolución necesaria que Musk conocía y en parte compartía mientras siguió dentro. Pero Musk no niega que se necesitaran fondos, sino el alejamiento extremo de la promesa fundacional. Por eso el juicio se centra en si el paso hacia una forma más comercial fue una adaptación inevitable o una renuncia a la esencia original. OpenAI sostiene que era la única forma de sobrevivir. Musk sostiene que sobrevivir así equivalía a dejar de ser aquello que decía ser.

¿Qué ha pasado en el juicio?

Los últimos días de abril de 2026, ha tenido lugar de la declaración de Musk. Su testimonio se prolongó durante más de siete horas repartidas en tres días. Voy a intentar resumir lo más importante.

La tesis de Musk

La tesis de Musk, tal como la ha planteado ante el tribunal, es bastante nítida: OpenAI nació como una organización sin ánimo de lucro concebida para desarrollar inteligencia artificial en beneficio de la humanidad, no para enriquecer a directivos, inversores o grandes socios corporativos. Musk ha presentado el proyecto casi como una institución benéfica tecnológica: una alternativa a Google y a la concentración de poder en torno a la AGI, levantada con una misión moral y con una promesa explícita de servicio público. Además, sostiene que su papel fue decisivo en la fundación: la idea, el nombre, el reclutamiento de personas clave, la financiación inicial y buena parte de la legitimidad del proyecto.

Su acusación central es que OpenAI fue desviada de esa misión y convertida en una estructura privada de enorme valor económico, y lo resume así: “no hay nada malo en crear una empresa con ánimo de lucro, pero no se puede transformar una organización nacida para otro fin en una máquina de valor privado“. 

La tesis de OpenAI

OpenAI sostiene que Musk no fue engañado por una transformación imprevista, sino alguien que conocía desde dentro el problema central del laboratorio: que el nonprofit puro no bastaba para competir en la carrera real de la inteligencia artificial y que hacían falta nuevas estructuras, más capital y más escala.

Para ellos, el conflicto no surgió porque OpenAI cambiara sin avisar, sino porque Musk quiso controlar esa transformación y no lo consiguió. Por eso sus abogados han insistido en que Musk quería “las llaves del reino”, que estuvo implicado en conversaciones sobre el paso a una estructura con ánimo de lucro y que hoy protesta desde fuera, cuando ya es un competidor. Afirman que OpenAI no traicionó una misión por codicia, sino que adaptó dolorosamente su estructura para sobrevivir.

No es fácil tener una opinión sobre el tema, y menos desde fuera. Pero me da la impresión que el argumento de OpenAI se basa en poner a Elon Musk como una persona que busca control y “manejar los hilos”, es simplificar mucho.

Creo que es de esperar que aportando el capital como solución a que no entraran inversores que pudieran desviarlos de la misión principal, Musk quisiera dirigir u obtener algo a cambio. Es decir, me parece una postura lógica dentro de una empresa difícil ya de por sí.

Por otro lado nadie duda que entrenar modelos punteros exige miles de GPUs, centros de datos y una inversión que ningún laboratorio nonprofit puede sostener por sí solo. Desde ese punto de vista, el paso hacia una estructura más comercial parece lógico, incluso inevitable.

Pero el argumento de Musk apunta a algo distinto. No cuestiona que hiciera falta dinero, sino cómo se consiguió y qué se perdió por el camino. Su crítica no es tanto económica como conceptual: que una organización creada para limitar la concentración de poder haya terminado dependiendo de una de las mayores corporaciones del mundo es ir contra tus principios.

La personalidad de Sam Altman, sus desavenvencias con el equipo (podéis leer aquí la historia) hacen pensar que renunciar al poder no era una opción para él y que abriendo la puerta a capital como el de Miscrosoft, lo mantenía a salvo.

En cualquier caso, el tribunal tendrá que decidir después de escuchar más testimonios, y aclarar si OpenAI encontró la única forma posible de sobrevivir en una industria, o si, al hacerlo, cruzó una línea que la aleja definitivamente de la idea que justificó su creación y que lleva impresa en su propio nombre.

