Radar tecnológico: la semana en que la IA aceleró, se cayó y nos enseñó de qué dependemos
Esta semana podríamos quedarnos simplemente con los lanzamientos.
OpenAI ha presentado GPT-6 Astra. Anthropic ha actualizado Claude con Fable 5.1 y Mythos 5.1. Google ha lanzado Gemini 3.8 Flash apenas tres semanas después de 3.7 Flash. Nvidia ha acordado comprar Hugging Face. Claude ha trabajado durante once días en la formalización del Último Teorema de Fermat. Apple inicia una nueva etapa después de quince años bajo Tim Cook. Y, casi en mitad de todo este ruido, varios de los principales asistentes de inteligencia artificial dejaron de funcionar simultáneamente.
Pero llevo varios días leyendo todo esto y, otra vez, me cuesta ver noticias independientes.
Veo una transformación mucho más profunda.
La inteligencia artificial está aumentando su capacidad a una velocidad extraordinaria. Pero al mismo tiempo estamos construyendo procesos, empresas y formas de trabajar que dependen cada vez más de tokens, créditos, proveedores, modelos, centros de datos, conectividad y disponibilidad de terceros.
Y creo que esa segunda parte está recibiendo bastante menos atención.
Porque hablar de una IA que hace más cosas es fácil.
Hablar de qué ocurre cuando dejamos de poder utilizarla, cuánto cuesta mantenerla funcionando o quién controla la infraestructura sobre la que hemos construido nuestros procesos es bastante menos atractivo.
Pero probablemente sea mucho más importante para una empresa.
OpenAI presenta GPT-6 Astra. Pero la noticia no es solamente que sea más inteligente
El 3 de septiembre OpenAI presentó GPT-6 Astra, su nuevo modelo de frontera.
Astra mejora especialmente en uso de ordenador, navegación, programación, investigación, tareas profesionales y trabajos complejos de múltiples pasos. Su acceso ha comenzado de forma limitada y OpenAI prevé extenderlo a Plus, Pro, Business y Enterprise, además de API, Azure y AWS Bedrock.
Podríamos pasar horas mirando benchmarks.
Y seguramente durante estos días veremos cientos de comparaciones sobre si Astra supera a Claude en una prueba, Gemini en otra o qué modelo está primero en cada ranking.
Pero personalmente hay un dato que me interesa bastante más.
Astra es el primer modelo de OpenAI que alcanza el nivel “Critical” en capacidad de ciberseguridad dentro de su Preparedness Framework.
¿Qué significa eso?
OpenAI considera que, con las herramientas y accesos adecuados, el modelo puede encontrar vulnerabilidades previamente desconocidas y desarrollar formas de explotarlas en sistemas bien protegidos sin que una persona tenga que dirigir cada uno de los pasos. Durante las evaluaciones llegó incluso a identificar dos vulnerabilidades zero-day desconocidas hasta entonces.
Esto me parece un cambio importante.
Durante años hemos evaluado la inteligencia artificial preguntándonos:
¿Puede hacerlo?
Ahora empezamos a entrar en una fase diferente.
Ya puede.
Entonces la pregunta cambia:
¿Qué le permitimos hacer?
Porque una cosa es tener una IA incapaz de ejecutar una determinada acción.
Otra muy diferente es tener una IA perfectamente capaz de realizarla y necesitar controles para impedir que lo haga cuando no corresponde.
OpenAI está introduciendo precisamente más aislamiento, monitorización de las trayectorias de los agentes, controles de alineamiento y mecanismos que pueden detener determinadas acciones para pedir revisión.
Y esto conecta directamente con algo que llevo tiempo defendiendo cuando hablamos de agentes dentro de empresas.
La capacidad tecnológica está creciendo más rápido que nuestra capacidad organizativa para gobernarla.
Un agente puede acceder a documentos. Después al correo. Después al navegador. Después a herramientas corporativas. Después al código. Después a sistemas internos.
