Aunque lo hayamos normalizado, el primer miedo que uno tenía a la inteligencia artificial era siempre el mismo: nuestros datos salían de nuestros dispositivos, viajaban a servidores que no controlábamos y no entendíamos muy bien qué información estábamos cediendo, ni a quién.

Como pasa siempre con la tecnología, el ser humano tiende a normalizarlo todo. Y aunque esa preocupación seguía (y sigue) ahí, ese miedo instintivo de no saber a dónde iban nuestros datos se fue atenuando. La utilidad empezó a pesar más: respuestas rápidas, cada vez mejores, que nos solucionaban problemas reales.

En las empresas, sin embargo, este miedo sigue siendo muy latente. Los riesgos, y sobre todo el conocimiento de los mismos, hicieron que se empezara a hablar cada vez más de alternativas: soluciones ad hoc, entornos controlados y, sobre todo, inteligencia artificial en local.

Cuando hablamos de IA local nos referimos, en esencia, a que el modelo se descarga y se ejecuta directamente en tu dispositivo, es decir, todo ocurre en tu ordenador o en tu móvil, sin necesidad de enviar nada a servidores externos para que procesen la información.

En un principio, con esto se resolvería uno de los grandes miedos iniciales de cualquier usuario: los datos no salen. Pero no nos engañemos: en la práctica no tiene nada que ver cómo funciona la IA en local en un ordenador y cómo funciona en un dispositivo móvil. Creo que entender esta diferencia es fundamental para no caer en una falsa sensación de seguridad.

Durante algún tiempo, ejecutar modelos de inteligencia artificial en local no era algo accesible para el usuario medio, porque requería ordenadores relativamente potentes, a menudo con GPUs dedicadas, y cierto conocimiento técnico para configurarlo todo.

A cambio de esa dificultad, la IA en local permite a usuarios avanzados tener un mayor control sobre lo que ocurre en su ordenador: descargarse el modelo, ejecutarlo desde la terminal, integrarlo en su propio flujo de trabajo o modificar su comportamiento. Incluso si se utilizan programas con interfaz gráfica, que lo simplifican, se puede entender qué estaba pasando “por debajo”.

Así, la idea de IA local sí se acercaba bastante a lo que muchos entienden por control: no depender de terceros y poder supervisar, al menos en parte, cómo se ejecuta el sistema.

El problema es que lo que está ocurriendo ahora con la llegada de la IA al móvil es diferente.

Las redes sociales ya están, con su ruido habitual, explicando que modelos como Gemma 4 son muy seguros porque funcionan en local y pueden utilizarse sin conexión a internet, reforzando esa idea (en parte engañosa) de seguridad.

Lo que no se suele explicar es que el usuario no descarga un modelo para ejecutarlo y accede a él directamente, sino a una aplicación (en concreto Google AI Edge Gallery). En el móvil no accedes directamente al modelo (no hay terminal, no hay configuración técnica, no hay visibilidad ni control sobre los procesos internos) sino que todo ocurre dentro de una app, es decir, una capa diseñada para ser simple, rápida y accesible… pero ¿a qué precio?

Y aquí aparece el verdadero problema que casi nadie está explicando: esa app no es solo el modelo, sino todo lo que hay a su alrededor: los permisos que solicita, las funciones que habilita, la forma en la que conecta el modelo con el sistema operativo y, lo que es más peligroso, las decisiones que puede tomar dentro del dispositivo.

Es decir, resolvemos el problema de que los datos no salgan, pero aparece otro, y puede que más complejo.

Lo que hay que saber es que no se trata de otro modelo más que puede ejecutarse sin conexión a internet, ni que procese texto, imágenes o audio directamente en el dispositivo. Con este movimiento, Google está introduciendo en tu móvil, de forma nativa, algo que hasta hace poco era más difícil: la capacidad de planificar y ejecutar acciones solo.

¿Solo? Sí, solo. Y aquí es donde entra un concepto que seguramente ya has empezado a escuchar, aunque muchas veces se explica de forma superficial: los agentes.

Durante un tiempo, la inteligencia artificial ha funcionado como un sistema reactivo (le hacías una pregunta, generaba una respuesta y todo terminaba ahí), pero los agentes cambian eso.

Un agente es, en esencia, un sistema que no solo responde, sino que puede planificar, tomar decisiones intermedias y ejecutar acciones utilizando herramientas. En lugar de limitarse a generar una respuesta, interpreta una instrucción, la descompone en pasos, decide qué necesita para completarla y actúa en consecuencia.

Para poder hacer todo eso, el modelo necesita interactuar con el entorno, es decir, necesita permisos (acceso a funciones del sistema, a aplicaciones, a ciertos recursos del dispositivo).

No lo va a hacer por su cuenta, sino pidiendo autorización explícita al usuario, igual que con cualquier otra app. Lo que debería preocuparnos es saber cómo se utilizan esos permisos una vez concedidos, porque en una app de las que solemos utilizar, se accede a funciones de manera más o menos predecibles: sabes cuándo estás usando la cámara, cuándo grabas audio o cuándo accedes a un archivo.

Con un agente, esa relación cambia. El agente “se busca la vida” para solucionar un problema. No le dices cómo solucionarlo, él busca funciones en el dispositivo (a las que les hemos dado acceso) y puede decidir cuándo utilizar una herramienta para hacer una tarea. Puede encadenar acciones, activar funciones o interactuar con distintas partes del sistema como parte de un proceso más amplio.

Y eso es exactamente lo que trae consigo el nuevo modelo de Google, Gemma 4. No es simplemente un modelo que corre en local, sino un sistema preparado para funcionar como agente dentro del dispositivo. Es capaz de interpretar instrucciones complejas, dividirlas en pasos y ejecutar acciones utilizando las capacidades del propio móvil.

Veamos la diferencia con un ejemplo: hoy en día le haces una pregunta a cualquier herramienta de IA y, si le pides que analice una imagen, le das acceso a la cámara o a tu galería. En un modelo tradicional, tú decides cuándo haces la foto, cuándo la subes y cuándo se analiza.

Con un sistema como el que plantea Google AI Edge Gallery (la app donde accedemos al modelo), la lógica cambia. A partir de una instrucción, el sistema podría decidir por sí mismo que necesita acceder a una imagen, buscar en tu galería o utilizar la cámara para completar la tarea. Si además tiene acceso a otros elementos del dispositivo (como contactos, calendario o incluso aplicaciones concretas a las que le diste acceso sin saber aún para qué) podría combinarlos para darte una respuesta más completa o ejecutar una acción directamente.

Esto no pasa porque esté “espiando” ni accediendo sin permiso, sino porque está utilizando las herramientas que tú mismo has habilitado para resolver lo que le has pedido.

Si a eso le sumamos que estamos hablando de Google y todo su ecosistema: Gmail, Google Maps, calendario, almacenamiento, aplicaciones conectadas … se integra con capacidades agénticas en el dispositivo, el potencial es enorme… pero los peligros, también.

Aclaro que, en el caso de Google AI Edge Gallery, los accesos no son obligatorios sino que dependen de las funcionalidades que quieras utilizar (si decides trabajar con imágenes, la aplicación puede solicitar acceso a la galería o a la cámara, para funciones de voz, necesitará acceso al micrófono…)ni se activan todos de golpe, sino que se van solicitando. Tampoco hay evidencia de que la aplicación acceda de forma oculta a contactos, correos o información personal sin que el usuario lo permita explícitamente, pero eso no significa que el problema desaparezca, porque en el momento en que concedes esos accesos, le das permisos para interactuar con partes reales de tu dispositivo sin que tú lo sepas.

Y ojo, al dar permiso, la responsabilidad pasa a ser del usuario.

Durante años pensamos que el problema de la inteligencia artificial era la falta de control sobre la información que, voluntariamente, le dábamos, y que dependíamos de sistemas externos, de infraestructuras que no entendíamos y de compañías que gestionaban nuestros datos sin que tuviéramos visibilidad real sobre ello. La IA en local apareció como la solución lógica a ese problema, y en muchos sentidos lo es, pero cuando hablamos de dispositivos móviles, en los que tenemos casi “nuestra vida”, aparecen problemas más complejos.

Esa “ceguera” sobre lo que pasaba con nuestros datos, pasa a ser “ceguera” sobre lo que pasa en nuestro teléfono, es decir, en el dispositivo donde tenemos archivos, conversaciones personales, ubicación, micrófono la app del banco… y hasta las fotos de nuestros hijos.

El problema ahora no es intercambiar datos por servicio, sino ceder el control de una de las herramientas más importantes que tenemos y que por ello ha sido siempre el objeto de deseo de las empresas: nuestro teléfono.

Quizá haya que empezar a preguntarse qué tipo de riesgo preferimos asumir.

El traje nuevo del emperador fue escrito por Hans Christian Andersen en 1837, inspirándose en El conde Lucanor, obra medieval española de Don Juan Manuel. La obra original contaba la historia de unos estafadores que engañaban a un rey con una tela mágica que solo los hijos legítimos podían ver. Andersen cambió un poco el enfoque, y centró la crítica en la estupidez y la incompetencia para el cargo, convirtiéndola así en mucho más que una fábula sobre la vanidad.

El traje nuevo del emperador cuenta la historia de un emperador que, obsesionado por su imagen, contrata a dos supuestos sastres que le prometen confeccionar un traje mágico. La peculiaridad (aquí está la clave) es que ese traje solo puede ser visto por personas inteligentes y, sin embargo, aquellos que no lo vean quedarán en evidencia como ignorantes o no aptos para su cargo.

El emperador, por supuesto, no ve nada pero no lo admite. Sus asesores tampoco ven nada y tampoco lo admiten. Poco a poco, la corte y la ciudad al completo participan del engaño porque, claro está, nadie quiere parecer incompetente. De repente, un niño, ajeno a toda presión social, dice en voz alta lo que todos están evitando: “el emperador está desnudo“.

En el cuento ironiza sobre la vanidad, la presión para conformarse y, sobre todo, cómo el miedo a quedar como ignorante hace que mucha gente participe en engaños colectivos, unos porque no ven, y otros porque no se atreven a decir lo que ven.

Te preguntarás qué relación puedo encontrar entre una historia escrita hace casi doscientos años y la inteligencia artificial. Fue una idea que surgió hace meses, y estaba deseando sacar tiempo para escribir sobre un fenómeno que vemos a diario y que creo que merece una reflexión.

En el último año se han multiplicado los textos asistidos por modelos de lenguaje. Profesionales, directivos y comunicadores han descubierto que pueden producir textos de bastante calidad en cuestión de segundos. Algunos consiguen su objetivo, pero muchos otros caen en la tentación de copiar, pegar y publicar, sintiéndose orgullosos de un texto que les hace parecer eruditos (o como mínimo que saben bastante de un tema), pero que no han escrito ellos. Es muy fácil caer en esa tentación, pero la realidad es que, al otro lado, algunos leen el texto y pese a que la “desnudez” salte a la vista, no dicen nada. El “traje” parece perfecto, los “cortesanos” aplauden y casi todos, sabiendo la verdad, guardan silencio.

El objetivo de este artículo es doble: por un lado, trato de analizar esos patrones que hacen que un texto parezca (sea cierto o no) escrito por una herramienta de IA y, por otro, reflexionar sobre los comportamientos que traen consigo estas prácticas tan extendidas.

Me gustaría empezar con algo que nos ocurre a muchas personas últimamente cuando escribimos, y que, a menudo, termina condicionando la forma en que lo hacemos.

Durante años, escribir ha sido una de mis formas más naturales de pensar. He publicado posts y artículos desde que tenía 16 años, he aprendido a trabajar las ideas casi a la vez que las escribía y, gracias a ello, he desarrollado una relación bastante intuitiva con el lenguaje, que me permite no pensar demasiado en “cómo suena”, sino simplemente en lo que quiero contar. Pero, cada vez más, me encuentro en una situación que no termina de gustarme: escribo una frase, la releo y, en lugar de valorar si está bien construida o si transmite lo que quiero decir, aparece una duda adicional que antes no tenía: si ese texto suena humano o parece escrito por IA.

Lo preocupante no es la duda en sí, sino lo que esa duda provoca. Empiezo a corregir cosas que, objetivamente, no están mal. Me sorprendo eliminando estructuras que antes utilizaba con naturalidad, simplifico giros que me gustaban, cambio la longitud o el ritmo de algunas frases, pero no porque el texto en sí lo necesite, sino porque intento alejarme de algo que identifico como un patrón. Es decir, empiezo a escribir condicionada por el miedo a que, a pesar de haberlos escrito yo, mis textos parezcan escritos por IA.

Esa sensación de la que huyo también es evidente cuando lees textos de otros. Basta con abrir LinkedIn para darse cuenta de que, además de que se escribe mucho más (quienes antes compartían solo artículos interesantes, ahora publican reflexiones personales extensas), muchos textos tienen un tono parecido, una estructura reconocible y una manera muy similar de desarrollar las ideas. Y esto ocurre incluso en publicaciones que, paradójicamente, hablan de la importancia de no depender de la IA o que critican su uso,… donde es fácil identificar esos patrones sin necesidad de un detector (basta con haber tenido un uso intenso de los modelos de lenguaje, en especial ChatGPT durante los últimos años).

El problema es que todo esto no afecta solo al plano personal sino que tiene consecuencias también para la credibilidad en el mundo profesional. Cuando un directivo publica un post que suena exactamente igual que otros diez del mismo sector, el mensaje pierde fuerza por mucho que su gramática sea impecable. En esos casos, los lectores más atentos, o los que han escrito mucho o han utilizado con intensidad los LLMs, perciben una falta de sustancia que hace que el contenido suene artificial y pierdan rápidamente el interés. En cambio, cuando un texto lleva la marca de alguien que lo ha pensado y lo ha trabajado de verdad, con sus irregularidades, sus propios giros personales y su forma de escribir, la conexión con la audiencia es mucho más profunda y duradera. Esa diferencia, aunque parezca sutil, acaba decidiendo a quién le otorgamos nuestra confianza.

Los modelos de lenguaje no escriben como lo hacemos nosotros. Funcionan prediciendo el siguiente token, y eligen el más probable según los patrones estadísticos que han aprendido de miles de millones de textos. Ese mecanismo genera lenguaje coherente y fluido en segundos sin que necesiten que les demos reglas gramaticales, precisamente porque las extraen de dichos patrones. Pero esto tiene un problema de fondo: el texto generado tiende a ser demasiado predecible, porque el modelo elige siempre las combinaciones de palabras que han aparecido con más frecuencia en sus datos de entrenamiento. Eso genera una especie de “suavidad estadística” que los humanos notamos, aunque no siempre sepamos explicarla. Para entenderla hay que conocer dos conceptos que explican bastante bien cómo escribe un modelo de lenguaje:

El primero es la perplejidad (perplexity), que mide básicamente cuánto “sorprendería” al propio modelo el texto que está leyendo. Mientras que un texto humano suele tener perplejidad alta porque incluye elecciones de palabras inesperadas, giros personales, anécdotas que se le ocurren sobre la marcha, o que surgen de su propia experiencia o su forma de pensar, la IA tiende a producir con perplejidad baja (todo fluye de la forma más probable, sin saltos bruscos).

El segundo es la burstiness, o lo que podríamos llamar el “estallido” en la variación de las frases. Los humanos escribimos con ráfagas: una oración corta y contundente seguida de un párrafo más largo y matizado, una digresión, o una idea repentina que refleja cómo pensamos mientras escribimos. La IA tiende a un ritmo mucho más uniforme, con frases de longitud similar y transiciones suaves que se repiten una y otra vez.

Con todo esto, no pretendo ni de lejos decir que no se utilice IA como asistente. Yo escribo con ayuda de la IA, a veces pidiéndole ayuda con la estructura de un artículo enumerando mis ideas y pidiéndole que las organice en base a criterios que también le doy, a veces como sparring tratando de encontrar solución a algo en lo que me atasco, y a veces pidiéndole que pula un texto, y no considero que ello le reste autenticidad. El problema surge cuando se delega por completo y se copia y pega el output sin filtro, creyendo que nadie lo notará. Es entonces cuando el traje parece elegante, pero la audiencia atenta detecta que no hay nada debajo.