En los últimos años, las grandes tecnológicas compiten en una carrera (a veces silenciosa, a veces no tanto) por comprar otras empresas de inteligencia artificial. Mientras desarrollan sus propios modelos o herramientas, son conscientes de las ventajas que tiene comprar startups que ya incluyen equipos, productos y posiciones estratégicas ya en funcionamiento.

La compra de Manus AI por parte de Meta parecía una operación más. Era bastante atractiva, sobre todo porque Manus fue una de las primeras herramientas agénticas y, además, tenía el encanto de ser una empresa china pero con una visibilidad y marketing propio de las empresas americanas.

Desde su anuncio, la compra fue extremadamente rápida y su puesta en marcha aún más. Como usuaria, me llamó la atención que Manus apareció casi de inmediato integrada en las aplicaciones de Meta. Se dijo que, efectivamente, el análisis previo había durado apenas unas semanas y daba la sensación de que las partes implicadas (la empresa, los inversores, los asesores) habían casi improvisado la compra.

Hace un par de días, el gobierno chino intervino y, después de algunas investigaciones, obligó a deshacer la compra de Manus AI. Lo que pareció aún más extraño, fue que a Meta no pareció importarle demasiado.

Puede que, después de todo, no estemos hablando simplemente de una adquisición fallida, sino de una serie de patrones que se repiten últimamente cuando se toman estas decisiones en el campo de la inteligencia artificial.

Qué ha pasado exactamente

Meta compró Manus AI en diciembre y lo integró rápidamente sus productos.

Como hemos visto, días después, el gobierno chino, tras una investigación a fondo, intervino y obligó a dar marcha atrás la operación.

Tendemos a pensar que este tipo de operaciones son fruto de procesos largos, negociados y con muchas revisiones antes de su validación, pero aquí lo que se veía era una operación un tanto acelerada. Se confirmó que el análisis previo había durado apenas unas semanas y que no se habían solicitado aprobaciones regulatorias en China. Además, la ubicación de la compañía en Singapur, aunque su origen, su equipo y parte de su tecnología seguían vinculados a China, añadía una capa extra de complejidad.

¿Qué es Manus AI?

Para entender por qué la operación parecía tener sentido en un primer momento, hay que detenerse en qué tipo de empresa es Manus AI.

Manus no es un laboratorio de investigación ni una compañía centrada en desarrollar nuevos modelos desde cero. No está compitiendo en la capa más profunda de la inteligencia artificial, la de las arquitecturas o los grandes modelos fundacionales. Su valor para el usuario está en otro sitio: en la aplicación que permite resolver problemas concretos, sin darle necesariamente permisos a otras aplicaciones. Por ejemplo, si quieres que te haga un teleprompter se lo pides y Manus se “busca la vida” para hacerlo. Puedes pedirle casi cualquier cosa, que automatice una secuencia de tareas en una aplicación, que cree un asistente personalizado para un trabajo específico…, y sin que tengas que configurar nada manualmente.

Este tipo de empresas han proliferado en los últimos años porque permiten convertir rápidamente los avances de la IA en soluciones tangibles y transforman capacidades en productos finales, desde la automatización de tareas hasta asistentes personalizados. Para una empresa grande como Meta son empresas que crecen rápido, tienen buena acogida (al tratarse de soluciones ready to use) y que parecen encajar perfectamente en una estrategia de expansión.

Eso es lo que hacía a Manus atractiva a ojos de Meta y al comprarla podía, en teoría, acelerar su puesta en marcha: incorporar equipo, producto y velocidad de ejecución sin tener que construirlo todo desde cero.

Cómo se hizo la adquisición de Manus AI

Pero, por asombroso que parezca, Meta no tuvo en cuenta el contexto en el que operaba Manus. Aunque se presentara como una empresa internacional y tuviera sus oficinas en Singapur, su origen, su equipo y su tecnología seguían vinculados a China.

¿Por qué estaban en Singapur? Singapur se ha convertido en un destino atractivo para algunas startups porque ofrece un entorno regulatorio más predecible, facilita la entrada de capital internacional y actúa como puente entre Asia y Occidente. Por eso, algunas empresas chinas se ubican allí tratando de suavizar problemas regulatorios a la vez que se hacen más visibles internacionalmente.