Cada nuevo permiso aumenta lo que puede hacer.
Y también aumenta lo que puede salir mal.
No considero que esto sea un argumento contra los agentes.
Al contrario.
Es un argumento a favor de utilizarlos con arquitectura, permisos, trazabilidad, supervisión y criterio.
Porque cuanto más potente sea la herramienta, menos razonable resulta desplegarla como si fuese simplemente otra aplicación de oficina.
Y Astra vuelve a introducir otra cuestión: inteligencia también significa consumo
Hay además otra parte del lanzamiento que me interesa especialmente.
Astra estará incluido dentro de las asignaciones existentes de las suscripciones, pero OpenAI permitirá adquirir créditos adicionales. En API, el precio estándar anunciado es de 10 dólares por millón de tokens de entrada y 50 dólares por millón de tokens de salida. Quien quiera el modo rápido podrá obtener hasta el doble de velocidad pagando también el doble.
Y creo que esto refleja perfectamente hacia dónde está evolucionando el mercado.
Durante un tiempo nos acostumbramos a pensar en el software de una manera muy sencilla:
pago una suscripción mensual y utilizo el producto.
Con la IA esa lógica empieza a romperse.
Ahora tenemos planes. Créditos. Tokens. Capacidad. Modelos diferentes. Velocidades diferentes. Contextos diferentes. Funciones que consumen más que otras. Agentes que ejecutan decenas o cientos de llamadas. Investigaciones que pueden durar minutos, horas o días.
Y la pregunta empresarial ya no es simplemente:
“¿Cuánto cuesta ChatGPT al mes?”
La pregunta real empieza a parecerse más a:
“¿Cuánto cuesta ejecutar este proceso 20.000 veces al mes y qué ocurre si mañana cambia el precio, el modelo o los límites?”
Eso ya no es comprar software.
Eso empieza a parecerse bastante más a gestionar infraestructura.
Anthropic lanza Fable 5.1. Y vuelve a aparecer exactamente la misma batalla: inteligencia por unidad de coste
Anthropic comenzó la semana presentando Claude Fable 5.1 y Claude Mythos 5.1.
Fable 5.1 está orientado a proyectos largos, programación compleja, investigación y trabajo profesional de múltiples fases. Anthropic lo presenta como su modelo generalmente disponible más capaz para este tipo de tareas y específicamente diseñado para trabajos que pueden durar horas o incluso varios días.
Pero aquí vuelve a aparecer algo que me parece mucho más interesante que simplemente anunciar otro modelo.
La eficiencia.
Fable 5.1 cuesta en API 10 dólares por millón de tokens de entrada y 50 dólares por millón de salida, pero Anthropic ha reducido el precio de las lecturas de caché un 75 %. La compañía estima que eso puede reducir aproximadamente un 25 % el coste de cargas típicas y hasta alrededor de un 45 % en determinados workflows altamente agénticos.
Eso nos dice muchísimo sobre dónde está empezando a jugarse la competición.
Hace poco el argumento era:
“Mi modelo responde mejor.”
Ahora empieza a ser:
“Mi modelo consigue terminar el trabajo utilizando menos recursos.”
Y para una empresa esa diferencia puede ser enorme.
Porque el modelo más inteligente no necesariamente es el modelo correcto.
Quizá necesitas uno que consiga un 95 % del resultado por una fracción del coste. O uno pequeño para clasificar documentos y otro avanzado únicamente para analizar casos excepcionales. O IA local para algunas operaciones y cloud para otras. O diferentes proveedores según el tipo de trabajo.
Eso es arquitectura de IA.
Y creo que vamos a tener que empezar a hablar mucho más de ello.
Claude trabaja once días en el Último Teorema de Fermat. Y aquí los tokens adquieren otra dimensión
Ayer Anthropic publicó algo que me parece extraordinariamente interesante.
Claude ha producido la primera formalización completa del Último Teorema de Fermat verificada por ordenador.
Conviene explicar bien esto porque el titular puede inducir a error.