Antes de pasar a enumerar los patrones que ayudan a identificar (o al menos sospechar) que un texto está escrito con IA, me gustaría hacer otra reflexión. Nunca he utilizado un detector de “texto escrito con IA” pero me consta que fallan con bastante frecuencia. Al basarse precisamente en medir perplejidad y burstiness, producen falsos positivos en textos humanos muy pulidos, en escritos de no nativos que usan estructuras más formales por necesidad, o incluso en literatura clásica. Novelas como Orgullo y prejuicio de Jane Austen, la Biblia o la Declaración de Independencia de EEUU fueron etiquetados por un detector como generados por IA simplemente porque su estilo claro y estructurado coincide con los patrones que los modelos han aprendido. Si lo pensamos, el modelo aprende con unos tipos de texto que luego imita, por lo que tiene sentido que luego los detectores, piensen que son escritos por IA.

Pasemos, ahora sí, a lo prometido: a ver los patrones que pueden hacer que tu texto parezca escrito por IA. Se trata, aclaro, de tendencias que suelen repetirse a menudo y que yo observo a menudo.

La antítesis constante

Uno de los recursos más habituales es la estructura de contraste, ese “no es esto, es lo otro” que aparece una y otra vez en textos argumentativos. La IA lo utiliza porque ha aprendido que esta estructura es común en ensayos y artículos bien valorados. A decir verdad, genera claridad, ritmo y sensación de contundencia (de hecho es una de las estructuras que intento no utilizar, pero que siempre me ha gustado).

El problema es que la IA incorpora esta estructura de contraste porque suele encajar, no porque el argumento lo requiera y, precisamente por ello, se utiliza cuando no es necesario.

Es una estructura válida, pero el problema surge de que se repite tantísimo que pierde fuerza y se convierte en una señal clara de que el texto nace de un patrón estadístico, es decir, de la IA.

Las introducciones abstractas

Otro patrón muy reconocible son las introducciones que parecen profundas pero no aportan nada. Expresiones como “en un mundo donde” o “en la sociedad actual” funcionan como puntos de partida seguros. No comprometen el texto y sirven para prácticamente cualquier tema.

Esto ocurre porque la IA no tiene un contexto propio desde el que empezar y necesita una base genérica (como un comodín) que sirva para cualquier contexto. El problema de este tipo de estructuras es que muchas veces alargan el texto innecesariamente y retrasan la idea principal en lugar de avanzar hacia ella.

Un post que empieza diciendo “en un mundo donde la competencia global se intensifica” está utilizando un recurso que la máquina ha visto millones de veces y sabe que funciona bien, pero que muchas veces no es necesario y además le impregna un cierto “aroma a IA” y, por ello, el lector pierde interés.

Agrupaciones de tres elementos

Uno de los patrones que no se suele detectar a primera vista, pero que se repite muchísimo, es el uso constante de tríadas: agrupar las ideas de tres en tres.

Ya sabemos que los modelos de lenguaje no inventan estructuras nuevas. Al aprendr de lo que han visto millones de veces en sus datos de entrenamiento (discursos famosos, artículos de opinión, libros e informes académicos), se han dado cuenta de que presentar tres elementos junto suele funcionar muy bien. Hay estudios lingüísticos que afirman que el cerebro humano percibe esa estructura como completa, equilibrada y satisfactoria (sirva esta tríada como guiño, no he podido evitarlo) porque genera un ritmo de lectura agradable y da la sensación de que se ha dicho todo lo necesario sin haberse alargado demasiado.

Todos conocemos ejemplos clásicos como “sangre, sudor y lágrimas” en los que el número tres parece el número perfecto porque ni se queda corto, ni da sensación de excesivo y, al contrario, da una ilusión de exhaustividad y contundencia. Es el motivo por el que la IA abusa de esta estructura. No es que razone “esto quedaría mejor con tres”, sino que en sus patrones de probabilidad, las tríadas tienen una puntuación muy alta de “calidad percibida” y por ello vemos tan a menudo textos como “tres desafíos“, “tres oportunidades“, “tres lecciones aprendidas“, “tres pilares estratégicos“, “tres formas de implementar“… aunque la realidad del tema no se preste a ello.

“Esta iniciativa nos permitirá mejorar la eficiencia operativa, reducir los costes logísticos y aumentar la satisfacción del cliente” suena profesional y fácil de recordar pero un humano que ha vivido el problema probablemente habría escrito algo más irregular e imperfecto: “En realidad estamos consiguiendo que las entregas vayan mucho más rápido, ir ajustando los costes logísticos poco a poco y que el cliente note esa mejora en el servicio, que al final es lo importante.”.

Insisto en que este es uno de los patrones más difíciles de detectar y personalmente, al que menos atención presto.

Las afirmaciones prudentes

La IA evita posicionarse de forma tajante y prefiere expresiones como “en muchos casos”, “podría decirse que” o “hasta cierto punto”, porque está entrenada para minimizar errores y evitar afirmaciones demasiado categóricas que puedan ser incorrectas.

Como consecuencia, se queda en un lugar más seguro, y evitando el “siempre“, “nunca“, o “todos” el texto se vuelve correcto, pero también menos real. Esto provoca que el texto pierda esa tendencia a la exageración tan humana y esa capacidad de asumir riesgo que sí tiene la escritura cuando alguien ha vivido el problema de verdad. Ese exceso de cautela puede transmitir que el autor no está dispuesto a comprometerse con una opinión clara.

Las metáforas genéricas y frases típicas que suenan bien

La metáfora es uno de los recursos que más me gustan desde siempre, pero admito que los utilizo menos porque son de los que tienen más “aroma chatgepetiniano” por ser demasiado previsibles.

Un humano tiende a escribir frases más personales, sacadas de su propia experiencia. La IA, en cambio, elige las que tienen mayor probabilidad de ser entendidas y por eso vemos tan a menudo expresiones que se repiten una y otra vez.

Piensa en cuántas veces has leído en el último mes expresiones como: “la IA no es el futuro, es el presente”, “la IA ha venido para quedarse“, “esto es un cambio de paradigma”, “la IA está redefiniendo las reglas del juego”, “poner al cliente en el centro”, “las empresas que no se adapten se quedarán atrás”, “no uses IA para trabajar más, úsala para trabajar mejor”, “la IA no viene a quitar empleos, viene a transformarlos”, “la pregunta no es si usar IA, sino cómo”, o la tan archiconocida que nos hace hasta gracia leer una vez más, “la IA no va a sustituirte, pero sí quien la sepa utilizar“.

El entusiasmo constante

Otro detalle bastante llamativo es el entusiasmo constante con el que la IA impregna muchos de los textos que genera. Los modelos de lenguaje han aprendido (a partir de sus datos de entrenamiento) que aquello que se repite mucho y se comparte mucho, es bueno o, al menos, suele “funcionar”. Y como los humanos tendemos a compartir, dar likes y difundir más lo que suena positivo, motivador o adulador, la IA acaba asociando ese tono optimista exagerado con éxito y engagement. El resultado es que lo aplica de forma automática, sin distinguir cuándo encaja y cuándo resulta totalmente fuera de lugar.

Por ejemplo, un análisis serio sobre los riesgos geopolíticos en el mercado de los chips, no debería terminar con una frase tipo “¡el futuro es brillante si actuamos ahora!” y sin embargo, la IA lo añade porque sus patrones estadísticos le dicen que los cierres positivos y motivacionales aparecen con frecuencia en los contenidos más compartidos y mejor valorados. No es que la IA sea ingenuamente optimista, sino que reproduce lo que ha visto que “funciona” en internet, aunque en ese contexto concreto suene forzado, superficial o directamente ridículo.

Las conclusiones forzadas

Yo creo que este fue el primer patrón que muchos reconocimos.

La IA siente una necesidad de añadir conclusiones forzadas, donde resume y concluye aunque no haya una aportación que justifique ese cierre. Todos hemos acabado identificando el “En resumen…” en un párrafo final como indicio de que ChatGPT había participado en su redacción.

De nuevo, esto responde a que, durante su entrenamiento, los textos bien estructurados (sobre todo los académicos o periodísticos) suelen tener un final redondo. La diferencia es que mal utilizado, a veces genera finales redundantes, para nada necesarios, que no aportan valor y que hacen que el lector sienta que el texto se ha alargado solo para cumplir un molde.

La sobreestructuración

La sobreestructuración va en la misma línea que las conclusiones forzadas. Frases como “lo dividiremos en tres partes” o “vamos a analizar primero esto y después aquello” reflejan la necesidad del modelo de ordenar explícitamente el contenido para que parezca claro.

Esto se ve muy bien en el uso excesivo de listas y puntos que aparecen troceados en múltiples líneas sin necesidad, y que se podrían desarrollar de forma más natural en un párrafo.

Prioriza la claridad percibida e intuye (a veces con razón) que este tipo de expresiones ayudan a clarificar, pero lejos de ello, a veces, no solo resta naturalidad, sino que no aportan nada. Aunque el resultado es una estructura correcta, a veces es totalmente innecesariamente.

Las preguntas retóricas

Las preguntas retóricas son otra herramienta que la IA incorpora con frecuencia como recurso casi mecánico para mantener la atención y que, a menudo, suenan artificiales.

Los modelos de lenguaje las encuentran sobre todo en dos tipos de textos: contenido de marketing (como posts de LinkedIn) o divulgación empresarial (donde se usan para crear engagement y simular cercanía con el lector, a menudo acompañadas de emojis), y ensayos argumentativos genéricos o textos de consultoría (donde sirven para estructurar el razonamiento y dar sensación de diálogo). La IA aprende que estas preguntas “funcionan” porque en internet generan más interacciones: likes, comentarios y tiempo de lectura. Por eso las reproduce de forma mecánica, aunque no respondan a una duda genuina del autor y acaban sonando casi publicitarias.

Con esto quiero decir que, cuando lees un post en LinkedIn que dice algo como “¿Estás cansado de perder tiempo en tareas repetitivas? ¿Y si te dijera que la IA puede cambiarlo todo? ¿Estás listo para dar el salto?”, es muy probable que estés ante un patrón aprendido, no ante una voz que realmente se haya hecho esa pregunta. En cualquier caso creo que a todos nos agotan este tipo de introducciones y activamos el modo alerta y pensamos: “me van a intentar vender algo”.

“¿Y si te dijera que…?”, “¿Estás preparado para dar el siguiente paso?”, “¿Por qué conformarnos con menos cuando podemos…?”, “¿Te has preguntado alguna vez por qué…?”, “¿Y si la verdadera revolución no estuviera en la tecnología, sino en…?” casi siempre funcionan como gancho o transición, pero rara vez abren una duda auténtica que el autor vaya a explorar de verdad. Al contrario, en un texto humano serio, una pregunta retórica suele tener una respuesta también seria.

Emojis y otros elementos en auge

Hay un detalle curioso que comenzó a notarse en muchos textos coincidiendo con la llegada de ChatGPT, sobre todo en redes sociales y en publicaciones profesionales: el uso sistemático de emojis.

Los emojis, en sí mismos, no son el problema, de hecho, bien utilizados cumplen su función: ayudan a estructurar el contenido, rompen bloques de texto largos y hacen el texto más escaneable y agradable a la vista. Aquí el problema no es su uso sino lo que ha ocurrido con él. Como hemos visto en casos anteriores, la IA ha aprendido, de forma puramente estadística, que los emojis aumentan la visibilidad y el engagement en las plataformas, y por ello los ha incorporado como parte casi automática del formato.

La diferencia en este caso es que ha convertido algo que era simplemente útil en algo que, cuando aparece de forma sistemática y predecible, empieza a “oler a IA” (hasta el punto de que, yo he dejado de utilizarlos y cuando creo necesario utilizar alguno, admito que tengo una resistencia tremenda e ilógica, para que nadie piense que el texto no lo he escrito yo).

Aquí, como comentábamos antes, ya no estamos reaccionando a la calidad real del recurso, sino a la percepción que genera. Cuando por culpa de la IA (o cualquier otro motivo) el uso de un recurso se vuelve indiscriminado, aunque lo utilices por elección personal, algunos identificamos plantillas y, automáticamente, deja de gustarnos.

El guion largo y el punto y coma

Aquí encontramos un ejemplo de algo parecido, que siendo, no solo correcto, sino recomendable, nos puede hacer pensar (sea cierto o no) que ese texto ha sido generado por inteligencia artificial.

El guion largo y el punto y coma, al menos en España, no se solía utilizar en redes sociales ni en escritura online. No sé si fue con la llegada de los blogs o más tarde con las redes sociales, pero su uso se fue abandonando y la frecuencia con que lo vemos ahora, coincide con el tiempo que se lleva utilizando la IA de forma masiva. Solo por ello, lo asociamos y desconfiamos.

Al igual que pasaba con los emojis, es curioso (y triste) que dejemos de utilizarlo y renunciemos a la calidad real del recurso, únicamente por la percepción que genera, aunque admito que yo el guión doble nunca lo había utilizado antes.

Conclusión

Vaya por delante que, como decía antes, no trato de criticar ni desincentivar el uso de herramientas de IA para escribir.

Este artículo nace tras comprobar en primera persona que, cuando uno empieza a reconocer todos estos patrones juntos, es difícil dejar de verlos. Creo que, al igual que la IA simplifica la escritura y ahorra tiempo (desde la simple asistencia hasta la escritura completa que algunos copian y pegan), también nos está obligando a ser mucho más exigentes con nosotros mismos, añadiendo una capa de dificultad: que el texto que tú mismo acabas de escribir no parezca escrito por ChatGPT.

Puede que la mejor salida pase por introducir variaciones reales y personales, por arriesgar con expresiones más propias y, sobre todo, por mantener una voz que no pueda ser replicada por un modelo entrenado en promedios. Alejarse de la mediocridad en su sentido literal y buscar lo que te hace diferente, mientras muchas veces guardas silencio, por simple educación, al leer determinados textos llenos de patrones.

Y quizá lo más incómodo de todo no sea que existan estos textos, sino que cada vez hay más gente que sí sabe reconocerlos. Y, como en el cuento, muchos los leen, identifican el patrón… y no dicen nada. No por falta de criterio, sino por educación, por prudencia o simplemente porque no merece la pena señalarlo.

El problema es que ese silencio no convierte el traje en real. Solo hace que el emperador siga caminando con la misma seguridad, convencido de que todo el mundo ve lo que en realidad no está ahí.

AI Insider es un medio de análisis del ecosistema de la IA:
Empresas, modelos, chips, tecnologías y todos los secretos de la industria, contados de manera sencilla y fácil de entender.

Si te ha gustado este post, puedes ayudarme compartiéndolo.
Si quieres recibir nuevos análisis o artículos (suelen ser semanales, no bombardeo tu bandeja de entrada),
puedes suscribirte gratis a mi newsletter: https://lacafeteria.substack.com/

Nos pasamos el día escuchando noticias en las que se hace referencia a la guerra tecnológica entre Estados Unidos, China y otros países. Expresiones como “la carrera de la IA”, las restricciones de chips, o quién va por delante y quién se está quedando atrás, son temas que no vemos únicamente en informativos o debates en la televisión, sino que aparecen casi en cualquier conversación sobre inteligencia artificial.

Sin embargo, muchas veces no entendemos del todo ni lo que está en juego, ni el mapa global o el peso que tiene cada país en este sector.

Cuando se habla de semiconductores, como decíamos, la conversación suele centrarse en qué países compitiendo entre sí, pero detrás de cada chip no hay un país o una empresa. Es mucho más. Se trata de toda una red global que se ha ido construyendo poco a poco y que implica fundamentalmente a países de Asia, Europa y América.

Un mismo chip puede diseñarse en Estados Unidos, depender de maquinaria europea, utilizar materiales desarrollados en Japón y después fabricarse en Asia. Ninguna de esas piezas, por sí sola, es suficiente ni puede funcionar de manera aislada. Por ello, es normal preguntarse ¿Cómo siendo algo tan estratégico no hemos alcanzado una industria en la que un país sea autosuficiente y capaz fabricar chips por sí solo?

Cómo se volvió global una industria que no lo era

En sus primeros años, gran parte del desarrollo y la fabricación estaban concentrados en Estados Unidos donde empresas como Intel diseñaban y fabricaban sus chips. Se trataba de un modelo totalmente vertical en el que una sola empresa controlaba todo el proceso, desde la idea inicial hasta el producto final.