Sin embargo, la ubicación en Singapur no quiere decir que deje de ser una empresa china. El gobierno chino mantiene capacidad de intervención sobre empresas vinculadas a su ecosistema, especialmente si considera que hay transferencia de activos estratégicos o movimientos que pueden afectar a su sector tecnológico. Ahí estuvo el problema de esta operación: Meta estaba comprando una empresa internacional pero desde el punto de vista de China, se estaba comprando una empresa vinculada a su ecosistema sin seguir los procedimientos legales.

Tal vez fruto de un exceso de confianza y cierta urgencia, el análisis previo a la compra (lo que se conoce como due diligence, o proceso en el que se revisan la tecnología, la estructura legal y los posibles riesgos de una empresa antes de adquirirla) se habría realizado en apenas unas semanas, un plazo demasiado corto en una operación internacional de este calibre que además contaba con implicaciones regulatorias. Ello, sumado a que Meta pagó un precio elevado, teniendo en cuenta que la tecnología propia de Manus AI no estaba del todo clara, y la integrara en sus productos (con bastante rapidez para mostrar resultados a ojos de inversores, supongo) hacía que la operación resultara algo difícil de justificar.

Cómo funciona el control en China

Aunque la compra de una empresa tecnológica es una decisión puramente empresarial (enfoque estratégico, precio, producto, adquisición de talento…) en el caso de China, va unido a un contexto político y a un control que no se puede ignorar.

En áreas como la inteligencia artificial, el control no se limita a una regulación general, sino que se articula a través de varios mecanismos concretos. Por un lado, existen restricciones sobre la transferencia de tecnología y conocimiento fuera del país, especialmente cuando puede considerarse estratégico. Por otro, hay controles sobre los movimientos de capital y sobre cambios en la propiedad de empresas con actividad relevante en sectores sensibles. Y, además, en muchos casos, las empresas que operan en estos ámbitos tienen obligaciones de supervisión o relación con el Estado que no desaparecen simplemente por cambiar de jurisdicción.

Por qué esta operación era especialmente sensible

No se trataba solo de una adquisición más dentro del ecosistema tecnológico internacional.

Desde la perspectiva china, lo que estaba ocurriendo tenía varias implicaciones simultáneas: una empresa con origen en su ecosistema pasaba a estar bajo control de una compañía extranjera (y, además, de EEUU), y con ello parte de su actividad se trasladaba fuera del país lo que potencialmente, se abría la puerta a la transferencia de talento, datos o capacidades tecnológicas.

Y todo esto en un sector, como la inteligencia artificial, que China considera estratégico no solo a nivel económico, sino también geopolítico (y además, con el matiz de que la operación se realizara a través de una estructura en Singapur haciéndolo más visible).

Por qué el gobierno interviene

Teniendo en cuenta lo anterior, la intervención del gobierno es una consecuencia bastante lógica.

Además, al tratarse de una operación muy visible, la reacción del gobierno también lo es, y así China podría establecer además un precedente que tenga cierto poder disuasorio sobre posibles operaciones menos visibles (o detectables) antes de que se produzcan.

La decisión final refleja precisamente esa lógica: las autoridades ordenan deshacer la adquisición. No tratan de imponer condiciones adicionales, o revisar el acuerdo, o aplicar una sanción económica. Directamente deshacerla. Esto no afecta solo a Meta, sino que afecta a todo el ecosistema que participa en este tipo de operaciones: inversores, asesores, estructuras legales, porque todos ellos deberían haber anticipado este riesgo.

Por qué Meta no pelea

Una vez que el gobierno chino ordena deshacer la operación, hay algo que llama la atención y es que Meta no parece querer pelear por Manus. Este tipo de decisiones (u obstáculos) suelen ir seguidas de negociaciones, recursos legales o, al menos, intentos de redefinir el acuerdo.

¿Por qué? Primero, por una causa estructural: en Estados Unidos, una empresa puede enfrentarse a decisiones regulatorias a través de tribunales, negociar condiciones o alargar procesos, pero en China, más cuando hablamos de sectores estratégicos, hay menos margen de reacción. Aún así, lo que parece es que incluso si Meta hubiera tenido margen para pelear, no está claro que le compensara hacerlo.