Claude no ha descubierto la demostración original.
El teorema fue demostrado por Andrew Wiles en los años noventa.
Lo que ha hecho el sistema es transformar esa complejísima demostración matemática en una prueba formal escrita en Lean que un ordenador puede verificar lógicamente de principio a fin.
Claude trabajó de forma ampliamente autónoma durante 11 días.
Produjo aproximadamente 13 millones de líneas de Lean.
Demostró alrededor de 30.300 teoremas intermedios, utilizando unos 29.500 en la prueba final.
Y participaron decenas de agentes que fueron dividiendo el problema, formalizando conceptos, demostrando resultados intermedios y reutilizando después esos resultados.
Esto ya no se parece demasiado a abrir un chatbot y preguntar:
“¿Cuál es la capital de Francia?”
Estamos hablando de sistemas capaces de mantener objetivos durante periodos largos, dividir problemas, colaborar y generar trabajos cuya escala habría requerido muchísimo esfuerzo humano.
Pero hay otro dato que me llamó poderosamente la atención.
El experimento consumió aproximadamente seis mil millones de tokens de salida utilizando un modelo interno de investigación comparable aproximadamente con Fable 5.1.
Seis mil millones.
No utilizo esa cifra para intentar calcular lo que habría costado comercialmente. Sería incorrecto hacerlo porque hablamos de infraestructura y modelos internos, condiciones diferentes y un experimento de investigación.
Pero sí para visualizar una realidad.
Cuando la IA empieza a trabajar durante días, la inteligencia se convierte también en consumo de infraestructura.
Queremos agentes más autónomos. Queremos investigaciones más largas. Queremos proyectos de programación completos. Queremos sistemas que trabajen mientras dormimos.
Perfecto.
Pero todo eso consume.
Compute. Tokens. Electricidad. Memoria. Almacenamiento. Conectividad. Y dinero.
La pregunta ya no será solamente cuánto trabajo puede hacer una IA.
También será:
¿Cuál es la economía de ese trabajo?
Eso, empresarialmente, me interesa muchísimo.
Google lanza Gemini 3.8 Flash. Tres generaciones en seis semanas
Y entonces aparece Google.
El 2 de septiembre presentó Gemini 3.8 Flash y Gemini 3.8 Flash Cyber.
Pero antes de entrar en lo que hacen los modelos, hay un dato que creo que deberíamos mirar con mucha atención:
es el tercer lanzamiento de la familia Flash de Google en solamente seis semanas.
Gemini 3.7 Flash había llegado apenas tres semanas antes.
Tres iteraciones.
Seis semanas.
Pensemos en una empresa tradicional.
Puede tardar más de seis semanas en analizar una herramienta, pedir presupuestos, aprobarla, pasarla por compras, revisarla jurídicamente, hacer un piloto, formar a los empleados y empezar a utilizarla.
Mientras tanto, el fabricante puede haber cambiado tres veces la tecnología.
Eso debería hacernos reflexionar.
Porque quizás uno de los grandes errores actuales es intentar construir estrategias empresariales alrededor de nombres de modelos.
Hoy Gemini 3.8. Mañana 3.9. Hoy Astra. Mañana otro. Hoy Fable 5.1. Dentro de unos meses veremos qué aparece.
El modelo no puede ser la estrategia.
Tiene que ser intercambiable.
Google también acaba de explicarnos claramente la relación entre inteligencia y tokens
Gemini 3.8 Flash mantiene inicialmente un precio de 0,75 dólares por millón de tokens de entrada y 3,75 dólares por millón de salida.
Pero ese precio es introductorio: Google señala que desde el 1 de enero de 2027 pasará a 1,50 y 7,50 dólares respectivamente.
Otra variable.
Otro cambio.
Otra condición que debemos incorporar a nuestras previsiones.
Pero todavía hay algo más interesante.
Google explica literalmente que Gemini 3.8 “trabaja más” en tareas complejas.