Como vimos en los artículos sobre TSMC y ASML, a medida que los chips se hicieron más complejos, ese modelo empezó a quedarse corto ya que diseñar un chip requería conocimiento muy especializado y fabricarlo exigía inversiones y procesos cada vez más complicados. Mantener todo eso dentro de una sola empresa era cada vez más difícil.

Fue entonces cuando la industria empezó a cambiar o, mejor dicho, a fragmentarse: unas empresas decidieron centrarse únicamente en el diseño de chips (las llamadas “fabless”) y otras, en cambio, apostaron por especializarse en la producción (las “foundries”), renunciando a desarrollar productos propios, y hacerlo solo para terceros.

Este cambio tuvo dos consecuencias importantes: por un lado permitió la especialización y que cada parte de la industria avanzara mucho más rápido y, por otro, marcó el inicio de una industria cada vez más distribuida en la que dicha especialización se volvió imprescindible.

El problema real: fabricar chips es muy difícil

Para entender por qué ocurrió esta transformación, hay que detenerse en el propio proceso de fabricación: un chip no son piezas que se ensamblan como en otros productos industriales, sino que es el resultado de un proceso complejo que combina física, química e ingeniería.

Fabricar un chip implica trabajar con estructuras minúsculas, por lo que requiere cientos de pasos distintos, sin apenas margen de error ya que cualquier desviación, por pequeña que sea, puede inutilizar el resultado final. Además, cada nueva generación de chips introduce un nivel adicional de dificultad: más transistores, mayor densidad o más eficiencia energética.

Esta complejidad es maravillosa a la hora de impulsar la innovación pero también obliga a dividir el trabajo y subcontratar otras partes del proceso, sin las cuales no puedes operar.

El viaje de un chip

Para entender cómo funciona realmente este sistema, lo más sencillo es seguir el recorrido de un chip.

Todo empieza con el diseño que suele realizarse en Estados Unidos, donde se concentran muchas de las empresas que crean arquitecturas avanzadas y donde ingenieros trabajando durante meses definen cómo debe comportarse el chip, cómo procesará la información y cómo se distribuirán millones de transistores dentro de una superficie minúscula.

Ese diseño no es todavía algo que se pueda fabricar. Primero tiene que traducirse a un formato técnico extremadamente preciso. Aquí entra en juego una capa clave: el software de diseño. Estas herramientas convierten la arquitectura en un conjunto de instrucciones que indican exactamente cómo debe construirse el chip, capa por capa.

Hasta aquí, el chip sigue siendo solo información, necesita ser algo tangible, así que se envía a una fábrica, casi siempre en Taiwán, donde aún no se puede empezar a fabricar porque antes hay que preparar todo el proceso.

Por un lado, se configuran las máquinas de litografía, que son las encargadas de “imprimir” los circuitos sobre el silicio utilizando luz. Estas máquinas, en muchos casos desarrolladas en Europa, requieren ajustes extremadamente precisos para cada diseño concreto. Es una de las partes más complicadas y delicadas del proceso y donde empresas como ASML necesitan un grado altísimo de especialización para hacerla posible.

Al mismo tiempo, se aseguran los materiales necesarios. Obleas de silicio ultrapuro, gases, productos químicos y otros componentes que deben cumplir especificaciones muy estrictas. Muchos de estos materiales provienen de Japón y de una red global de proveedores altamente especializados.

Y cuando todo lo anterior está listo comienza la fabricación.

Ya vimos que el proceso no consiste en unir piezas, sino en construir el chip capa a capa. Se depositan materiales, se graban patrones, se eliminan residuos y se repite el ciclo decenas de veces.

Después de la fabricación, los chips se prueban, se cortan y se encapsulan para poder integrarlos en dispositivos reales. Y aun así, el recorrido no termina ahí porque muchos chips pasan por fases adicionales de ensamblado y optimización antes de llegar a centros de datos, ordenadores o dispositivos electrónicos.

Pero aquí lo más importante es entender que ninguna de estas etapas puede operar de manera independiente.

El mapa global explicado por piezas

Solo cuando observamos este proceso en conjunto, el mapa global empieza a tener sentido.

Estados Unidos concentra gran parte del diseño de chips y el desarrollo de arquitecturas, pero además controla una capa menos visible y absolutamente crítica: el software de diseño.

Estas herramientas, conocidas como EDA, son imprescindibles para transformar un diseño en algo fabricable. Es tan imprescindible que se han convertido en un elemento clave en las tensiones tecnológicas actuales. Aunque muchas veces hablemos de las restricciones impuestas por Estados Unidos a China y solo mencionemos el hardware, es también crítico el acceso al software de diseño, porque limitarlo implica limitar totalmente la capacidad de desarrollar chips avanzados.

Europa ocupa una posición distinta. No lidera el diseño ni la producción en volumen, pero controla un punto intermedio y muy crítico del sistema: la maquinaria necesaria para fabricar chips avanzados, es decir, la litografía. Sin esta tecnología no es posible producir semiconductores de última generación.

En Asia es donde el proceso se materializa: países como Taiwán y Corea del Sur concentran la fabricación. Es allí donde los diseños se convierten en objetos físicos, en fábricas que operan con una precisión extrema y a gran escala.

Japón desempeña un papel menos visible, pero igualmente esencial, porque muchas de las materias primas y componentes necesarios para la fabricación vienen de empresas japonesas y son también imprescindibles.

El punto de inflexión: la inteligencia artificial

Aunque hoy los semiconductores están en el centro de la industria, los semiconductores fueron importantes mucho antes.

Aunque no era algo tan visible, los chips formaban parte de la base sobre la que funcionaban otras tecnologías. Los smartphones impulsaron una primera gran ola. A esto se sumaron los centros de datos, los ordenadores personales, las consolas de videojuegos y sectores como la automoción, cada vez más dependientes del software. El crecimiento era, más o menos, estable.

Esta estabilidad, sin embargo, tenía un coste que ya hemos visto: cada parte dependía de las demás e intentar abarcar otras fases del proceso era muy complicado. Aquí no bastaba con invertir dinero, hacía falta conocimiento acumulado, redes industriales, talento ultra especializado y muchos años de experiencia operativa.

Aunque durante muchos años, esta dependencia no se percibió como un riesgo, la llegada de la inteligencia artificial (con mayores necesidades de cómputo y de chips cada vez más potentes) empezó a sacar a la luz la escasez y, por tanto, la vulnerabilidad de este sistema, que estaba sometido a una presión mucho mayor.

Las tensiones reales: dónde se está bloqueando la industria

Ese mapa global tan fragmentado del que hablamos es donde Estados Unidos ha encontrado la palanca más potente para transformar la interdependencia tecnológica en una herramienta de presión geopolítica. Porque, aunque el diseño de chips y el desarrollo de arquitecturas ya están concentrados en manos estadounidenses, hay una capa menos visible y absolutamente crítica que Washington controla con mano de hierro: el software de diseño conocido como EDA, las herramientas tan imprescindibles y necesarias gracias a las cuales que un diseño pasa a ser algo que se puede fabricar de verdad.

Limitar el acceso a este software es bloquear la capacidad de China para desarrollar chips avanzados porque sin él, las empresas chinas no pueden terminar diseños complejos ni enviar archivos para que se produzcan en fábricas como las de TSMC.

Europa, por su parte, no lidera ni el diseño ni la producción, pero domina el punto crítico de la maquinaria de litografía, esa tecnología sin la cual es imposible producir chips de última generación. Estados Unidos ha conseguido presionar a Países Bajos para que ASML restrinja las exportaciones de sus equipos más potentes a países como China.

En Asia, donde el proceso se materializa en las fábricas de Taiwán y Corea del Sur (pero con patentes norteamericanas), la fabricación se convierte en el cuello de botella físico que China no puede replicar a escala rápida, mientras que Japón aporta las materias primas y componentes esenciales que, aunque parezcan secundarios, son igual de imprescindibles para que todo funcione.

Con esto quiero decir que los bloqueos estadounidenses no son un muro genérico, sino una estrategia quirúrgica que explota cada uno de estos eslabones de la cadena.

Desde 2022, y con ajustes que han seguido hasta este abril de 2026, la Oficina de Industria y Seguridad del Departamento de Comercio exige licencias especiales para exportar a China chips avanzados de inteligencia artificial o el equipo necesario para fabricarlos por debajo de ciertos nodos.

Y, como hemos dicho, no se limita al hardware físico: el software EDA ha sido un foco constante de tensión, con episodios como la restricción temporal impuesta en mayo de 2025 a las principales empresas del sector (Cadence, Synopsys y Siemens EDA) que obligaba a solicitar licencias para cualquier venta a clientes chinos. Esta restricción se suavizó en julio de 2025 ya que EEUU necesitaba acceso a las tierras raras y fue la moneda de cambio.

Hoy, en 2026, el acceso al EDA está restaurado pero bajo vigilancia estricta, y cualquier diseño chino que utilice estas herramientas estadounidenses sigue enfrentando barreras si pretende fabricarse fuera de China.

Al mismo tiempo, Washington ha alineado a sus aliados para cerrar grietas: Países Bajos y Japón han aceptado restricciones coordinadas sobre maquinaria de litografía, y una propuesta reciente de ley bipartidista llamada MATCH Act, presentada hace apenas unos días en abril de 2026, busca endurecer aún más estas medidas, incluyendo la prohibición no solo de vender equipo nuevo de inmersión DUV a China, sino también de dar servicio de mantenimiento a las máquinas ya instaladas. Para que se entienda bien el impacto, imagina que una empresa como SMIC o Huawei logra avances domésticos (como los chips de 7 nanómetros que ya produce), pero con rendimientos más bajos, costes muchísimo más altos y una dependencia residual que las obliga a elegir entre calidad, velocidad o verdadera independencia.

Los aranceles, por otro lado, actúan como una capa adicional de presión económica, más visible y directa sobre lo que ya entra o sale.

Estados Unidos ha impuesto tarifas bajo la Sección 301 que llegan hasta el 50 por ciento sobre semiconductores chinos importados, y en enero de 2026 añadió un 25 por ciento específico sobre ciertos chips de computación avanzada mediante una proclamación bajo la Sección 232, aunque con exenciones para usos que fortalezcan la cadena de suministro estadounidense.

Esto encarece artificialmente los productos chinos en el mercado americano, incentivando a las empresas globales a diversificar proveedores hacia “amigos” como Taiwán, Corea del Sur o las nuevas plantas que se están levantando en Arizona y Europa.

Pero ojo, estos aranceles no son el arma principal contra el avance tecnológico chino. Ese rol lo juegan los controles de exportación, que se endurecen o se relajan según el momento, como ocurrió en enero de 2026 cuando la administración permitió ventas caso por caso de chips como el H200 de NVIDIA, siempre con condiciones estrictas de seguridad, pruebas independientes y un porcentaje de los ingresos que va al gobierno estadounidense.

Es un plan estratégico bastante calculado: por un lado se frena el salto de China en inteligencia artificial y aplicaciones militares, por otro se protegen los ingresos de las empresas estadounidenses que dependen del enorme mercado chino, y al mismo tiempo se obliga a todo el sector a rediseñar productos para que caigan justo por debajo de los umbrales de control.

Al final, estos bloqueos y aranceles no rompen del todo la interdependencia sino que la reconfiguran de forma que genera costes reales para todos los actores.

Las empresas occidentales, desde NVIDIA hasta Applied Materials, han tenido que invertir en rediseños y perder ventas potenciales, con la esperanza de ganar tiempo para que Washington negocie desde una posición de fuerza.

China, mientras tanto, acelera sus programas de autosuficiencia con subsidios masivos, pero el resultado es una cadena de suministro más cara, menos eficiente y con rendimientos inferiores, lo que afecta no solo a sus gigantes tecnológicos sino a toda su economía y a su capacidad de competir en IA a escala global.

Para empresas como TSMC o ASML esto significa navegar una presión constante: por un lado la demanda china, que sigue siendo vital, y por otro la necesidad de alinearse con las reglas de Washington para no perder acceso a los mercados occidentales.

La realidad es que quien controla los cuellos de botella (el diseño y el EDA en Estados Unidos, la litografía en Europa, la fabricación en Asia y las materias primas en Japón) puede reescribir las reglas del juego sin necesidad de un conflicto abierto.

Y eso, a largo plazo, empuja a todo el sector hacia una mayor fragmentación, hacia una resiliencia que cuesta dinero y que, tarde o temprano, se traslada al consumidor final y a las empresas que dependen de estos chips, desde vehículos eléctricos hasta centros de datos de inteligencia artificial.

Intentos de reconfigurar el mapa

Ante este escenario, diferentes regiones han comenzado a reaccionar. Más allá de las políticas, empiezan a surgir proyectos concretos que intentan reforzar posiciones dentro del sistema.

Elon Musk anunció hace apenas unas semanas, en marzo de 2026, el proyecto Terafab, una fábrica de semiconductores masiva que une a Tesla, SpaceX y xAI en Austin, Texas, con una inversión inicial que ronda los 20.000 o 25.000 millones de dólares y un objetivo que suena casi a ciencia ficción: fabricar chips capaces de entregar un teravatio entero de potencia computacional al año.

No se trata solo de otra planta más sino de una integración vertical completa, desde el diseño hasta la fabricación, la memoria, el empaquetado y, lo más estratégico, la creación interna de máscaras de litografía, todo bajo un mismo techo para acelerar iteraciones y reducir la dependencia de proveedores extranjeros.

Musk lo explicó durante la presentación: la industria actual no escala lo bastante rápido para sus necesidades en vehículos autónomos, robots Optimus y centros de datos de IA, y con Terafab busca producir no solo chips lógicos sino también memoria HBM4 a una velocidad que desafía los ritmos actuales de las fábricas. Se trata, por tanto, de una respuesta a la vulnerabilidad de la cadena global: construir capacidad doméstica en Estados Unidos para no depender tanto de Taiwán o de aliados expuestos a presiones.

Por otro lado, China ha convertido los bloqueos en un catalizador para su propia autosuficiencia, y los intentos en litografía son el ejemplo más claro de esa contraofensiva.

Empresas como SMEE, la Shanghai Micro Electronics Equipment, llevan años invirtiendo miles de millones (impulsados por el Big Fund III y subsidios estatales) en desarrollar maquinaria DUV avanzada que les permita fabricar nodos de 7 nanómetros o inferiores sin recurrir a la EUV de ASML, utilizando técnicas de multipatterning que estiran al máximo la tecnología existente.

Los avances son reales pero muy costosos: han logrado producir chips para el Huawei Mate 60 Pro y otros dispositivos con rendimientos más bajos y precios muchísimo más altos que los de TSMC, y aunque todavía no dominan la litografía EUV de alta resolución, los esfuerzos continúan con transferencias de patentes y entidades como AMIES para acelerar el cierre de esa brecha crítica. Para que se entienda bien el impacto estratégico, estos intentos no solo buscan neutralizar la presión estadounidense sino que representan una apuesta a largo plazo por reconfigurar la cadena de suministro global, aunque con el riesgo de duplicar infraestructuras y elevar costes que al final se trasladan a toda la economía china.

La industria de los semiconductores, como vemos, no está dominada por nadie, sino que está sostenida por un equilibrio entre especialización e interdependencia que es su mayor fortaleza y también su mayor debilidad. Y en un momento tan crítico como el que vivimos, la industria de la inteligencia artificial, depende de ese equilibrio.

Puede parecer una frase más dentro del agotador debate sobre el futuro del empleo, pero explica con bastante claridad dónde reside el problema de fondo.

Llevamos años inmersos en una discusión que, por mucho que se repita en tertulias, conferencias y titulares, sigue anclada en un marco que ya no sirve para entender lo que realmente está ocurriendo con la inteligencia artificial.

La pregunta repetida hasta la saciedad es siempre la misma: ¿la IA nos va a quitar el trabajo? Se formula en términos binarios, de sí o no, todo o nada… como si cada profesión fuera un bloque compacto susceptible de desaparecer o sobrevivir en su totalidad. Se elaboran listas de profesiones en riesgo o a salvo, se generan escenarios apocalípticos o tranquilizadores y se busca esa respuesta que, en el fondo, sabemos que nadie puede dar con certeza. Pero este enfoque de “todo o nada”, que funciona de maravilla para los titulares y post con muchos likes, simplifica en exceso una realidad bastante más compleja y que se debería matizar más.