La intervención del gobierno chino puede interpretarse como un obstáculo, pero tal vez pueda leerse también como una salida que a Meta le ha venido muy bien. Si se analiza la operación desde un punto de vista técnico, comercial y estratégico, empiezan a aparecer señales de que la operación fue precipitada.

Desde el punto de vista técnico, Manus AI no parecía aportar una ventaja estructural clara. No desarrollaba modelos propios a gran escala ni tenía una arquitectura diferenciada y su propuesta estaba únicamente en la capa de aplicación: orquestar modelos existentes, automatizar tareas y construir soluciones útiles para el usuario final, algo que Meta (y su competencia) podía fácilmente replicar y, por tanto, tenía un valor bastante efímero. Es decir, la barrera de entrada en este tipo de productos es muy baja, porque la diferenciación no está tanto en tecnología optimizada o estratégica sino en la experiencia de usuario o el envoltorio, que todos sabemos, es lo más fácil de copiar.

Desde el punto de vista comercial, este tipo de empresas suele tener buena tracción inicial porque son productos visibles, fáciles de entender y con el atractivo de que resuelven problemas concretos (yo misma me suscribí días después de salir). Le pides algo y el sistema lo construye, y el usuario no tiene que entender modelos, ni configuraciones complejas. El problema es que no está respaldada por una ventaja técnica sólida.

En el caso de Manus AI, esa fragilidad se hizo evidente muy pronto. Apenas unas semanas después de la adquisición, en febrero, aparece OpenClaw, un desarrollo que redefine la categoría en la que operaba Manus.

OpenClaw es fundamentalmente diferente en su arquitectura. No es una aplicación final como Manus (no es una herramienta a la que el usuario entra y le pide algo), sino un framework, es decir, una base tecnológica sobre la que otros pueden construir. También permite crear agentes de inteligencia artificial pero, en este caso, son sistemas que no solo generan texto o respuestas, sino que pueden tomar decisiones, ejecutar acciones, utilizar herramientas externas y encadenar tareas de forma autónoma.

Mientras Manus ofrece una experiencia cerrada (tú haces una petición y el sistema se encarga de resolverla dentro de su propio entorno), OpenClaw abre esa lógica y permite definir cómo actúa el agente, qué herramientas puede utilizar, qué pasos sigue y cómo se adapta en función del contexto. Al ser open source, esa arquitectura deja, además, de ser un producto para convertirse en una capacidad distribuida: ya no depende de una empresa concreta, sino que puede ser replicada, modificada y mejorada por cualquiera con acceso a modelos y conocimiento técnico.

En ese contexto, Manus queda en una posición de desventaja, porque deja de ser único, pero también porque es fácilmente replicable. Lo que antes parecía una ventaja (resolver tareas de forma autónoma), ahora cualquier desarrollador lo puede construir sobre una base abierta.

Y parece bastante posible que sea la causa de que Meta decida no pelar por Manus IA. Si una funcionalidad como la que ofrecía Manus la puede desarrollar internamente no tiene ninguna necesidad de adquirir una empresa externa.

Dejando a un lado la mala suerte del lanzamiento de OpenClaw días después del acuerdo, no pensemos que Meta se equivocó de lleno, sino que fue un intento de acelerar. Meta siempre se ha diferenciado por la capa de producto, es decir, llevar tecnología a aplicaciones reales que generen uso, engagement e ingresos. Por eso empresas como Manus le resultan atractivas, porque son un atajo para convertir capacidades tecnológicas en funcionalidades para el usuario final de una forma muy rápida.

¿Dónde creo que se equivocó Meta? En que compró velocidad, pero no una ventaja defendible, y por ello, terminó pagando mucho por algo que, tan solo unas semanas después, puede construir internamente y a un coste bajo. Y no olvidemos, que ellos pueden, pero su competencia, también.

Cómo se toman realmente estas decisiones (y por qué fallan)

El problema de la operación de Manus no es solo técnico, ni comercial, ni regulatorio, sino, sobre todo, de proceso. Las grandes tecnológicas suelen tomar este tipo de decisiones en contextos de presión, donde el tiempo pesa tanto como el análisis.

En el caso de la IA, esa presión es visible a ojos de cualquiera. Y muchas veces se debe a que, no solo se trata de desarrollar mejores modelos o tecnología, sino de demostrar avances y con ellos, atraer inversión.