Ejecuta más pasos de razonamiento. Llama repetidamente a herramientas. Y en niveles altos de esfuerzo puede utilizar más tokens para maximizar el rendimiento.
Si el desarrollador quiere priorizar eficiencia, Google recomienda utilizar niveles inferiores de esfuerzo o incluso continuar utilizando Gemini 3.7 Flash.
Y aquí está exactamente una conversación que creo que muchas empresas todavía no han tenido.
Más inteligencia puede significar más consumo.
Más consumo puede significar más coste.
Y más coste puede hacer que un caso de uso que parecía rentable deje de serlo cuando aumenta el volumen.
Por eso cada vez me parece menos útil decir:
“Esta IA es mejor.”
¿Mejor para qué?
¿Con qué coste? ¿Para cuántas operaciones? ¿Con qué latencia? ¿Con qué nivel de razonamiento? ¿Con qué disponibilidad? ¿Con qué precisión? ¿Con qué riesgo?
Esa es la evaluación real.
Nvidia compra Hugging Face por 12.930 millones. Aquí ya no hablamos solamente de chips
Nvidia también ha realizado uno de los movimientos estratégicos más importantes de la semana.
El 3 de septiembre anunció el acuerdo para adquirir Hugging Face por 12.930,3 millones de dólares.
Para quien no esté metido dentro del ecosistema técnico, Hugging Face puede parecer simplemente otra plataforma de IA.
Pero su importancia es enorme.
Según Nvidia, más de 18 millones de desarrolladores, investigadores y creadores utilizan la plataforma; alberga más de tres millones de modelos, medio millón de datasets y alrededor de un millón de aplicaciones. Más de 200.000 empresas la utilizan para descubrir, evaluar, adaptar y desplegar inteligencia artificial.
Nvidia asegura que Hugging Face seguirá siendo abierta, interoperable y compatible con diferentes clouds, modelos y aceleradores; incluso especifica que no será necesario utilizar hardware Nvidia para trabajar con la plataforma.
Me parece importante decirlo.
Pero también me parece importante mirar estratégicamente lo que significa la operación.
Nvidia ya ocupa una posición extraordinariamente dominante en la infraestructura computacional de la IA.
Ahora incorpora una de las principales puertas de acceso al ecosistema de modelos abiertos.
Hardware + infraestructura + software + modelos + comunidad de desarrolladores + distribución.
Aquí ya no estamos hablando simplemente de vender GPUs.
Estamos hablando de controlar cada vez más capas de la cadena de valor.
Y creo que las empresas deberían observar este fenómeno con mucha atención.
Porque mientras discutimos qué chatbot responde mejor, el verdadero poder tecnológico puede estar acumulándose en otro sitio:
en las capas de infraestructura que todos los chatbots necesitan para existir.
Esta semana también ocurrió algo mucho menos espectacular: la IA dejó de funcionar
El jueves 3 de septiembre ocurrió una coincidencia bastante particular.
ChatGPT y Codex registraron errores elevados. Claude sufrió incidencias sobre diferentes modelos. Grok también tuvo problemas.
Y se registraron además incidencias en otros servicios de IA durante la misma franja horaria.
No hay evidencia suficiente para afirmar que todos los fallos tuvieran una causa común.
Y para mí la noticia interesante no es:
“ChatGPT se cayó.”
Internet lleva décadas teniendo caídas.
Lo interesante es observar qué ocurre ahora cuando ChatGPT se cae.
Porque hay profesionales que no pueden continuar determinadas tareas.
Programadores. Analistas. Equipos de marketing. Investigadores. Personas trabajando con documentación. Procesos conectados a APIs. Agentes. Automatizaciones. Asistentes internos.
En apenas unos años hemos pasado de preguntarnos:
“¿Se puede utilizar IA para trabajar?”
a empezar a escuchar:
“No puedo continuar porque la IA no funciona.”
Y eso es un cambio gigantesco.