Algunos ya llevamos tiempo diciendo que los trabajos se van a transformar gracias o por culpa de la IA. Pero, insisto, para entenderlo bien, conviene dejar de hablar del “trabajo” como una unidad indivisible.

Cualquier rol profesional es, en realidad, una combinación dinámica de tareas muy diferentes entre sí: algunas repetitivas y fáciles de estructurar, otras más ambiguas y más dependientes del contexto, unas que requieren solo ejecución y otras que llevan asociada una responsabilidad más importante sobre los resultados y sus consecuencias.

La inteligencia artificial no actúa, al menos por ahora, sustituyendo profesiones enteras y de la misma manera en todos los casos. Lo que hace es actuar sobre ese conjunto de tareas con distintos grados de intensidad: algunas tareas pueden automatizarse casi por completo, otras resisten porque están profundamente ligadas al juicio humano, a la interpretación de contextos inciertos o a la asunción de riesgos, y entre ambos extremos se sitúa la gran mayoría de la actividad profesional, donde está ocurriendo la auténtica reorganización.

Esta distinción adquiere todavía más relevancia con la evolución de la IA que conocemos (ChatGPT, por ejemplo) hacia lo que se conoce como software agéntico. Por que ya no se trata solo de herramientas que ejecutan instrucciones, sino que los sistemas son capaces de encadenar una acción tras otra, consultar múltiples fuentes, utilizar herramientas externas y completar secuencias completas de trabajo y hacerlo con un grado importante (a veces impresionante) de autonomía.

Esto amplía considerablemente cuanto puede delegarse, pero no cambia la naturaleza fundamental del impacto: sigue siendo una redistribución interna, no una eliminación masiva.

Jensen Huang, CEO de NVIDIA, hace unas semanas, durante una conferencia en San Francisco decía alogo que me parece brillante: “nuestro trabajo no es hacer el trabajo, sino asegurarnos de que el trabajo esté hecho”. Con esto quería decir que el valor ya no reside tanto en realizar el trabajo manualmente como en garantizar que se haga, que se haga bien y que se integre de forma coherente en objetivos más amplios. Cuando decimos que un trabajo cambia, tendemos a simplificar demasiado, pensando en hacer lo mismo pero con herramientas de IA, cuando el verdadero cambio que traerá la IA será no cómo lo hacemos, sino lo que hacemos.

Si lo llevamos a la práctica, en un extremo encontramos tareas necesarias pero de bajo valor diferencial (recopilar información dispersa, estructurar datos, generar primeros borradores, resumir documentos o preparar análisis) que la inteligencia artificial puede hacer, no solo más rápido sino muchas veces mejor.

En el otro extremo están las actividades donde la automatización choca contra límites más profundos (tomar decisiones importantes en la empresa, negociar con terceros, redefinir estrategias ante escenarios imprevistos o gestionar una crisis, por ejemplo). Estas tareas no consisten únicamente en producir un output, sino en contextualizar, asumir responsabilidad, elegir opciones en base a muchas variables y responder por las consecuencias.

Pero la inmensa mayoría de los perfiles profesionales viven en la zona intermedia, donde conviven tareas automatizables con otras que ganan importancia precisamente porque se convierten en el nuevo diferencial competitivo.

Un responsable de operaciones puede apoyarse en sistemas de IA para analizar incidencias, optimizar rutas o simular escenarios de costes en cuestión de minutos, pero sin embargo, cuando surge una ruptura crítica en la cadena de suministro, un cambio regulatorio inesperado o un conflicto con un proveedor clave, la intervención humana sigue siendo insustituible porque requiere priorizar bajo incertidumbre, negociar y asumir riesgos con plena responsabilidad y muchas veces, basadas en experiencias anteriores.

Lo mismo sucede en marketing, donde la generación de contenido se acelera de forma espectacular, pero la decisión estratégica sobre qué mensaje encaja realmente con la audiencia, en qué momento y con qué matices sigue dependiendo de criterio humano, aunque esté basado en datos que te da el algoritmo. En el análisis de estos datos precisamente, es donde los modelos e informes se producen con una velocidad antes impensable, pero su validación, la interpretación de supuestos y la contextualización empresarial siguen siendo territorio exclusivo de la experiencia. Y lo que tú expones en la sala de juntas de tu empresa, es tu responsabilidad, te hayas apoyado más o menos en herramientas de IA.

Este desplazamiento del valor ya se observa con claridad en ciertos entornos. En China, por ejemplo, la integración acelerada de la inteligencia artificial en sectores creativos y de diseño no ha eliminado la necesidad de talento humano, pero sí ha comprimido drásticamente las fases de ejecución repetitiva, desde la generación de variantes hasta las iteraciones rápidas y las pruebas iniciales. El foco se ha desplazado hacia la dirección creativa, el criterio estratégico y la capacidad de tomar decisiones de alto nivel. Esto ilustra a la perfección cómo la discusión no debe centrarse en si la IA sustituye trabajos, sino en cómo reorganiza lo que ocurre dentro de ellos.

Desde el punto de vista empresarial, las empresas que intentan automatizar puestos completos suelen encontrarse con más resistencias y resultados peores de lo esperado, precisamente porque mantienen los procesos como un todo en uno. En cambio, aquellas que descomponen sus operaciones en tareas más específicas pueden rediseñar flujos de trabajo de manera mucho más inteligente: delegan lo repetitivo, mantienen el control sobre lo crítico y multiplican su capacidad productiva sin necesidad de inflar estructuras ni generar fricciones internas innecesarias.

A nivel individual, el cambio es igualmente importante. El valor profesional se ha medido siempre por la capacidad de ejecutar tareas de forma eficiente y correcta. Hoy, a eso hay que sumarle la habilidad para decidir qué delegar y cómo, validar resultados con criterio, integrar outputs de IA en procesos más amplios y, sobre todo, mantener la responsabilidad última sobre los productos o servicios ofrecidos, es decir sobre el resultado.

Lo que está claro es que quien continúe pensando en términos de “qué trabajos desaparecen o cuales sobreviven” corre el riesgo de tomar decisiones equivocadas, tanto a nivel personal como empresarial. Por el contrario, quien adopte esta visión más fragmentada y gradual, analizando qué porcentaje de un rol puede automatizarse y cómo se reequilibra el resto, obtendrá una hoja de ruta mucho más acertada para ver la adaptación y, sobre todo, de las oportunidades que presenta.

Creo que, en un momento de cambio tan profundo como el actual, entender bien esos matices puede marcar la diferencia.

Cuando hablamos de la industria de la IA, las empresas que ocupan los titulares, no siempre son las más importantes.

A veces son las empresas de “toda la vida” (tras llevar años fuera de la conversación mediática) las que empiezan a reaparecer en el tablero de juego sin hacer mucho ruido, y lo hacen con una contundencia aplastante.

Si algo he aprendido estudiando empresas de tecnología durante los últimos años, es que los grandes avances no siempre comienzan con nuevas startups, sino que suceden cuando empresas “de las de toda la vida” se transforman y adaptan para encajar en el momento actual.

Si te preguntaran qué empresas o marcas están mejor posicionadas hoy en día para beneficiarse del boom de la inteligencia artificial, probablemente no dirías Oracle. Y, sin embargo, puede que sea una de las más importantes.

La industria de la inteligencia artificial no se entiende únicamente mirando solo últimos modelos o herramientas efímeras. Se entiende cuando empiezas a observar la infraestructura, las decisiones empresariales, los movimientos silenciosos que no suelen aparecer en titulares pero que acaban definiendo quién gana y quién no.

Hace muchos años (allá por 1998), cuando empecé a trabajar en Hewlett-Packard, una parte importante del negocio del hardware y los servidores giraba en torno a alianzas con empresas como SAP, Microsoft u Oracle. En aquel momento no existían las redes sociales y cuando se escribía sobre infraestructura se hacía en medios especializados en tecnología o finanzas, por lo que no todo el mundo conocía Oracle, al menos fuera del sector tech.

Hoy en día, la visibilidad no depende de la importancia sino del ruido mediático y por ello, el foco actual no está siempre en los players más importantes.

Oracle, la empresa invisible que todos utilizamos

Oracle no construye productos fáciles de reconocer por un usuario final y tampoco forma parte de ese ruido constante sobre modelos o herramientas que domina hoy la inteligencia artificial (más allá de los despidos de estos últimos días) pero, sin embargo, lleva décadas determinando en gran medida cómo funcionan el resto empresas.

Oracle nació y creció en torno a algo que siendo importante entonces, ahora lo es mucho más: las bases de datos. Esto significa gestionar la información crítica de empresas, gobiernos y sistemas complejos y sobre todo, estar siempre en el core del núcleo de operaciones, en lo que no pueden fallar.

La mayoría de nosotros interactuamos a diario con sistemas que dependen, directa o indirectamente, de tecnología de Oracle sin saberlo (al hacer una reserva de vuelo o pagar en un supermercado). Aunque la marca no esté en el producto final, sí está en lo que lo hace posible.

Detengámonos un momento a entender cómo eran antes las bases de datos y el cambio que Oracle introdujo. Antes de que las bases de datos relacionales se impusieran, muchas empresas trabajaban con modelos donde la información estaba organizada siguiendo estructuras rígidas y, a menudo jerárquicas. Y esto es importante porque la forma de almacenar los datos condicionaba completamente la forma de acceder a ellos.

Simplificando mucho: si una cadena de supermercados organizaba su información por tiendas, dentro de cada tienda por categorías y dentro de estas por productos, responder a una pregunta como “en qué supermercados está disponible este producto” no era fácil. Había que recorrer tienda por tienda, categoría por categoría, producto por producto, porque el sistema estaba diseñado para seguir un camino concreto, no para combinar información entre las distintas partes. Digamos que con cada consulta, volvías al principio del camino, y para la siguiente tenías que volver a empezar.

La llegada del modelo de base de datos relacional cambia esa lógica. En lugar de estructuras cerradas, introduce tablas independientes que se pueden relacionar entre sí. El producto tiene su propio identificador, el supermercado también, y una tercera tabla conecta ambos, por ejemplo con el stock o el precio.

Eso permite algo que hoy en día hemos normalizado: ya no necesitas recorrer el sistema desde el principio cada vez que haces una pregunta. Basta con consultar el identificador del producto y cruzarlo con el resto de tablas para obtener, de una vez, en qué supermercados está disponible, cuántas unidades hay o cómo se distribuye.

Aunque lo veamos normal hoy en día, esto fue revolucionario. No solo cambió la forma de almacenar datos, sino que hizo posible una nueva forma de consultarlos. Ya no se trataba de seguir un único camino, sino de declarar qué información se quería obtener y dejar que el sistema resolviera cómo hacerlo. Esa es una de las grandes ventajas del modelo relacional: simplifica enormemente la recuperación de información porque permite nombrar el dato buscado y dejar que la base de datos encuentre la mejor forma de acceder a él.

En 2026, entrenar, desplegar y utilizar sistemas de inteligencia artificial a escala no es solo una cuestión de algoritmos, sino de almacenar cantidades enormes de datos, moverlos constantemente, procesarlos en tiempo real y garantizar que todo funcione de forma estable (y eso para millones de usuarios a la vez o para operaciones críticas dentro de empresas). La inteligencia artificial pasa a ser un problema de infraestructura y no solo de chips, sino de centros de datos, redes, sistemas de almacenamiento, plataformas cloud y, sobre todo, de cómo se organizan y gestionan los datos dentro de esos sistemas. Y esto es lo que convierte a Oracle en una pieza clave.

Pero Oracle no es una empresa que trabaja con datos, sin más, sino una empresa que ha experimentado con ellos en operaciones reales durante años: bancos, telecomunicaciones, administraciones públicas, grandes empresas… lugares donde la tecnología no puede permitirse fallos y donde los sistemas tienen que funcionar de forma continua.

Además, Oracle no es conocida únicamente por su tecnología, sino por su forma de operar dentro de las empresas clientes y como entender las relaciones a largo plazo.

Podríamos decir que la característica más relevante era que convertía sus sistemas en imprescindibles.

La implementación de sus soluciones requería proyectos bastante largos, equipos muy especializados y, en muchos casos, consultores que trabajaban directamente dentro de la empresa cliente. Con el tiempo, esto provocaba que la empresa cliente dependía del sistema, pero también del conocimiento asociado a ese sistema y por ello, cambiar de proveedor se volvía extremadamente difícil ya que implicaba rehacer procesos, migrar datos críticos y asumir riesgos operativos que pocas compañías estaban dispuestas a asumir. Ese modelo “sticky” fue una de las claves del éxito de Oracle. La barrera de salida de sus clientes era altísima: una vez dentro, era muy difícil salir.

A la vez, Oracle desarrolló una estrategia comercial muy agresiva. Priorizaba el cierre de grandes contratos, incluso en fases muy tempranas, con una política de licencias que no siempre resultaba fácil de entender y que, a menudo, generaba tensiones con clientes y la sensación de una complejidad deliberada en torno a sus productos.

Incluso en el mercado financiero, era una empresa difícil de analizar porque parte de su crecimiento se apoyaba en contratos a largo plazo, lo que le permitía hablar de ingresos que no eran reales sino estimaciones futuras que a veces no se cumplían. Eso reforzaba su posición, pero también hacía que su valoración dependiera en gran medida de expectativas más que de ejecución inmediata y, por esto, muchas veces se comprobara que había sido sobrevalorada.

Lo que estaba claro es que su forma de entender el negocio del software empresarial se basaba en control, integración profunda y relaciones a largo plazo.

Oracle no dudaba en enfrentarse directamente a su competencia. Lo hizo con IBM en sus inicios, con Microsoft en distintas etapas (se dice que su CEO tenía una obsesión personal con superar a Bill Gates en todos los aspectos) y, más adelante, con SAP o Salesforce en el terreno del software empresarial. No buscaba necesariamente ser la empresa más querida del sector, sino la mejor posicionada dentro de los sistemas críticos de sus clientes.

Esa lógica también se reflejó en su estrategia de crecimiento. Oracle no se limitó a desarrollar tecnología propia sino que compró empresas, integró productos y fue construyendo una plataforma cada vez más amplia, siempre con la idea de crear un ecosistema cerrado, del que cuantos más componentes utilizaba un cliente, más difícil le resultaba salir.

Cuando la industria empezó a girar hacia el cloud, Oracle se quedó atrás. Mientras que Amazon, Microsoft y Google apostaron por la nube, Oracle avanzaba despacio, todavía muy apoyada en su modelo tradicional. Muchos creyeron que su reinado había terminado pero no fue así: Oracle estaba manteniendo su posición donde siempre había sido fuerte, es decir, en los sistemas donde los datos eran críticos y donde la fiabilidad pesaba más que la novedad.

Oracle volvió cuando entendió que la nube no era una discusión de features sino de capacidad física. Fue la IA generativa la que convirtió el cloud en eso: en una pelea por quién tiene GPUs, quién tiene redes de baja latencia, quién puede garantizar energía, refrigeración, almacenamiento y operación sin caídas. Las empresas dejan de pensar en que un modelo puede ser brillante en un paper, y empiezan a pensar en cual es la infraestructura en la que vive.

En 2018, mientras el resto seguía vendiendo “cloud” como catálogo infinito, Oracle empujaba la idea de una nube “de segunda generación”, diseñada para empresas con obsesión por seguridad y aislamiento. 
Ese mismo año puso un nombre al tipo de promesa que mejor sabe vender: automatización en el núcleo del dato (Autonomous Database en OCI). 

Luego vino el giro más inteligente: si el cliente ya estaba en otra nube, Oracle dejó de pelear por “mudanzas” y empezó a ofrecerse como pieza embebida dentro del ecosistema rival. Ahí nacen Oracle Database@Azure y Oracle Database@Google Cloud: bases de datos Oracle corriendo sobre hardware OCI dentro de Azure y datacenters de Google Cloud, con la idea explícita de operar “dos clouds como uno”. 

Ese multi‑cloud supuso que en 2026 Oracle reportara un crecimiento de 531% en “Multicloud Database Revenue”, y fue así porque encontró una forma de crecer incluso cuando el cliente no “se convierte” a Oracle Cloud. Una jugada maestra.