Esto puede lleva a valorar más la velocidad de integración que la profundidad o el valor de la tecnología. La visibilidad (o la apariencia de ser una empresa más valiosa que otras) hacen que el precio y el atractivo para inversores suba. Importa más el “qué hace” o “qué tiene” que el “qué lo hace posible” (y de ahí que los fundadores de las grandes empresas tecnológicas estén tuiteando o escribiendo post todo el día…).

El peligro cuando el criterio principal es acelerar, es que se tiende a sobrevalorar lo que es visible y a infravalorar lo que es estructural. Se compra lo que funciona hoy, sin evaluar con suficiente profundidad si seguirá siendo estratégico mañana, porque el corto plazo es tan importante como el largo (y más en estas empresas donde el ciclo de obsolescencia es extremadamente corto).

Podemos pensar que eso fue lo que hizo de la compra de Manus por parte de Meta un movimiento frágil (una compra rápida, en un entorno de presión, basada en un producto visible, con una ventaja técnica limitada y en un contexto regulatorio complejo), pero creo que en este caso, la llegada de OpenClaw también tuvo mucho que ver.

Fue una compra hecha en un momento en el que la velocidad parecía más importante que la ventaja y, en inteligencia artificial, no basta con llegar antes sino con construir o comprar algo que sea difícil de replicar.

El caso es que a Meta, en el fondo, parece haberle venido muy bien que la compra de Manus AI se haya cancelado, después de ver, con la llegada de OpenClaw, que no había sido un buen negocio.

La guerra en Ucrania ha dejado imágenes que, hasta hace muy poco, habrían parecido impensables: drones pequeños, a veces de fabricación casi artesanal, derivados de tecnología comercial o modificados sobre la marcha, sobrevolando posiciones enemigas, siguiendo vehículos en movimiento, entrando en estructuras con una precisión sorprendente o impactando directamente contra objetivos concretos.

Pero detrás de esas imágenes, y de los propios drones, hay algo más importante: Ucrania ha desarrollado un modelo completamente distinto de desarrollo y producción tecnológica, y que se parece mucho más al de una startup que al de la industria militar tradicional.

La lógica de la startup aplicada al frente de batalla

Como tantas veces decimos, “la necesidad es la madre de la innovación” y en Ucrania, durante la guerra, las necesidades aparecen en el propio frente de batalla, lo que ha provocado que las soluciones se tengan que diseñar y adaptar también sobre la marcha, las pruebas se hagan en condiciones extremas y las respuestas se ajusten en función del resultado. Y todo ello, prácticamente en tiempo real.

La guerra ha hecho surgir en el frente todo un sistema de producción ágil y de aceleración de procesos: se detecta el problema y se resuelve. La tecnología no se diseña primero y luego se prueba y se aplica. Aquí la tecnología nace como respuesta directa a una necesidad concreta en tiempo real, se prueba en el propio escenario y se mejora y ajusta con feedback casi instantáneo, convirtiendo la guerra en algo más que un conflicto armado: en un laboratorio de innovación.

En el frente, además de soldados, hay pequeños talleres, muy cerca de la línea de combate, donde trabajan juntos ingenieros y personal militar, no como estructuras formales de I+D, sino como equipos operativos directamente conectados con el problema que intentan resolver.

Aquí no se diseñan soluciones abstractas ni se trabaja con hipótesis teóricas, sino respondiendo a situaciones concretas que acaban de ocurrir. Se detecta una necesidad (puede ser una interferencia, una limitación en el alcance, una forma en la que el enemigo está respondiendo, o una oportunidad para mejorar la precisión), el equipo pide los componentes que necesita, los recibe a través de un sistema logístico dinámico, trabaja directamente sobre el dispositivo, lo modifica, lo prueba y obtiene feedback inmediato. Si no funciona, lo ajustan. Si funciona parcialmente, lo optimizan. Si funciona bien, esa solución se replica o se adapta en otros lugares.