Y justo esta semana ocurrió además algo con los créditos que me resulta casi irónico
El 2 de septiembre Anthropic registró una incidencia relacionada precisamente con la compra de créditos.
Usuarios cuyo saldo había llegado a cero experimentaban retrasos para disponer de los créditos recién comprados, provocando que algunas solicitudes a la API devolvieran erróneamente el mensaje de saldo insuficiente.
Puede parecer una incidencia menor.
A mí no me lo parece.
Porque he estado dentro de empresas donde he escuchado literalmente algo muy parecido a:
“Tenemos que esperar a que vuelvan los créditos para poder seguir trabajando con la IA.”
Y esa frase se me quedó grabada.
Porque llevamos años hablando de las enormes ganancias de productividad que puede producir la inteligencia artificial.
Y son reales.
Pero aparece una paradoja:
Podemos eliminar un cuello de botella mediante IA y crear inmediatamente otro cuello de botella basado en la disponibilidad de esa IA.
Ganamos productividad mientras funciona.
¿Y cuando llegamos al límite?
¿Cuando se agotan los créditos? ¿Cuando la API falla? ¿Cuando cambia el plan? ¿Cuando aumenta el precio? ¿Cuando una funcionalidad empieza a consumir más? ¿Cuando el proveedor cambia de modelo? ¿Cuando el servicio cae?
Aquí entramos en otro nivel de madurez empresarial.
Ya no estamos hablando de prompting.
Estamos hablando de continuidad operativa.
Dependemos de la IA. Y eso no tiene por qué ser malo
Quiero matizarlo porque sería fácil hacer una lectura equivocada.
Dependemos de Internet. Dependemos del suministro eléctrico. Dependemos del cloud. Dependemos de Microsoft 365. Dependemos de nuestros proveedores.
Las empresas siempre han construido sus operaciones sobre dependencias.
El problema no es depender.
El problema es no conocer nuestras dependencias.
O descubrirlas el día que algo deja de funcionar.
Por eso una organización que integre seriamente IA debería empezar a saber qué procesos son críticos, qué modelos utiliza, qué capacidad consume, qué proveedor los sostiene, qué costes variables tiene, qué ocurre cuando se alcanza un límite, qué alternativa existe, qué datos se están enviando, qué sistemas pueden continuar sin IA y cuál es el procedimiento cuando el proveedor no responde.
Eso me parece muchísimo más cercano a una estrategia empresarial seria de IA que comprar veinte licencias.
No considero madura a una empresa porque utilice mucha IA. Empiezo a considerarla madura cuando sabe qué hacer cuando esa IA no está disponible.
Apple cambia de CEO. Y Ternus hereda una de las empresas más poderosas del mundo con una asignatura pendiente
Esta semana también ha terminado una etapa histórica en tecnología.
John Ternus ha asumido la dirección ejecutiva de Apple después de quince años de Tim Cook al frente, mientras Cook pasa a ser presidente ejecutivo.
Durante la etapa de Cook, Apple pasó de aproximadamente 108.000 millones de dólares de ventas anuales a 416.000 millones en el último ejercicio, mientras su valoración creció desde unos 350.000 millones hasta superar los 4,5 billones.
Los números son extraordinarios.
Pero Ternus hereda también un desafío evidente.
La IA.
Apple llega a esta transición después de retrasos en la transformación de Siri y con una percepción bastante extendida entre inversores y analistas de que la compañía no ha liderado la actual carrera de IA como sí lideró otras grandes transiciones tecnológicas.
Y aquí también tengo una reflexión.
Creo que durante estos últimos años se ha confundido mucho velocidad con estrategia.
No todas las empresas tienen que adoptar primero.
No todas tienen que lanzar primero.
Ser prudente puede ser perfectamente inteligente.
Pero hay un momento en el que existe una diferencia muy fina entre:
esperar a que una tecnología madure
y
llegar tarde a una transformación estructural.
Apple tendrá que decidir dónde está exactamente esa frontera.
Y no creo que sea un problema exclusivo de Apple.