Con la llegada de la IA generativa además, Oracle se reposicionó como una empresa que no solo guardaba datos, sino que ofrecía máquinas gigantes para procesarlos. En 2023 se asoció con NVIDIA para ofrecer DGX Cloud en Oracle Cloud Infrastructure, con Supercluster y redes RDMA como parte del paquete. Ese mismo año anunció una alianza con Cohere para servicios de IA generativa y, en el anuncio, lo vendió como ventaja de infraestructura: clusters de más de 16,000 H100, baja latencia y ancho de banda RDMA para entrenar modelos grandes. 

Cuando en 2024 Larry Ellison empezó a hablar de “zettascale”, no estaba utilizando una metáfora exagerada sino describiendo un salto real en la escala de la infraestructura necesaria para la inteligencia artificial. Para entenderlo, basta con mirar las cifras que él mismo contaba: Oracle estaba recibiendo pedidos de clusters con hasta 131.072 GPUs.

NOTA: Una GPU es el tipo de chip que se utiliza para entrenar y ejecutar modelos de inteligencia artificial. No es un ordenador completo, pero es la pieza clave que hace posible estos sistemas. Un cluster de GPUs es, básicamente, miles de estos chips conectados trabajando como si fueran una única máquina gigantesca. Cuando hablamos de más de cien mil GPUs en un solo sistema, estamos hablando de infraestructuras que cuestan miles de millones de dólares y que solo unas pocas empresas en el mundo pueden construir y operar.

Y es precisamente en ese punto donde Oracle empieza a aparecer donde nadie la esperaba.

Durante años, el cloud ha estado dominado por tres nombres: Amazon, Microsoft y Google. Oracle existía, pero no estaba a su altura hasta la explosión de la inteligencia artificial, cuando además, empiezan a ocurrir cosas que, hace años, nos habrían parecido impensables.

Microsoft, que ha sido uno de los grandes dominadores del cloud y el principal socio de OpenAI, ha empezado a utilizar Oracle Cloud Infrastructure para tareas concretas como la inferencia de modelos en Bing. Que Microsoft recurra a Oracle es un síntoma de algo mucho más profundo: la demanda de capacidad para inteligencia artificial ha superado la oferta disponible, incluso para las empresas más grandes del sector.

Según Reuters, citando información del Wall Street Journal, OpenAI estaría negociando la compra de aproximadamente 300.000 millones de dólares en capacidad de cómputo a lo largo de unos cinco años. No se trata de comprar servidores como quien compra ordenadores, sino de asegurar acceso a esas enormes infraestructuras de GPUs durante años, algo más parecido a reservar la producción de una fábrica que a adquirir un producto puntual.

En paralelo, también se ha hablado de conversaciones con Meta para acuerdos en torno a 20.000 millones de dólares destinados a entrenamiento y despliegue de modelos.

Si lo pensamos bien esto revela que existe una escasez estructural de infraestructura. Y en ese contexto, empresas como Oracle, que llevan décadas construyendo sistemas críticos para grandes organizaciones, se encuentran en una posición inesperadamente ventajosa. No tanto porque se hayan adaptado, sino porque el mundo ha empezado a necesitar exactamente lo que saben hacer.

Meses después, Oracle anunció algo que dejaba claro que esto no era un pico puntual de demanda, sino un cambio estructural. La empresa planea invertir entre 45.000 y 50.000 millones de dólares en 2026 para expandir Oracle Cloud Infrastructure y poder cubrir la demanda ya comprometida (y no hablaba en abstracto sino que nombró directamente a sus clientes: AMD, Meta, NVIDIA, OpenAI, TikTok, xAI).

Oracle dijo que su plan de reestructuración FY2026 podía llegar a 2.1 mil millones, y ya había reconocido 982 millones en los nueve meses terminados el 28 de febrero de 2026. 
Y hace apenas días, Reuters reportó despidos “de miles” y un WARN en Washington para 491 personas. 
Business Insider publicó el email que recibieron empleados, con una frase que resume el estilo: “tu rol ha sido eliminado… hoy es tu último día laboral” (imaginad recibir ese email al sentarte por la mañana en la oficina), además de avisar que el acceso a sistemas sería desactivado. 

Oracle, al final, sigue siendo lo de siempre: la empresa que se mete en el núcleo de operaciones. Solo que ahora ese núcleo no es solo la base de datos: también es la fábrica de cómputo donde se entrenan y se ejecutan los modelos que están redefiniendo el software. Y quizás por eso pasa lo mismo otra vez: Oracle no hace el ruido pero vuelve a estar en el lugar donde se decide quién puede escalar… y quién se queda sin capacidad.

Y en ese contexto es donde encajan también los movimientos más recientes de la empresa: los despidos anunciados en los últimos días no son un hecho aislado, sino que forman parte de una reconfiguración más amplia que Oracle ya había anticipado: simplificar estructura, reasignar recursos y preparar la organización para una fase de inversión mucho más intensiva en infraestructura.

Cuando una empresa pasa de vender software a operar centros de datos a escala global, cambian muchas cosas. Cambia el tipo de inversión, cambia el tipo de riesgo y, sobre todo, cambia el tipo de organización que necesita para funcionar, y eso se traduce en reducción de ciertas áreas, mientras otras crecen. Es un desplazamiento de recursos (al menos el fondo, porque las formas puede que sean mejorables) En el caso de Oracle además, como tantas otras veces, las decisiones se toman con una lógica muy clara de eficiencia y posicionamiento, aunque eso implique ejecutar cambios de forma directa, incluso abrupta.

A lo largo de su historia, Oracle ha dado importancia a generar dependencia. Las empresas dependen de tu tecnología. Los clientes dependen de tu capacidad. Y, en algunos casos, las personas dependen de tu estructura. Los despidos recientes refuerzan esta tesis.

Hoy, 27 de marzo de 2026, un error (humano) en el sistema de gestión de contenidos (un CMS) de Anthropic ha dejado abiertos al público casi 3.000 archivos internos. Las redes sociales han “ardido” porque entre ellos hay borradores de un blog que hablan de Claude Mythos (nombre en código “Capybara”), el modelo más potente que la empresa tiene hasta la fecha.

En esos borradores, la propia Anthropic lo describe como un “step-change” en cuanto a capacidades y dice que está “actualmente muy por delante de cualquier otro modelo en capacidades cibernéticas”, advirtiendo que “presagia una ola de modelos que pueden explotar vulnerabilidades más rápido de lo que los defensores pueden responder”. Un arma cibernética ofensiva sin precedentes, ninguna broma.

¿Por qué todo el mundo habla de ello? Por la ironía que supone que la empresa que durante tres años se hizo con el título de “la empresa de IA responsable” haya filtrado su modelo más peligroso por un error básico de configuración tan absurdo como dejar abierto un CMS.

Pero esto es solo un capítulo más de una historia que empezó hace nueve meses.

Julio 2025: Los contratos militares y las cláusulas de conciencia

En julio de 2025 el Pentágono firmó contratos de hasta 200 millones de dólares con cuatro empresas de IA: Anthropic, Google, xAI y OpenAI, para adaptar sus modelos para uso militar.

Anthropic fue la única que incluyó dos restricciones explícitas:

• No usar Claude para vigilancia masiva doméstica de ciudadanos estadounidenses.
• No usarlo en armas totalmente autónomas sin supervisión humana.

Dejó claro su sello desde el principio: “Responsible Scaling Policy” y “somos los que tomamos en serio los riesgos existenciales”.

Enero y Febrero 2026: El ultimátum de Hegseth y el blacklist histórico

En enero 2026 el Secretario de Defensa, Pete Hegseth, exigió que el Pentágono solo contratara IA sin restricciones de uso ni “ajustes ideológicos”.

El 24 de febrero Hegseth convocó a Dario Amodei (CEO de Anthropic) y le exigió eliminar ambas restricciones y permitir el uso de Claude “para todos los propósitos legales”, sin excepciones (le dio de plazo hasta 27/2, 5:01am).

El 25 de febrero, sin esperar su respuesta, el Departamento de Defensa solicitó a Boeing y Lockheed Martin evaluaciones de su “exposición” a productos de Anthropic. Era el primer paso formal hacia una designación de riesgo.

El 26 de febrero Anthropic dice que no y Dario Amodei publica un comunicado oficial, “No podemos, en buena conciencia, acceder a su solicitud.”

Sus argumentos son:

• La IA actual no es suficientemente fiable para tomar decisiones letales sin humanos
• La vigilancia masiva con IA puede ensamblar datos dispersos en perfiles completos de cualquier ciudadano, sin que la ley actual lo regule aún

Además afirma que las dos amenazas del Pentágono son “inherentemente contradictorias”: una los etiqueta como riesgo de seguridad, la otra los trata como activo esencial.

El 27 febrero, una hora antes del plazo, Trump ordenó a todas las agencias federales cesar inmediatamente el uso de tecnología de Anthropic y lo más importante, a las 5:01 p.m., Hegseth formalizó la designación de Anthropic como “Supply Chain Risk” para la seguridad nacional, con efecto inmediato. Esto significa que ningún contratista militar puede hacer negocios con Anthropic. Esta etiqueta, regulada bajo el código federal 10 USC 3252, no se había aplicado nunca a una empresa americana (se reserva para compañías vinculadas a potencias adversarias tipo Huawei).

Esa misma noche, Sam Altman anunció el acuerdo con OpenAI: sus salvaguardas quedarían integradas en el contrato (no como restricciones unilaterales) y el Pentágono lo aceptó. Amazon, Google, Microsoft, Nvidia y Palantir se quedaron en una zona ambigua legalmente porque trabajan con Anthropic.

La gente empieza a cancelar su suscripción de ChatGPT y a activar la de Claude.

La guerra con Irán (finales de febrero / marzo 2026): la ironía operativa

Apenas días después del blacklist, Estados Unidos e Israel lanzaron la campaña militar contra Irán. A pesar de la orden de Trump y la designación como riesgo de cadena de suministro, Claude siguió siendo usado intensamente por el Pentágono y según fuentes como Washington Post, WSJ, Axios, o CBS, Claude fue utilizado en análisis de inteligencia en tiempo real, priorización y selección de más de 1.000 objetivos en las primeras 24 horas y operaciones a través del sistema Maven de Palantir (donde Claude está integrado desde 2024).

El Pentágono no pudo (o no quiso) prescindir de la herramienta que ya estaba profundamente incrustada en sus sistemas clasificados y la guerra no podía esperar (aunque designar a Anthropic como riesgo sí fue inmediato, supongo que como demostración de poder).

Marzo de 2026: La demanda y el limbo legal

Como sí que habían utilizado Claude, Anthropic demandó al Pentágono y a la Administración Trump alegando violación de la Primera Enmienda y uso indebido de la ley de riesgos de cadena de suministro, así que un juez bloqueó temporalmente algunos efectos de la designación (es de locos…). Y mientras tanto, Claude seguía operando en la guerra contra Irán.

27 de marzo 2026: El leak de Claude Mythos

Por si la historia no tuviera bastante surrealismo y giros de guión, hoy 27 de marzo, un error de configuración ha dejado 3.000 archivos abiertos al alcance de cualquier persona. Entre ellos, borradores que confirman que Anthropic ya está probando Claude Mythos con clientes de early access.

Entre esos documentos había varios borradores de blog listos para publicar sobre su nuevo modelo: Claude Mythos (con nombre interno “Capybara”).

Los textos filtrados son reveladores y “demasiado honestos”. Anthropic describe el modelo con estas palabras literales:

• “By far the most powerful AI model we’ve ever developed” (con diferencia el modelo de IA más potente que hemos desarrollado nunca).
• “A step-change in capabilities” (un salto cualitativo, no un incremento).
• Además, introduce un nuevo tier llamado Capybara, “larger and more intelligent than our Opus models, which were, until now, our most powerful” (más grande e inteligente que nuestros modelos Opus, que hasta ahora eran los más potentes).

Pero lo más grave está en la sección de riesgos: la propia empresa admite sin rodeos que Mythos/Capybara presenta riesgos de ciberseguridad sin precedentes (“unprecedented cybersecurity risks”). En concreto, los borradores explican que el modelo está actualmente muy por delante de cualquier otro modelo de IA en capacidades cibernéticas (“currently far ahead of any other AI model in cyber capabilities”) y que presagia una ola de modelos que pueden explotar vulnerabilidades de formas que superan con creces los esfuerzos de los defensores (“presages an upcoming wave of models that can exploit vulnerabilities in ways that far outpace the efforts of defenders”).

En otras palabras: Anthropic reconoce que han construido un modelo que puede encontrar y explotar fallos de seguridad más rápido de lo que los equipos de defensa pueden parchearlos o lo que es lo mismo, que es un “arma cibernética ofensiva” de nueva generación. Por eso, según los mismos documentos, ya lo están probando en early access con un grupo muy reducido de clientes selectos (principalmente expertos en ciberdefensa) y planean un lanzamiento extremadamente cauteloso: primero darlo a los “buenos” para que endurezcan sistemas antes de que caiga en manos equivocadas.

¿Qué significa esto realmente? No es solo “el siguiente Claude Opus”. Es el primer modelo de una nueva generación que supera claramente todo lo anterior en razonamiento, coding y, sobre todo, en ciberataques ofensivos. Anthropic lo ve como un punto de inflexión que puede cambiar el equilibrio ataque-defensa para siempre y ellos mismos lo reconocen como un riesgo existencial para la ciberseguridad global.

Aquí es donde se desmorona toda la narrativa de “seguridad responsable” que Anthropic ha vendido durante años.

Esta es la misma empresa que testificó ante el Congreso sobre riesgos existenciales, creó la Responsible Scaling Policy más estricta del sector y se negó a quitar guardrails éticos al Pentágono (y por eso fue blacklisteada como riesgo de cadena de suministro).

Además levantó más de 7.000 millones de dólares de Amazon y Google precisamente con el pitch de “nosotros sí tomamos la seguridad en serio, a diferencia de OpenAI”.

…y ahora filtra sus propios documentos internos sobre el modelo más peligroso que ha creado, por un error básico de configuración en su CMS.

La ironía es que la compañía que se posicionó como “los adultos responsables de la IA” acaba de demostrar una vulnerabilidd que parece casi de comic (dejar abiertos borradores de un blog) y, al mismo tiempo la misma empresa que predica precaución, está construyendo en secreto un modelo que ellos mismos califican de “amenaza cibernética sin precedentes”.

Todo mientras, según los rumores, preparan su salida a bolsa en octubre. Es curioso porque cuando uno llega a Wall Street, los inversores no te pagan por ser “responsable” sino por ser el primero… y por crecer rápido.

Las redes sociales hoy proclaman que la seguridad no era una filosofía, sino un pitch de venta y puede que desde hoy se descubra que además, era una farsa.

En cualquier caso, la empresa fundada por ex empleados de OpenAI que salieron porque la tecnológica no se tomaba demasiado en serio la seguridad, va a dar mucho que hablar estos días.

Por experiencia, supongo que este “culebrón” no termina aquí, así que vamos a esperar el próximo plot twist. De momento las acciones de empresas de ciberseguridad caen en bolsa.

EDITO: Pues terminaba el post esperando el próximo capítulo… y hoy 31 de marzo ya ha pasado algo más.

31 de marzo de 2026: Filtración de Claude Code.

Voy a intentar explicarlo de forma sencilla porque se trata de algo bastante técnico.

Lo que ha pasado ahora: el leak de Claude Code (y por qué no es lo que parece)

En medio del ruido que rodea a Anthropic estos días, ha ocurrido algo que, a primera vista, parece mucho más grave de lo que realmente es. Se han filtrado partes de lo que se conoce como “Claude Code”, una herramienta interna que la compañía utiliza para trabajar con su propio modelo.

Voy a intentar explicarlo de forma sencilla porque se trata de algo bastante técnico y, al mismo tiempo, de una de esas situaciones que revelan mucho sobre cómo funciona de verdad la industria de la IA en 2026.

Lo que ha pasado ahora: el leak de Claude Code (y por qué no es lo que parece).

El 31 de marzo de 2026, se descubrió que la versión 2.1.88 del paquete @anthropic-ai/claude-code publicado en npm incluía por error un archivo source map de casi 60 MB. Ese artefacto, que en desarrollo sirve para mapear el código minificado de vuelta al original legible, permitió reconstruir prácticamente todo el código TypeScript: alrededor de 1.900 archivos y más de 512.000 líneas que muestran la arquitectura interna de Claude Code, la herramienta de línea de comandos que actúa como un ingeniero autónomo dentro de tu terminal.