Una logística que funciona como plataforma

Tradicionalmente, la logística militar ha sido uno de los sistemas más rígidos dentro de cualquier estructura de defensa: funciona por planificación, por previsión, por grandes volúmenes que se distribuyen con antelación. Aunque, lógicamente, es eficiente y tiene muchas ventajas, lo que está haciendo Ucrania por necesidad, es alterar esa lógica de raíz con herramientas como Dot Chain.

Dot Chain es como una especie de Uber Eats que permite a las brigadas, además de trabajar con lo que ya tenían previamente, solicitar componentes concretos (drones, baterías, piezas específicas) en función de lo que necesitan en cada momento. Esto permite que la innovación no dependa de lo que ya tienes, sino de lo que puedes conseguir rápidamente, reduce la fricción entre identificar un problema y tener los medios para intentar resolverlo y, sobre todo, conecta directamente la necesidad con el suministro.

El bajo coste como motor de experimentación

Hay un elemento que hace que todo esto sea viable y, sobre todo, escalable: el coste. Este modelo no se basa en sistemas extremadamente caros y difíciles de replicar, sino en tecnología accesible, en dispositivos relativamente baratos que pueden modificarse, perderse y volver a producirse sin que eso paralice el sistema, y eso cambia completamente la forma de innovar.

En los modelos tradicionales, cada unidad es valiosa, escasa y costosa, lo que obliga a minimizar el error, a alargar los ciclos de validación y a evitar cualquier experimentación que pueda suponer una pérdida (en estos casos responden a una lógica completamente distinta y tienen razones de peso para funcionar como lo hacen). Lo que ocurre en Ucrania es justo lo contrario: el bajo coste permite experimentar, permite probar sin garantías, permite fallar, y eso es lo que acelera todo el sistema.

No se trata de diseñar el dron perfecto antes de desplegarlo, sino de lanzar una versión que funcione (lo que sería el producto mínimo viable), observar qué ocurre en condiciones reales y mejorar a partir de ahí. Por eso aparecen soluciones que, vistas desde fuera, pueden parecer incluso improvisadas (como ese caso documentado por la 46ª brigada, donde un dron incorporaba una solución basada en una caña de pescar), pero que no son una simple anécdota sino la consecuencia de un sistema que prioriza la velocidad de aprendizaje sobre la perfección inicial.

En plena guerra, la ventaja ya no está únicamente en tener la tecnología más avanzada desde el inicio, sino en ser capaz de adaptarla y mejorarla más rápido que el adversario.

La brecha estructural con Europa

Si uno observa este modelo desde fuera, la tentación es pensar que es replicable, que basta con invertir más, con organizar mejor los recursos o con adoptar ciertas herramientas para conseguir algo similar.

Pero la realidad es bastante más compleja, porque lo que Ucrania ha construido no es solo una solución tecnológica, sino una forma de operar que responde a un contexto muy concreto: una combinación de urgencia, necesidad y ausencia de alternativas que obliga a reducir cualquier fricción en la toma de decisiones y en la ejecución.

Europa, evidentemente, no está en la misma situación. No opera bajo presión constante ni con la necesidad inmediata de desplegar soluciones en cuestión de días o semanas, y eso cambia por completo las reglas del juego.

Sin embargo, más allá de ese contexto, sí hay un rasgo que históricamente ha caracterizado a muchas estructuras europeas: una cierta lentitud, tanto en los procesos (que son más largos, más estructurados, más regulados), como en la toma de decisiones (que pasa por más capas), y la validación es más lenta y con una tolerancia al error es mucho menor. Eso tiene ventajas evidentes en términos de seguridad, calidad y estabilidad, pero tiene un coste claro: la velocidad.

Lo que Ucrania ha desarrollado es una capacidad de adaptación extremadamente rápida no porque tenga más medios, sino porque ha eliminado parte de esas capas intermedias, ha acercado la decisión al problema y ha asumido que el error forma parte del proceso, aceptando para ello niveles de incertidumbre y de experimentación que en otro contexto no se podría asumir.

De receptor de ayuda a proveedor estratégico

Cuando se analiza una guerra, muchas veces se pone el foco en el resultado inmediato (quién gana, quién pierde, qué territorios cambian de control), pero hay algo también muy importante que es pensar en la posguerra.