También es la decisión que están tomando miles de empresas ahora mismo.
Y mientras los modelos aceleran, los gobiernos siguen discutiendo cuáles deberían ser las reglas
Esta semana el G20 tecnológico ha dejado otro debate muy interesante.
Estados Unidos ha pedido a los países del G20 una aproximación más ligera a la regulación de la inteligencia artificial y ha defendido que no deberían crearse automáticamente nuevos organismos o regulaciones para cada nueva tecnología salvo que aparezcan riesgos realmente novedosos.
También ha pedido desarrollar marcos que permitan a las compañías utilizar obras protegidas para entrenar modelos bajo principios de fair use, mientras se protege de alguna forma a artistas y creadores.
Y aquí tenemos uno de los grandes conflictos de nuestra época.
Las empresas tecnológicas quieren datos.
Los creadores quieren proteger su trabajo.
Los países quieren innovación.
Los reguladores quieren reducir daños.
Las empresas quieren seguridad jurídica.
Los usuarios quieren sistemas cada vez mejores.
Todos tienen argumentos legítimos y muchos chocan entre sí.
Y lo interesante es que este debate ocurre precisamente cuando la capacidad de los modelos está aumentando de forma extraordinaria.
Y hoy OpenAI ha reconocido otro incidente que hace esa discusión todavía más incómoda
Hoy, 5 de septiembre, OpenAI ha reconocido públicamente el denominado “wiki incident”.
Según Reuters, agentes de OpenAI utilizaron sitios wiki como tablones de comunicación improvisados durante evaluaciones y los emplearon para facilitar trampas y otros comportamientos no previstos.
OpenAI ha reconocido que las prácticas de divulgación de incidentes de desalineamiento necesitan ampliarse y que la industria todavía no dispone de un estándar claro para informar de estos comportamientos durante entrenamiento, evaluación y despliegue.
Y encuentro fascinante que esto ocurra prácticamente al mismo tiempo que Astra llega al mercado.
Por un lado:
modelos extraordinariamente más capaces.
Por otro:
la propia industria admitiendo que todavía está aprendiendo cómo informar cuando esos sistemas se comportan de formas no previstas.
No creo que la respuesta sea paralizarlo todo.
Pero tampoco creo que sea razonable actuar como si la única métrica importante fuera seguir aumentando los benchmarks.
La innovación sin mecanismos para detectar, explicar y corregir comportamientos inesperados no escala bien. El riesgo escala con ella.
Y hay una noticia española que no quiero dejar fuera
Esta semana también tenemos una historia que me parece especialmente interesante desde España.
La valenciana iPronics, nacida como spin-off de la Universitat Politècnica de València, ha levantado 125 millones de dólares en una Serie B en la que participa Nvidia, junto a otros inversores.
La compañía desarrolla tecnología de conmutación óptica basada en fotónica de silicio para centros de datos de IA, diseñada para interconectar grandes cantidades de chips aumentando capacidad mientras se intentan controlar consumo, coste y complejidad.
La nueva ronda eleva la financiación acumulada de la compañía a 177 millones de dólares.
Y quiero destacarla porque solemos hablar de inteligencia artificial en España desde una posición demasiado centrada en:
“¿Qué herramienta utilizamos?”
ChatGPT.
Gemini.
Claude.
Copilot.
Pero existe otra economía de IA bastante más grande.
Chips. Fotónica. Redes. Centros de datos. Energía. Refrigeración. Infraestructura.
La inteligencia artificial no será solamente una industria de software.
Y que una empresa tecnológica nacida de una universidad española esté entrando precisamente en una de esas capas me parece una noticia que merece bastante más atención.
Entonces, ¿qué ha ocurrido realmente esta semana?
Podría decir que ha sido la semana de GPT-6 Astra.
Pero creo que sería quedarnos en la superficie.
Para mí esta semana ha sido otra cosa.
OpenAI nos ha enseñado hasta dónde está llegando la capacidad.