La reacción en redes ha sido inmediata y algunos lo han interpretado como una filtración masiva, otros como una muestra de debilidad técnica.

Pero ojo, casi nadie está explicando bien qué se ha filtrado exactamente. Para entenderlo, hay que separar tres cosas que suelen mezclarse cuando hablamos de inteligencia artificial.

Lo primero es el modelo en sí. Es decir, el sistema entrenado, lo que realmente “piensa” (o más bien calcula probabilidades). Eso incluye los pesos del modelo, que son los números que ha aprendido tras procesar enormes cantidades de datos. Eso es lo más valioso y lo más protegido y no se ha filtrado en absoluto.

Lo segundo son los datos. Información de usuarios, conversaciones, contenido sensible… que tampoco se han filtrado.

Y lo tercero es cómo trabajas con ese modelo. Las herramientas internas, los prompts, los flujos de trabajo, las instrucciones que los ingenieros utilizan para sacarle rendimiento, la orquestación de agentes, los sistemas de memoria en capas, los mecanismos de self-healing, modos como KAIROS para ejecutarlo en segundo plano o el famoso Undercover Mode pensado para que Claude no filtre información interna en commits públicos. Y esto es precisamente lo que sí se ha hecho público.

Es una diferencia importante: lo que se ha filtrado no permite replicar Claude el modelo, ni permite copiar los pesos, ni entrenar uno igual, ni acceder a información privada de clientes. Pero sí permite ver algo que normalmente está oculto: cómo una empresa como Anthropic utiliza y empaqueta su propia inteligencia artificial por dentro. Y eso, aunque no sea el desastre técnico que algunos titulares han vendido, sí es interesante y bastante revelador.

Es, en cierto modo y por hacerlo fácil de entender, como ver la cocina de un restaurante de lujo. No tienes la receta secreta ni los ingredientes exactos de los platos, pero empiezas a entender cómo trabajan los chefs, cómo coordinan los tiempos, cómo gestionan los recursos y por qué el resultado final sale tan bien.

Hay que aclarar también que esto no es tampoco un hackeo ni una brecha de seguridad en servidores. Fue un error humano en el pipeline de build: alguien olvidó excluir los source maps (que Bun genera por defecto) del paquete de producción, y el archivo acabó apuntando a un ZIP público en su bucket de Cloudflare R2.

Anthropic lo retiró rápido, pero el código ya se había replicado en GitHub con decenas de miles de forks y hasta ha surgido una reimplementación limpia en Python hecha desde cero para evitar problemas de propiedad intelectual.

Al final, el incidente no compromete la seguridad de usuarios ni revela secretos existenciales, pero sí acelera la democratización de las ideas agentic y obliga a todos los labs a mirarse el ombligo en sus procesos de despliegue. Para quien está construyendo en este espacio, es un recordatorio útil: invierte tanto en las capacidades como en los pipelines aburridos pero críticos. Porque, como estamos viendo, un descuido tonto puede convertir una herramienta impresionante en un plano abierto para que cualquiera lo estudie y, quién sabe, lo mejore.

Hace apenas dos días, el 23 de marzo de 2026, Sam Altman publicó un tuit en X anunciando que dejaba el consejo de Helion Energy, la startup de fusión nuclear en la que ha invertido desde hace años y de la que ha sido presidente hace más de una década. Según sus propias palabras, era una decisión necesaria para permitir que OpenAI y Helion exploraran una colaboración “a gran escala”.

Detrás de esa renuncia se esconde una de las señales más claras de hacia dónde se dirige realmente la inteligencia artificial. OpenAI, la empresa que hoy consume cantidades de electricidad ya descomunales y que en pocos años necesitará gigavatios enteros para entrenar y ejecutar sus modelos, está negociando la compra de energía limpia procedente de fusión nuclear con una compañía cuyo mayor inversor individual y hasta ayer presidente del consejo era el propio Altman.

Más allá de explicar un conflicto de intereses (ocultado deliberadamente con el anuncio de que la app de Sora desaparece como tal), es la admisión explícita de que el cuello de botella más crítico de la IA ya no está solo en los chips, en los datos o en los algoritmos, sino en la energía: en generar teravatios de electricidad limpia, barata y disponible las veinticuatro horas del día, todos los días del año.

Durante años hemos hablado de la “carrera de los modelos”, de quién llega primero a la siguiente generación de inteligencia artificial, pero ahora esa carrera es por los teravatios y Microsoft, Amazon, Google y, al parecer, también OpenAI ya están moviendo ficha.

Sam Altman (que ojo, deja el consejo pero mantiene su participación financiera en Helion) acaba de darnos la mayor pista del cambio hacia el que se dirige toda la infraestructura de la inteligencia artificial. Y lo hace desde una posición que viene de lejos: ya en 2015, cuando aún era presidente de Y Combinator, conoció Helion a través del propio YC y de Mithril Capital, invirtió sus primeros 9,5 millones de dólares y se convirtió en presidente de su consejo. Aquel movimiento fue solo el principio.

Por qué la energía (y no los chips) es ahora el cuello de botella de la IA

Durante años el debate sobre el avance de la inteligencia artificial giró alrededor de quién tenía más parámetros, más datos o mejores algoritmos. Hoy sabemos que el límite más importante no está en el software, sino en la electricidad que necesitan los data centers para entrenar y ejecutar los modelos de IA.

Algunos datos: Todo apunta a que el consumo eléctrico de los data centers a nivel global podría duplicarse entre 2025 y 2030, pasando de alrededor de 400-450 teravatios-hora a cerca de 945 teravatios-hora. En Estados Unidos, donde se concentran muchos de los grandes clústeres de IA, los data centers podrían representar entre el 9 y el 12 por ciento de toda la electricidad del país hacia 2030, frente al 4,4 por ciento actual. Un solo clúster de entrenamiento de última generación puede llegar a demandar 100 megavatios de forma continua, el equivalente al consumo de una ciudad pequeña.

Los modelos de IA necesitan funcionar las veinticuatro horas del día, los siete días de la semana, por lo que los paneles solares o parques eólicos son insuficientes. Se necesita energía limpia, densa y siempre disponible. Precisamente por eso las grandes tecnológicas ya no se conforman con comprar electricidad de la red convencional. Están firmando acuerdos directos con productores de energía nuclear y explorando fuentes todavía más ambiciosas.

Microsoft, por ejemplo, ha reactivado el reactor de Three Mile Island para alimentar sus data centers. Amazon ha cerrado acuerdos con plantas de energía nuclear existentes. Google y Meta también buscan soluciones a largo plazo. Y ahora OpenAI, según fuentes cercanas a las conversaciones, está en negociaciones avanzadas para comprar a Helion hasta 5 gigavatios hacia 2030 y escalar hasta 50 gigavatios hacia 2035. Esa última cifra equivaldría aproximadamente al 12,5 por ciento de toda la producción que Helion espera tener en ese momento.

Esta carrera energética se está librando también en otros países como China, que ha convertido la fusión en una prioridad estratégica nacional, y avanza con un enfoque mucho más estatal. Su reactor tokamak EAST (un tipo de máquina que intenta mantener plasma supercaliente confinado mediante potentes campos magnéticos) ha batido récords de confinamiento de plasma a más de 100 millones de grados, y está construyendo el nuevo tokamak BEST, que pretende demostrar generación de electricidad a partir de fusión hacia 2030. Pekín entiende perfectamente que quien controle la energía abundante y limpia controlará también la capacidad de entrenar y desplegar modelos de IA a escala masiva. Mientras en Estados Unidos la apuesta más visible recae en startups privadas como Helion, en China el esfuerzo combina investigación pública con ambiciosos planes de ingeniería.

En resumen, la inteligencia artificial ha dejado de ser solo un problema de computación. Se ha convertido en un problema de infraestructura energética a nivel mundial. Y esa es exactamente la razón por la que la renuncia de Sam Altman al consejo de Helion no es un detalle sin importancia. Es una de las primeras veces que uno de los principales actores admite abiertamente que el próximo gran cuello de botella ya no se resuelve con más GPUs, sino con teravatios de electricidad limpia.

Qué es la fusión nuclear y cómo lo hacen los demás

Explicada de forma fácil, podemos decir que la fusión nuclear es el proceso que libera la energía del sol y de las estrellas (unir dos núcleos atómicos ligeros para formar uno más pesado, liberando una enorme cantidad de energía limpia). A diferencia de la fisión (la que usan las centrales nucleares actuales), la fusión no produce residuos radiactivos de larga duración ni riesgo de fusión del núcleo del reactor. Si se consigue de forma controlada y comercial, sería la fuente de energía más limpia, densa y abundante que la humanidad ha tenido nunca.

Hasta ahora prácticamente todos los esfuerzos serios para lograr fusión se han centrado en dos grandes enfoques:

El primero es el tokamak. Se trata de una máquina en forma de donut gigante que genera potentes campos magnéticos para mantener confinado un gas supercaliente llamado plasma a temperaturas de más de 100 millones de grados. El objetivo no es solo crear fusión durante unos segundos, sino mantenerla de forma estable durante minutos u horas para que pueda funcionar como una central eléctrica real que genere electricidad de manera continua.

El proyecto más ambicioso de este tipo es ITER, que se está construyendo en el sur de Francia con financiación de 35 países. Su objetivo es demostrar que un reactor de fusión a escala real puede producir más energía de la que consume y sentar las bases técnicas para las primeras centrales comerciales de fusión. Lleva más de 30 años en desarrollo, su coste ya supera los 20.000 millones de euros y se espera que empiece a operar plenamente a finales de la década de 2030.

El segundo enfoque es la fusión inercial, que se basa en láseres. En este caso se dispara un haz de láseres extremadamente potentes contra una pequeña pastilla de combustible durante una millonésima de segundo. La compresión repentina genera las condiciones de temperatura y presión necesarias para que ocurra la fusión. Este método se usa sobre todo en instalaciones como la del Laboratorio Nacional Lawrence Livermore en California, y ha conseguido por primera vez en la historia producir más energía de fusión que la que se invirtió en el láser (aunque solo durante una fracción de segundo). Su principal utilidad hasta ahora ha sido más científica y militar que comercial.

Ambos caminos son extremadamente complejos, caros y lentos. Requieren máquinas gigantes, presupuestos multimillonarios y décadas de experimentación. Y aquí es donde Helion decidió tomar un camino distinto: en lugar de intentar mantener el plasma confinado durante mucho tiempo o comprimirlo con láseres, optó por un sistema pulsado que genera fusión en milésimas de segundo y convierte directamente la energía en electricidad.

Cómo funciona Helion: el proceso explicado paso a paso

Helion Energy, como decíamos, no sigue ninguno de los dos caminos tradicionales. Ha desarrollado su propia tecnología basada en fusión magneto-inercial pulsada. Su máquina tiene forma de tubo largo con los extremos más anchos, similar a un reloj de arena muy grande.

Todo el proceso dura solo unas milésimas de segundo y se repite muchas veces por segundo.

El funcionamiento es el siguiente:

• Primero se inyecta el combustible en forma de gas en los dos extremos de la máquina. El combustible principal es deuterio y helio-3, aunque en esta fase también usan deuterio y tritio para facilitar las pruebas. Este gas se calienta y se ioniza hasta convertirse en plasma, un estado de la materia en el que los electrones se separan de los núcleos y todo queda cargado eléctricamente.

• A continuación se forman dos anillos de plasma compactos llamados FRC (Field Reversed Configurations). Cada anillo genera su propio campo magnético que lo mantiene unido, como si fuera un donut de plasma que flota sin tocar las paredes de la máquina.

• Luego se aplican campos magnéticos cada vez más fuertes para acelerar estos dos anillos de plasma hacia el centro del tubo a velocidades cercanas al millón de millas por hora. Cuando chocan en el punto medio, los campos magnéticos externos los comprimen con gran fuerza. En ese instante se alcanzan temperaturas superiores a los 100 millones de grados Celsius y se producen reacciones de fusión.

• La fusión libera energía en forma de partículas cargadas que hacen que el plasma se expanda rápidamente. Este movimiento rápido del plasma dentro de un campo magnético genera electricidad de forma directa, según la ley de Faraday. Es decir, no hace falta calentar agua, producir vapor y girar una turbina. La energía sale directamente en forma de electricidad a través de las bobinas que rodean la máquina.

Este enfoque tiene dos ventajas importantes.

• La primera es que la conversión es directa, por lo que en teoría es mucho más eficiente.
• La segunda es que Helion planea usar deuterio y helio-3 como combustible principal. El helio-3 es raro en la tierra, pero la propia reacción de fusión de Helion genera algo de helio-3 como subproducto, lo que les permite reciclarlo y reducir la dependencia de fuentes externas.

En febrero de 2026 Helion anunció que su séptima generación de máquina, llamada Polaris, había alcanzado 150 millones de grados Celsius y había conseguido fusión con combustible que contiene tritio. Son hitos reales, aunque todavía están lejos de demostrar electricidad neta sostenida a escala comercial. Su objetivo es tener la primera planta entregando potencia a la red en 2028.

La larga relación entre Sam Altman y Helion

La conexión de Sam Altman con Helion Energy se remonta a 2015, cuando él aún era presidente de Y Combinator. En aquella época, a través del propio YC y de Mithril Capital (el fondo de Peter Thiel), Altman conoció la startup y decidió invertir personalmente 9,5 millones de dólares. Poco después se convirtió en presidente de su consejo de administración.

Ya entonces Altman veía con claridad que la energía sería uno de los grandes cuellos de botella del futuro tecnológico y en 2021 reforzó su compromiso invirtiendo 375 millones de dólares más, la mayor apuesta individual de su carrera hasta ese momento, y pasó a ser Executive Chairman de Helion.

En 2023 llegó el primer gran contrato público de la compañía: Microsoft firmó un acuerdo para comprar electricidad de fusión a Helion a partir de 2028. Fue el primer contrato de este tipo en la historia de la industria. Microsoft se comprometió a adquirir 50 megavatios de potencia, con la opción de aumentar la cantidad en el futuro. Aquel anuncio marcó un antes y un después: por primera vez una de las mayores empresas tecnológicas del mundo apostaba contractualmente por electricidad procedente de fusión.

Ahora, en 2026, la historia da un paso más: OpenAI está en conversaciones avanzadas para comprar a Helion cantidades mucho mayores: hasta 5 gigavatios hacia 2030 y potencialmente 50 gigavatios hacia 2035. Para ponerlo en perspectiva, 50 gigavatios equivaldrían a la producción de unas 50 centrales nucleares convencionales de gran tamaño.

Precisamente por el tamaño de estas negociaciones y por su doble rol (inversor importante en Helion y CEO de OpenAI), Altman decidió renunciar al consejo de Helion. Mantiene su participación financiera, pero se ha apartado de cualquier decisión o negociación relacionada con OpenAI para evitar conflictos de intereses, dar buena imagen y sin embargo, fortalecer lazos con su empresa.

Este movimiento muestra con claridad la convicción de Altman de que la inteligencia artificial solo podrá escalar de verdad si se resuelve primero el problema de la energía abundante y limpia.

Mi opinión

Lo que realmente está ocurriendo con Helion y OpenAI va mucho más allá de una simple operación financiera o de una renuncia formal. Es una de las primeras señales claras de que el verdadero límite ya no es computacional sino energético, y que quien consiga generar teravatios de electricidad limpia, barata y disponible las veinticuatro horas será quien controlará la capacidad real de entrenar y desplegar los modelos del futuro.

Sam Altman lleva más de una década apostando por esta idea. Su inversión temprana en Helion en 2015, cuando todavía dirigía Y Combinator, no fue casual (y dicen las malas lenguas que, precisamente este tipo de prácticas como invertir personalmente en empresas con la información a la que como presidente de YC tenía acceso, fue el motivo de su salida) sino un movimiento clave y estratégicoque ahora permite que OpenAI pueda negociar abiertamente cantidades de energía que podrían cambiar el mapa de la infraestructura mundial.

A mí me parece que este episodio marca un punto de inflexión. La fusión nuclear deja de ser un sueño lejano de físicos para convertirse en una pieza central de la estrategia empresarial de las grandes tecnológicas. Y aunque Helion todavía tiene que demostrar que puede entregar electricidad neta de forma comercial y sostenida, el simple hecho de que OpenAI esté dispuesta a comprometerse con volúmenes tan ambiciosos dice mucho sobre la seriedad con la que se está tomando el problema.