Históricamente, el final de un conflicto suele dejar a los países en una situación extremadamente delicada: infraestructuras destruidas, economías debilitadas, pérdida de capital humano y una enorme dependencia de ayuda exterior para poder reconstruirse. El coste no es solo material, también es social y productivo, y durante años suele condicionar la capacidad de crecimiento del país.

En ese sentido, lo que empieza a dibujarse en Ucrania resulta, como mínimo, poco habitual. Porque, en paralelo al desgaste evidente que implica cualquier guerra, se está produciendo algo que no siempre ocurre: el desarrollo de capacidades estratégicas. No solo se está consumiendo tecnología, sino que se está generando sin depender del exterior, se está probando y con ello está aprendiendo a adaptarla y mejorarla en tiempo real, generando conocimiento práctico, experiencia operativa y una capacidad de ejecución valiosísima que viene de situaciones reales donde cada decisión tiene consecuencias también reales.

Ese aprendizaje, además, no es teórico ni incremental: es acelerado, forzado por la necesidad y validado constantemente en condiciones reales.

Y esto puede suponer, no solo una ventaja militar sino una oportunidad industrial.

No elimina el coste de la guerra, ni lo compensa, pero sí introduce una variable distinta: la posibilidad de que, junto a la reconstrucción, emerja también un nuevo posicionamiento dentro del mapa tecnológico e industrial.

Esto se produce, además, en un momento en el que Europa está replanteándose muchas de sus dependencias estratégicas. En ese contexto, Ucrania no encaja únicamente como un país que necesita reconstrucción, sino como un actor necesario que puede aportar capacidades específicas: no tanto un receptor de ayuda como un proveedor de soluciones, lo que redefine completamente la relación.

Ucrania sabe que es más fácil pedir inversión que ayuda, así que está creando iniciativas como “Build with Ukraine” o propuestas como “Defence City” (espacios con incentivos fiscales, menos fricción regulatoria y condiciones favorables para empresas que quieran desarrollar tecnología allí) con una intención clara: no esperar a que llegue el capital, sino generar activamente las condiciones para atraerlo, capitalizando lo aprendido durante la guerra para construir algo que los demás países necesitan.

El talento como ventaja y como vulnerabilidad

Si todo lo anterior apunta a una oportunidad clara, también plantea un problema evidente, porque gran parte del valor que se está generando en este modelo no está en la tecnología en sí, sino en las personas que la están desarrollando: ingenieros, técnicos, perfiles capaces de trabajar en ese entorno híbrido donde se combinan hardware, software, adaptación rápida y toma de decisiones en condiciones de presión extrema.

Ese tipo de perfil no es fácil de formar y mucho menos de encontrar con experiencia real en situaciones como estas, y ahí es donde aparece el riesgo. A medida que el contexto internacional se vuelve más inestable y aumenta la inversión en defensa y tecnología, la demanda de este talento crece, y Ucrania se convierte en un punto de referencia muy atractivo para el resto de países.

Ese mismo talento que hace que el modelo funcione es también altamente exportable y demandado, y pensemos que las oportunidades fuera pueden ser más atractivas, más estables y mejor remuneradas, lo que puede acarrear una fuga de talento.

Esto introduce una tensión estructural, porque el modelo necesita precisamente a esas personas para consolidarse: no basta con haber generado conocimiento durante el conflicto, es necesario retenerlo, mantenerlo dentro del sistema y permitir que evolucione en un entorno más estable.

El activo más valioso no es el dron, ni el sistema logístico, ni siquiera la infraestructura que se pueda construir, sino la capacidad de quienes han aprendido a trabajar de esta forma. Y eso hace que la mayor ventaja de Ucrania sea también su vulnerabilidad, porque es precisamente lo que otros países van a intentar atraer.

Lo que está ocurriendo en Ucrania es, en definitiva, algo que va mucho más allá de un conflicto armado. Es la demostración de que la necesidad elimina la fricción y acelera la innovación. Y cuando esa innovación se acumula durante años, en condiciones reales y con consecuencias inmediatas, genera algo que no se puede comprar ni importar fácilmente: experiencia.

Ucrania ha construido, casi sin pretenderlo, un modelo de innovación que muchas empresas y gobiernos llevan años intentando conseguir. Lo que haga con él cuando termine la guerra será, probablemente, tan importante como el conflicto mismo.