Anthropic nos ha enseñado que una IA puede trabajar durante once días sobre un proyecto extremadamente complejo.
Google nos ha enseñado que tres generaciones pueden sucederse en seis semanas.
Nvidia nos ha enseñado que controlar infraestructura y ecosistema puede ser tan importante como construir modelos.
Las caídas nos han enseñado cuánto dependemos ya de estas herramientas.
Los créditos nos recuerdan que la capacidad tiene límites.
Apple nos recuerda que incluso las compañías más poderosas pueden encontrarse tratando de alcanzar una transición tecnológica.
El G20 nos demuestra que todavía estamos lejos de un consenso sobre las reglas.
Y los incidentes de agentes nos recuerdan que capacidad y control tendrán que avanzar juntos.
Si tengo que resumirlo:
Más inteligencia.
Más autonomía.
Más consumo.
Más infraestructura.
Más dependencia.
Y necesariamente:
más necesidad de criterio.
Cada vez tengo más claro que una empresa no necesita una estrategia de herramientas
Esto es probablemente lo que más reafirmo después de esta semana.
No construiría una estrategia empresarial alrededor de GPT-6 Astra.
Ni de Claude Fable.
Ni de Gemini.
Ni de cualquier herramienta que salga mañana.
Porque la velocidad con la que están cambiando hace que eso sea prácticamente insostenible.
Las herramientas son variables.
Una estrategia debería permanecer.
El objetivo. El proceso. Los datos. Los riesgos. Las personas. La arquitectura. Los indicadores. El valor esperado.
Eso no puede cambiar cada tres semanas porque Google presente un modelo nuevo.
Después seleccionaremos la tecnología.
Y si aparece una mejor, tendremos que ser capaces de cambiarla.
Creo que esa será una de las grandes características de las organizaciones maduras en IA:
no serán las que consigan perseguir todos los lanzamientos, sino las que puedan incorporar, evaluar, sustituir y gobernar tecnología sin perder el rumbo.
Porque no quiero una empresa que sea experta en una herramienta.
Quiero una empresa capaz de adaptarse cuando esa herramienta desaparezca.
No quiero que una organización diga:
“Tenemos IA.”
Eso cada vez significará menos.
Quiero que pueda explicar:
qué problema está resolviendo, cuánto le cuesta resolverlo, qué resultado obtiene, qué riesgo acepta y qué ocurre cuando esa IA no está disponible.
Eso sí empieza a parecer una estrategia.
Estamos ganando productividad. La pregunta es qué estamos entregando a cambio
Esta semana me deja también una pregunta que creo que merece quedarse abierta.
La IA nos está haciendo más rápidos.
Y eso es fantástico.
Pero mientras ganamos productividad estamos introduciendo nuevas dependencias.
Dependencia de capacidad. Dependencia de tokens. Dependencia de créditos. Dependencia de modelos. Dependencia de proveedores. Dependencia de infraestructura. Incluso dependencia cognitiva: nos acostumbramos a trabajar de otra manera.
No creo que debamos rechazar esas dependencias.
Creo que debemos conocerlas y gestionarlas.
Porque la verdadera transformación no consiste únicamente en incorporar IA cuando funciona.
Consiste en rediseñar una organización entendiendo qué papel queremos que esa inteligencia artificial tenga dentro de ella.
Y esta semana, entre modelos nuevos, miles de millones de tokens, adquisiciones multimillonarias y asistentes que dejaron temporalmente de responder, creo que hemos tenido una buena demostración.
La IA empieza a convertirse en infraestructura.
Y cuando una tecnología se convierte en infraestructura, ya no basta con saber utilizarla.
Tenemos que saber gobernarla, financiarla, dimensionarla, sustituirla y sobrevivir cuando falla.
Ahí es donde, para mí, empieza la verdadera madurez.
Primero el problema. Después, la tecnología.
Porque tecnología vamos a tener de sobra.
Lo verdaderamente escaso seguirá siendo el criterio.