Para las empresas que están implementando IA en serio (ya sea en retail, logística, manufactura o cualquier otro sector), el mensaje es claro: el coste y la disponibilidad de la energía van a convertirse en uno de los factores decisivos de competitividad en los próximos años. No bastará con tener buenos modelos. Habrá que tener también una estrategia energética clara.

Al final, la renuncia de Sam Altman al consejo de Helion es una de las pistas más grandes que hemos tenido hasta ahora sobre hacia dónde se dirige de verdad la inteligencia artificial. A mi, no me resulta casual que apenas 24 horas después OpenAI anunciara el cierre de su aplicación Sora, desviando la atención de los medios hacia lo verdaderamente importante: que la luz, literalmente, empieza a ser tan importante como los algoritmos.

La promesa

Durante años, los chatbots se convirtieron en una especie de demostración de modernidad. Empresas que pocos meses antes se identificaban como “muy tecnológicas” al haber estrenado su ecommerce, y aún obligaban a sus empleados a hacer cursos de “transformación digital“, presumían de pioneros porque alguien les había puesto un chatbot en su web.

No importaba demasiado qué hacía exactamente la empresa o si tenía un problema real que resolver con conversación: si querías parecer innovador, añadías un chatbot. Era casi un estándar obligatorio. Una pequeña burbuja en la esquina de la web que prometía inmediatez, eficiencia y, en el mejor de los casos, una experiencia más cómoda para el usuario. La idea era potente: atención al cliente automatizada, disponible las veinticuatro horas, sin esperas y sin fricción.

Sin embargo, a la hora de la verdad, rara vez cumplía esa promesa: El usuario preguntaba algo sencillo y el sistema respondía con algo irrelevante, repetía opciones genéricas o simplemente no entendía la consulta. En lugar de reducir fricción, la añadía y en lugar de acelerar procesos, los complicaba. Y poco a poco se fue instaurando una sensación bastante clara: la mayoría de los chatbots no solo no ayudaban, sino que en muchos casos empeoraban la experiencia del usuario.

Ojo, porque no hablamos de una tecnología marginal o experimental. Los chatbots han sido una de las aplicaciones más extendidas de la inteligencia artificial en entornos reales. Y aun así, el resultado general ha sido decepcionante. Un maravilloso ejemplo de que, a veces, no es que la tecnología falle sino que se implanta sin saber cómo ni por qué.

El problema de base: automatizar algo que no es simple

Para entender el fallo casi generalizado de los chatbots hay que empezar por una idea bastante básica que muchas empresas pasaron por alto: automatizar una conversación no es lo mismo que automatizar un proceso.

El error original: sistemas rígidos con “inteligencia aparente”

Los primeros chatbots no eran realmente sistemas inteligentes, aunque se presentaran como tal. Eran solo árboles de decisión, es decir, sistemas diseñados para detectar ciertas palabras clave y devolver respuestas predefinidas. Funcionaban razonablemente bien en escenarios muy acotados, donde el usuario seguía el camino previsto, pero fallaban en cuanto aparecía cualquier variación inesperada.

El problema no era solo técnico, sino que se estaba intentando resolver un problema complejo con una herramienta pensada para problemas simples. ¿Cómo iba a funcionar? En lugar de diseñar sistemas que entendieran, se diseñaron sistemas que clasificaban. Y eso generó una experiencia muy concreta: el usuario sentía que estaba hablando con algo que no comprendía realmente lo que decía y a veces, eso llevaba a la desesperación.

El segundo error: intentar parecer humano demasiado pronto

A este problema se le sumó otro bastante común. Muchas empresas decidieron que, si el chatbot no podía ser realmente inteligente, al menos podía parecerlo. Se le daba un nombre, un tono cercano, incluso una personalidad (a veces, de todo menos profesional). El objetivo era humanizar la interacción, hacerla más agradable y reducir la fricción psicológica del usuario.

Pero esto tuvo un efecto contrario al esperado. Cuando algo parece humano, el usuario espera inteligencia humana. Espera comprensión, flexibilidad, capacidad de adaptación. Y cuando eso no ocurre, la frustración es mayor que si el sistema fuera claramente una herramienta limitada. El problema ya no es solo que falle, sino que genera una sensación de engaño. Como si prometiera algo que no puede cumplir.

El error estructural: usar conversación donde no hacía falta

Aquí aparece uno de los puntos más importantes y menos evidentes: muchas empresas utilizaron chatbots para resolver problemas que no requerían conversación. Consultar el estado de un pedido, cambiar una contraseña o cancelar una suscripción son tareas estructuradas que pueden resolverse de forma más eficiente con interfaces claras y flujos bien diseñados.

Sin embargo, se intentó convertir estos procesos en conversaciones, como si hablar fuera mejor que interactuar con un sistema bien diseñado y esto fue un error de base: entendieron que la conversación era valor en sí misma, cuando no lo era. La conversación era solo un medio. Y cuando se utiliza en el contexto equivocado, produce más frustración.

La llegada de la “IA conversacional”

La aparición de los modelos de lenguaje cambió radicalmente el panorama. A diferencia de los sistemas basados en reglas, estos modelos no dependen de estructuras rígidas, sino que generan respuestas en función del contexto. Esto permite manejar variaciones en el lenguaje, interpretar mejor la intención y adaptarse a diferentes formas de preguntar.

Por primera vez, la idea de tener una conversación relativamente natural con una máquina empezó a ser viable. Esto abrió una nueva fase en la evolución de los chatbots, mucho más prometedora que la anterior. Sin embargo, también apareció un nuevo tipo de problema.

El nuevo riesgo: ahora entienden mejor, pero no siempre aciertan

Los modelos actuales son mucho más flexibles, pero no son infalibles. Pueden generar respuestas incorrectas con total seguridad, lo que en entornos sensibles puede tener consecuencias importantes.

La ilusión actual: la IA hace fácil construirlos, pero no hacer bien el producto

La nueva generación de herramientas de IA ha hecho algo muy relevante: ha reducido drásticamente la barrera de entrada. Hoy es mucho más fácil construir un chatbot, desplegarlo y ponerlo en producción y lo que antes requería equipos técnicos especializados, ahora puede hacerse en mucho menos tiempo.

Pero hay una confusión muy peligrosa en esto: que algo sea más fácil de construir no significa que sea fácil hacerlo bien. Diseñar un buen sistema conversacional implica entender el problema, definir bien el alcance, validar con usuarios reales, iterar, medir resultados y ajustar continuamente. Implica también una gestión interna clara: quién supervisa el sistema, cómo se corrigen errores, qué datos se utilizan y cómo se integra con el resto de procesos de la empresa.

En otras palabras, la IA facilita la tecnología, pero no sustituye el trabajo de diseñar correctamente el producto ni elimina la necesidad de planteamiento, diseño, validación y gestión. De hecho, muchas empresas siguen cayendo en ese error: el de pensar que desplegar un chatbot es lo mismo que construir una solución útil e infalible.

Cuando sí funcionan: el caso de Klarna y otros ejemplos

A pesar de todo esto, hay algunos casos donde los chatbots sí están funcionando y muy bien. Uno de los ejemplos más conocidos es Klarna. La empresa ha conseguido automatizar una parte significativa de su atención al cliente utilizando IA conversacional, gestionando millones de interacciones con resultados comparables a los de agentes humanos en ciertos tipos de consultas.

Lo interesante del caso no es solo la tecnología, sino el enfoque: Klarna no intenta que su chatbot haga todo. Lo utiliza en escenarios donde el problema está bien definido, donde las consultas son repetitivas y donde el sistema puede acceder a contexto relevante del usuario. Además, el chatbot está integrado dentro de un sistema más amplio, donde hay supervisión, medición y mejora continua.

Otros casos interesantes aparecen en entornos internos de empresas tecnológicas, donde los asistentes se utilizan para ayudar a empleados a acceder a información, generar documentación o resolver dudas operativas. En estos contextos, el riesgo es menor, el alcance está más controlado y el valor es más evidente.

La diferencia real: no es la IA, es el planteamiento

Después de todo lo que hemos visto, la conclusión es bastante clara: la diferencia entre un chatbot que funciona y uno que no lo hace, no está en el modelo de inteligencia artificial sino een cómo se plantea el problema.

Los sistemas que funcionan bien tienen algo en común: están diseñados para resolver un caso concreto, tienen acceso a contexto relevante, están bien integrados en el producto y forman parte de un proceso continuo de mejora. Los que fallan, en cambio, suelen partir de una idea más superficial. Se construyen porque “hay que tener un chatbot”, sin una reflexión real sobre para qué sirve, cómo se va a usar, qué valor aporta o si realmente hace falta.

Reflexión final

Los chatbots son un buen ejemplo de cómo una tecnología puede fracasar en su implementación aunque la idea original sea buena. La automatización de conversaciones tiene sentido y la IA conversacional tiene un potencial enorme, pero su éxito no depende tanto de la tecnología como depende de las decisiones de producto, de entender cuando tiene sentido y cuando no y, sobre todo, de aceptar una realidad muy simple: la inteligencia artificial puede facilitar la ejecución, pero no sustituye el planteamiento y al diseño correcto de producto y del proceso.

Hay un tipo de tiendas que están empezando a aparecer en distintas partes del mundo, especialmente en entornos donde la tecnología, los pagos digitales y el retail llevan años evolucionando de forma conjunta. Uno entra, coge un producto, sale sin detenerse, sin interactuar con nadie y sin pasar por ningún tipo de caja, y la sensación inmediata es que está asistiendo a una especie de adelanto del futuro, una versión más limpia, más eficiente y aparentemente más inteligente de lo que siempre ha sido una tienda. En algunos casos incluso da la impresión de que el pago se ha realizado antes de comprar, porque todo el sistema está preparado desde el momento en que el usuario se identifica al entrar, ya sea mediante una app, un código o una cuenta vinculada, lo que elimina por completo la fricción del momento final.

Sin embargo, me llama la atención que cuando la gente ve este tipo de tiendas, habla de inteligencia artificial, únicamente porque suena a futurista, a robótica, a sustitución del factor humano y a automatización, y eso es lo que muchos entienden (erróneamente) por IA.

Suelo decir que la mayoría se queda mirando el dedo que señala, en lugar de prestar atención al punto al importante y al que deberíamos dirigir nuestra atención, porque lo que verdaderamente está ocurriendo no es la desaparición de la caja, sino la transformación de la tienda en un sistema capaz de observar, medir y aprender.

Durante décadas, el retail físico ha funcionado con una limitación estructural que pocas veces se ha cuestionado: la incapacidad de observar con precisión lo que ocurre dentro de la tienda. Las empresas sabían qué productos se vendían, podían analizar tickets, rotaciones y márgenes, pero todo lo que ocurría antes de la compra permanecía, en gran medida, invisible, lo que hacía que una parte enorme del proceso de decisión del cliente quedara fuera del alcance de cualquier análisis riguroso. No se sabía con exactitud qué productos se tocaban pero no se compraban, cuánto tiempo se detenía un cliente frente a una estantería, qué recorridos realizaba dentro del espacio o en qué momento decidía abandonar una compra, y esa falta de visibilidad, al contrario de lo que ocurría en el ecommerce, hacía que muchas decisiones, desde la colocación de productos hasta la definición de promociones, se apoyaran en la experiencia, en la intuición o en pruebas indirectas que rara vez captaban el comportamiento real.

En contraste, el mundo digital (ecommerce) llevaba años operando bajo una lógica completamente distinta, en la que cada interacción deja rastro, cada movimiento del usuario puede ser medido y cada decisión puede ser analizada con un nivel de detalle que permite optimizar de forma continua la experiencia y el resultado. En una web se sabe qué ves, cuánto tiempo lo miras, qué añades al carrito, qué descartas y en qué momento decides salir, y esa información no solo se recoge, sino que se convierte en la base de sistemas de recomendación, estrategias de pricing, campañas de marketing y decisiones de producto. La diferencia entre ambos mundos no era tanto tecnológica como informacional, porque mientras uno era opaco, el otro era completamente transparente.

Es precisamente esa diferencia la que empieza a desaparecer con la incorporación de inteligencia artificial en el retail físico, aunque no siempre se entienda así. Las cámaras, los sensores y los sistemas de visión por ordenador que se instalan en estas nuevas tiendas no tienen como objetivo principal eliminar al cajero, aunque esa sea la consecuencia más visible y mediática, sino capturar información, convertir el espacio físico en un entorno medible y traducir el comportamiento humano en datos que puedan ser analizados. De forma silenciosa y prácticamente invisible para el cliente, estos sistemas son capaces de registrar qué productos se cogen, cuáles se devuelven a la estantería, cuánto tiempo se permanece en determinadas zonas y cómo se desplazan las personas dentro de la tienda, y lo verdaderamente relevante no es la recogida aislada de estos datos, sino la capacidad de asociarlos a un contexto o, en algunos casos, a un usuario concreto, creando así un mapa completo de comportamiento.

Aquí conviene detenerse un momento, porque no todos los sistemas funcionan igual y esta diferencia es clave para entender tanto la tecnología como sus implicaciones.

Existen modelos en los que todo el análisis se realiza de forma anónima, utilizando cámaras y sensores para entender flujos, zonas calientes o interacciones sin identificar a la persona. Aquí no hablamos tanto de IA sino mayoritariamente de IoT (Internet of Things), sin vincular datos a individuos concretos. Es el modelo más habitual en Europa, donde la regulación limita el uso de datos personales sin consentimiento explícito.

Lo interesante es que, incluso en estos modelos aparentemente más cercanos al IoT, la inteligencia artificial sigue estando presente, aunque de forma menos evidente, porque no se trata solo de capturar datos, sino de interpretarlos. Las cámaras no “entienden” por sí solas qué está ocurriendo, sino que necesitan modelos de visión por ordenador capaces de identificar personas, seguir sus movimientos, detectar interacciones con productos y reconstruir lo que sucede dentro de la tienda a partir de múltiples señales. Es ahí donde la IA entra en juego: no en los sensores, sino en la capa que convierte ese flujo de datos en comportamiento comprensible y, sobre todo, en decisiones accionables.

Frente a este enfoque, existen modelos en los que el usuario se identifica voluntariamente, por ejemplo mediante una app o un código al entrar, lo que permite asociar comportamiento a un perfil concreto, aunque en este caso entran en juego requisitos mucho más estrictos relacionados con el consentimiento, la transparencia y el uso de los datos, especialmente bajo marcos como el GDPR.

Esta diferencia no es menor, porque define dos formas distintas de diseñar el retail con inteligencia artificial: una centrada en el comportamiento agregado y otra en la personalización individual, y refleja también una diferencia cultural y regulatoria más amplia entre regiones como Europa y China.

En entornos como el chino, donde identidad, pago y comportamiento están mucho más integrados dentro de ecosistemas digitales como los de Alibaba o Tencent, resulta más sencillo construir experiencias en las que todo está conectado y donde el sistema puede seguir al usuario de forma continua, mientras que en Europa ese tipo de integración está mucho más limitada, lo que obliga a diseñar soluciones donde la identidad y el comportamiento suelen estar parcialmente separados.

Sin embargo, incluso en el modelo anónimo, el valor que se genera es enorme, y aquí aparece una idea clave que muchas veces se pasa por alto: la recogida de datos no es solo un medio, es una ventaja en sí misma. Porque quien tiene más y mejores datos no solo entiende mejor lo que ocurre, sino que aprende más rápido, ajusta antes sus decisiones y termina construyendo una ventaja difícil de replicar, especialmente en un entorno donde cada interacción puede alimentar modelos que mejoran con el tiempo. No se trata únicamente de saber qué se vende, sino de entender cómo se toma cada decisión de compra, en qué contexto y bajo qué condiciones, lo que convierte a estas tiendas en algo más cercano a una infraestructura de generación de conocimiento que a un simple punto de venta.

En este punto resulta útil conectar con tecnologías que ya llevan años utilizándose en el retail, como el RFID en empresas como Zara, porque ayudan a entender que este camino no empieza de cero, sino que es una evolución.

El RFID, o identificación por radiofrecuencia, consiste en incorporar a cada prenda una etiqueta electrónica que emite información cuando es activada por un lector, permitiendo seguir cada unidad de producto a lo largo de toda la cadena, desde el almacén hasta la tienda, pasando por el probador y la caja. Esto permite a Zara saber en tiempo casi real dónde está cada prenda, cuántas unidades hay disponibles, qué ha entrado en tienda, qué ha salido, qué se está probando y qué se ha vendido, eliminando gran parte de la incertidumbre en la gestión de inventario.

Lo interesante del RFID no es solo la eficiencia operativa, sino la velocidad de información que aporta, porque permite detectar patrones casi en tiempo real y reaccionar con rapidez, ajustando reposiciones, retirando productos o adaptando la oferta según lo que ocurre en tienda. Sin embargo, el RFID tiene una limitación clara: sigue productos, no personas, lo que significa que permite entender qué ocurre con una prenda, pero no necesariamente quién la ha cogido, cómo ha llegado hasta ella o qué recorrido ha seguido dentro del espacio. Este matiz es importante, porque explica por qué la siguiente evolución pasa por incorporar sistemas capaces de entender el comportamiento humano, no solo el movimiento de los productos.

De hecho, empresas como Decathlon o el propio grupo Inditex llevan tiempo experimentando con sistemas que permiten capturar parte de estas interacciones, ya sea mediante sensores, RFID o combinaciones de tecnologías que ayudan a entender cuándo un cliente coge un artículo, cuánto tiempo lo examina y si finalmente lo compra o lo devuelve a su lugar, lo que demuestra que la industria lleva años intentando reducir la opacidad del espacio físico. La diferencia es que ahora, con la inteligencia artificial y la visión por ordenador, esa capacidad se vuelve mucho más precisa, más rica en contexto y, sobre todo, más accionable.

Cuando se combinan todas estas capas, el cambio que se produce es profundo, porque la tienda deja de ser un espacio donde simplemente ocurren transacciones y pasa a ser un sistema capaz de observar, aprender y optimizar de forma continua. De repente, preguntas que antes eran difíciles o imposibles de responder empiezan a tener una base empírica: en qué punto del recorrido es más probable que un cliente coja una bebida, junto a qué productos, en qué momento del día o bajo qué condiciones, y esa información permite ajustar desde la colocación en tienda hasta estrategias de pricing dinámico, promociones o gestión de stock.

En este nuevo contexto, los productos dejan de ser únicamente unidades vendidas para convertirse en señales dentro de un sistema más amplio, donde cada interacción aporta información que puede utilizarse para mejorar decisiones futuras, ya sea optimizando su ubicación, ajustando su precio en función de la demanda o entendiendo en qué contexto se consume más. Esto abre la puerta a una forma de gestionar el retail mucho más cercana a la lógica del entorno digital, donde todo se mide, todo se experimenta y todo se ajusta en función de los datos.

Por eso, describir estas tiendas como “tiendas sin cajeros” resulta, en el fondo, una simplificación excesiva que pone el foco en lo visible pero no en lo importante. El cajero es el elemento que desaparece, pero no es el elemento que define el cambio, porque el verdadero cambio es que la tienda física deja de ser ciega y empieza a ver, y cuando un sistema es capaz de ver, medir y aprender, deja de ser un espacio estático para convertirse en una plataforma dinámica, capaz de adaptarse de forma constante al comportamiento de sus usuarios.

Esta es la misma lógica que ha impulsado durante años a las grandes plataformas digitales, donde la ventaja no reside únicamente en vender productos, sino en entender cómo se comportan los clientes y utilizar esa información para optimizar cada parte del proceso. Lo que estamos empezando a ver ahora es la extensión de esa lógica al mundo físico, con todas las implicaciones que eso conlleva, tanto a nivel de negocio como a nivel de regulación y diseño de sistemas.

Por eso, cuando alguien entra en una de estas tiendas y se queda con la idea de que no hay que pagar, se está quedando con una parte muy pequeña de la historia, está mirando el dedo. El punto al que señala ese dedo es otro, y se puede resumir en una idea que define todo este cambio: el cambio no es que desaparezca la caja, el cambio es que la tienda física empieza a comportarse como una web, donde todo se mide, todo se optimiza y todo se puede predecir, y cuando eso ocurre, lo que se transforma no es únicamente la experiencia de compra, sino la forma en la que las empresas entienden, gestionan y diseñan el propio negocio.

Cuando la gente habla de Nvidia se suele referir a ella como “el mayor fabricante de chips del mundo”, pero lo que muchos no saben es que Nvidia no fabrica chips. Solo los diseña.

La fabricación ocurre en otra parte, en una empresa que no presenta productos en un escenario, ni ocupa titulares y que, sin embargo, condiciona de manera directa lo que es posible construir y lo que no dentro de la industria de la IA.

Durante bastantes años se dio por hecho que el valor de un chip estaba principalmente en el diseño, en la capacidad de crear arquitecturas cada vez más complejas, pero, en realidad, el problema más difícil de resolver ha sido siempre su fabricación.

La industria de los semiconductores antes funcionaba así: las empresas más importantes eran aquellas que diseñaban y fabricaban sus propios chips, teniendo bajo su mismo techo la innovación y el proceso industrial. Intel era probablemente el ejemplo más conocido de este tipo de empresa.

Sin embargo, a medida que la tecnología avanzaba, fabricar chips comenzó a ser más exigente, no solo desde el punto de vista económico, sino también técnico. Cada nueva generación implicaba trabajar a escalas cada vez más pequeñas, hasta el punto de que las unidades con las que se mide esa evolución, los nanómetros, empiezan a resultar hasta difíciles de imaginar.

Vamos a ponerlo en contexto para que se entienda bien: un nanómetro es la milmillonésima parte de un metro. Un glóbulo rojo mide en torno a 7.000 nanómetros de diámetro y un nodo avanzado de un chip puede tener de 3 a 5 nm. Es decir, que las estructuras de un chip son más de mil veces más pequeñas que un glóbulo rojo (sí, has leído bien…). Y además, no se trata simplemente de reducir tamaño, sino de hacerlo con un nivel de precisión extremo, en condiciones controladas y con un margen de error prácticamente nulo.

Con esta dificultad, fabricar chips empezó a requerir inversiones cada vez mayores, instalaciones muy complejas y un nivel de especialización que hacía cada vez más difícil sostener el modelo tradicional. No todas las empresas podían permitirse seguir ese ritmo, y, por ello, muchas empezaron a subcontratar la fabricación. Así comenzó una era marcada por la aparición de lo que hoy se llama “modelo fabless”, es decir, empresas que se centraban exclusivamente en el diseño de chips, renunciando por completo a su fabricación y subcontratándola.

Compañías como Nvidia, Qualcomm o AMD operan así. Su actividad principal consiste en diseñar arquitecturas cada vez más sofisticadas, mientras que la fabricación queda en manos de terceros.

Sobre el papel, esto permitía concentrar recursos en la parte más creativa y diferenciadora del proceso. El problema era quién querría renunciar al diseño para quedarse únicamente con la parte más costosa, más compleja y, en apariencia, menos visible del proceso. Y, sin embargo, esa es exactamente la decisión que tomó Morris Chang, el fundador de TSMC.

Morris había pasado buena parte de su carrera en Estados Unidos, en empresas donde el modelo integrado era la norma, y conocía bien tanto sus ventajas como sus limitaciones. Precisamente por eso, su planteamiento no consistía en competir dentro de ese sistema, sino en reorganizarlo.

Cuando se instaló de vuelta en Taiwán a mediados de los años ochenta, decidió construir una empresa que no diseñara chips, que no compitiera con sus clientes y que se dedicara exclusivamente a fabricarlos para terceros. Era extraño pero su conocimiento del sector hizo que a él no le pareciera una idea descabellada.

La apuesta (TSMC)

La idea sobre la que se construye TSMC no era especialmente compleja en su planteamiento, pero era compleja en las implicaciones que tenía. Se trataba, básicamente, de separar el diseño y la fabricación de semiconductores, asumiendo que podían convertirse ser actividades independientes y, lograr que esa separación podía ser más eficiente que el modelo tradicional.

Si lo pensamos bien, la decisión de Morris suponía renunciar a una parte importante del negocio. Una empresa que no diseña chips no controla el producto final, no marca el ritmo de la innovación y depende completamente de las decisiones de otros. Y a la vez, asumir la mayor parte de la inversión, construir las instalaciones más complejas y operar en el tramo más exigente de toda la cadena… y, aún así, estar “en la sombra”. No era, por tanto, una posición cómoda y tampoco estaba muy claro que fuese sostenible en el tiempo.

Antes de nada, para que el modelo funcionara, necesitaban que otras empresas confiaran en que podían externalizar una parte tan crítica de su negocio, y que, además, estuvieran dispuestas a compartir sus diseños con un tercero. Esto requería algo más que capacidad técnica. Requería generar un nivel de confianza que, en ese momento, no existía dentro de la industria.

La decisión de Morris Chang fue precisamente esa: TSMC no competiría con sus clientes. No desarrollaría productos propios. No utilizaría la información a la que tenía acceso para avanzar en otra dirección. Su papel sería estrictamente industrial, pero llevado al extremo de la especialización.

Esa posición, que podía parecer una locura al principio, fue la que acabaría convirtiéndose en su principal ventaja. Al no diseñar chips, TSMC podía trabajar con múltiples clientes sin entrar en conflicto con ellos, acumular conocimiento sobre procesos de fabricación a una escala que ninguna empresa integrada podía igualar y concentrar todos sus recursos en un único objetivo: mejorar, generación tras generación, la capacidad de fabricar estructuras cada vez más pequeñas y más precisas.

Lo que hasta entonces había sido una parte subordinada del proceso, la fabricación, comienza a adquirir un peso creciente, no tanto por visibilidad, sino por dificultad. Y, a medida que esa dificultad aumenta, hay pocas empresas que estén a la altura.

Lo que empieza como una decisión para simplificar el modelo (que unas empresas diseñen y otras fabriquen) termina teniendo una consecuencia que no era tan evidente al principio. A medida que la fabricación se vuelve más compleja, más cara y más difícil de replicar, deja de ser una parte intercambiable del proceso y se convierte en su punto más crítico. En ese momento, las empresas que han decidido centrarse únicamente en el diseño no solo han reducido su complejidad operativa, sino que también han renunciado a desarrollar una capacidad que, con el tiempo, resulta casi imposible recuperar.

Eso es exactamente lo que ocurre con TSMC. Al asumir de forma exclusiva la parte más exigente del proceso, no solo evita competir con sus clientes, sino que también se sitúa en un punto donde la competencia es cada vez más limitada. No porque no haya interés en competir, sino porque el nivel de inversión, conocimiento y precisión necesario para hacerlo se vuelve inalcanzable para la mayoría.

El punto de inflexión

La industria no cambia de un día para otro. Sin embargo, de manera gradual, algunas empresas empiezan a creer en esa separación entre diseño y fabricación como una forma de estar en un mercado muy exigente. Muchas empresas empiezan a apoyarse en TSMC para no tener que fabricar.

TSMC, además de tener cada vez más clientes, empieza a profesionalizarse y especializarse cada vez más. Los chips cada vez requieren más inversión, pero también coordinar procesos muy complejos, desde la litografía hasta el control de materiales. Esa acumulación de conocimiento, que no se adquiere de la noche a la mañana ni se puede imitar fácilmente, por lo que empieza a marcar una diferencia para TSMC.

La escalada

La industria no se estabiliza, sino que cada nueva generación de chips exige más que la anterior, no solo en términos de inversión, sino también en precisión, coordinación y control de procesos. La reducción del tamaño de los transistores, medida en nanómetros, deja de ser una simple evolución incremental y pasa a convertirse en un desafío enorme que roza los límites físicos.

Ya hemos visto que trabajar en esas escalas implica hablar de nanómetros. Un cabello humano tiene alrededor de 80.000 nanómetros de grosor y estamos hablando de que en los chips más avanzados, las estructuras que se dibujan están en el entorno de los 3 a 5 nanómetros.

A ese nivel, fabricar no consiste únicamente en “hacer cosas pequeñas”. Los materiales no se comportan igual, los efectos físicos cambian y cualquier mínima variación puede alterar el resultado. Lo complicado no es solo alcanzar ese tamaño, sino hacerlo de forma repetida, millones de veces, con una precisión casi absoluta.

Es ahí donde entra la litografía, que, en esencia, es el proceso mediante el cual se “dibujan” los circuitos sobre una oblea de silicio (esa oblea es lo que le da el nombre de “chips”). La idea es relativamente sencilla de entender: se utiliza luz para proyectar un patrón, como si fuera una especie de plantilla extremadamente precisa, sobre una superficie fotosensible. Ese patrón se transfiere después al material, capa a capa, hasta formar el chip completo.

El problema es que, para poder dibujar estructuras cada vez más pequeñas, la luz que se utiliza también tiene que ser cada vez más precisa. Y llega un punto en el que la luz convencional deja de ser suficiente. Es ahí donde aparece la litografía ultravioleta extrema, que utiliza una longitud de onda mucho más corta para poder seguir reduciendo el tamaño de los componentes.

Sin embargo, disponer de esa tecnología no significa que sea fácil utilizarla. Integrarla en un proceso de fabricación implica coordinar cientos de pasos, trabajar en entornos completamente controlados y operar sin margen de error. Cada avance no es solo una mejora, sino una reconfiguración de todo el sistema… una vuelta a empezar. No es solo una cuestión de recursos, sino de experiencia acumulada y de acceso a tecnologías que no están disponibles para cualquiera.

La pieza que falta: ASML

Todo ese proceso depende de algo más: de las máquinas que hacen posible esa precisión. Porque fabricar chips no consiste únicamente en tener el conocimiento o las instalaciones adecuadas, sino en disponer de herramientas capaces de operar en ese nivel de detalle.

Esas herramientas son sistemas extremadamente complejos, diseñados para trabajar con una precisión que se mide en nanómetros y en condiciones en las que cualquier vibración, cualquier partícula o cualquier desviación puede alterar el resultado. No se trata de máquinas industriales normales, sino de infraestructuras completas que integran óptica, física, materiales y software en un único sistema.

En ese punto aparece otro elemento clave dentro de esta historia. Una empresa que no diseña chips, que tampoco los fabrica, pero que construye las únicas máquinas capaces de hacer posible todo lo anterior.

Esa empresa es ASML. No es una compañía especialmente conocida fuera del sector, ni suele aparecer en las conversaciones sobre tecnología, pero su papel dentro del mundo de los semiconductores es clave. ASML es, en la práctica, la única empresa capaz de fabricar las máquinas necesarias para trabajar con litografía ultravioleta extrema, el proceso del que dependen los nodos más avanzados.

Cada una de esas máquinas requiere años de investigación, cientos de proveedores y la integración de tecnologías que, por sí solas, ya son muy complejas. Esto introduce una dependencia extrema porque aunque una empresa tenga la capacidad de diseñar chips avanzados, y aunque exista otra capaz de fabricarlos, todo ese proceso depende, en última instancia, de que esas máquinas existan y estén disponibles.

Es ahí donde el sistema se cierra. TSMC no solo fabrica para las principales empresas del sector, sino que lo hace utilizando una tecnología que no controla completamente, pero de la que depende de forma directa. Y, al mismo tiempo, esas empresas dependen de TSMC para materializar sus diseños.

Diseñar, fabricar y hacer posible esa fabricación dejan de ser funciones independientes y pasan a formar parte de un sistema en el que el margen para replicar cualquiera de esos elementos es cada vez más reducido.

Cuando todo empieza a tener sentido

Durante años, toda esta estructura (empresas que diseñan, otras que fabrican, y otras que hacen posible esa fabricación) podía parecer simplemente un modelo que funcionaba bien, pero que, en el fondo, seguía siendo relativamente invisible para la mayoría.

Sin embargo, en el momento en que la inteligencia artificial comienza a exigir una capacidad de cálculo cada vez mayor, ese sistema deja de ser un detalle técnico y pasa a convertirse en un elemento central.

El mercado de los chips es un cadena en la que cada eslabón se ha ido especializando hasta el punto de volverse difícilmente sustituible. Así que lo que comenzó como una decisión para simplificar la industria (separar diseño y fabricación) ha terminado dando lugar a una estructura bastante más compleja, en la que cada parte depende de la otra de una forma difícil cambiar.

La historia de ASML