Alrededor de 1800, un ingeniero inglés llamado Henry Maudslay construyó un torno capaz de cortar una rosca de tornillo con precisión, y resultó ser una de las cosas más importantes que han ocurrido jamás...
Antes de Maudslay, las roscas se cortaban a mano, una por una, así que no había dos iguales. Una tuerca de un taller no encajaba con un perno del taller de al lado, por lo que cada máquina del mundo era una pieza única que un artesano tenía que ensamblar a medida, y que solo otro artesano podía reparar.
No podías fabricar mil unidades de nada, porque no lograbas que las piezas coincidieran. Ese era el cuello de botella de todo el mundo industrial, y estaba en una mano humana sosteniendo una lima.
El torno de Maudslay cortaba la misma rosca todas las veces. Eso significaba que una máquina ahora podía fabricar las piezas exactas de otra máquina, y esas piezas encajarían. En menos de una generación, las máquinas herramienta descendientes de la suya estaban produciendo los componentes para todo lo demás, y la Revolución Industrial encontró una marcha que no sabía que tenía.
Ahora, probablemente estés ahí sentado pensando: Raoul, ¿por qué demonios estás escribiendo sobre roscas de tornillos del siglo XIX? Tenme paciencia, porque si miras el panorama general, la misma forma sigue apareciendo.
Durante casi toda la historia humana, las herramientas mejoraron a la velocidad de las personas que las fabricaban, es decir, lentamente... un arado mejor cada pocos siglos. Luego las herramientas empezaron a fabricar herramientas, y cada ciclo fue más rápido que el anterior.
Las máquinas de vapor impulsaban los tornos y las mandrinadoras que cortaban las piezas de las locomotoras, así que el vapor construyó los ferrocarriles que transportaron más máquinas de vapor.
Las máquinas herramienta construyeron las líneas de montaje que fabricaron los autos. Hoy, las computadoras diseñan los chips que van dentro de computadoras mejores, porque ningún humano puede distribuir miles de millones de transistores a mano. Cada vez que las herramientas asumieron más trabajo de fabricar las siguientes herramientas, todo se aceleró, porque la parte lenta del ciclo —la parte humana— se hizo más pequeña.
Entonces, ¿qué pasa cuando la herramienta dentro del ciclo es la inteligencia misma?
Ya está pasando
En noviembre de 2023 publiqué que OpenAI probablemente había descubierto cómo usar la IA para idear, diseñar, programar y lanzar productos... que la IA estaba construyendo IA.
Para mayo de 2026, Anthropic afirma que más del 80 % del código que integra a su propia base de código está escrito por Claude, frente a cifras de un solo dígito antes de que Claude Code se lanzara en febrero de 2025. La empresa que desarrolla uno de los modelos de vanguardia hace que ese modelo escriba casi todo el software sobre el que correrá la próxima versión.
OpenAI publicó su propia versión en septiembre: su organización de investigación ahora invierte 3.1 días-trabajo de agentes por cada día de trabajo humano, y la cantidad de experimentos por investigador alcanzó un máximo histórico en agosto.
En mayo del año pasado, DeepMind presentó AlphaEvolve, un agente impulsado por Gemini que escribe y prueba sus propios algoritmos. Entre las cosas que descubrió hubo una mejora de programación que recupera continuamente el 0.7 % de toda la flota global de cómputo de Google, además de una aceleración en un kernel dentro del propio entrenamiento de Gemini que redujo el tiempo de entrenamiento en un 1 %. Porcentajes pequeños, hasta que te das cuenta de lo que son: una IA haciendo que la siguiente IA sea más barata de construir y más barata de operar.
Ese es el torno de Maudslay, cortando las piezas para la próxima máquina.
Un tipo distinto de cuello de botella
Todos los ciclos anteriores nos quitaron el trabajo físico. El torno hacía el limado, la línea de montaje hacía el levantamiento de peso, y esa es la razón por la que cada uno fue más rápido que el anterior. Pero el pensamiento nunca se fue. Alguien todavía tenía que sentarse a diseñar el próximo torno. Alguien todavía tenía que resolver para qué servía el chip. Las máquinas se volvieron brillantes fabricando cosas, pero las ideas para la siguiente generación seguían saliendo de una cabeza humana, a la velocidad a la que va una cabeza humana... que, seamos honestos, no es muy rápida y no se acelera.
Ese ha sido el techo durante toda la historia y nadie pensó mucho en ello, porque ¿qué ibas a hacer al respecto? No puedes construir una herramienta que piense.
Excepto que ahora sí puedes. Por primera vez, lo que se está tercerizando es la inteligencia misma, por lo que lo que limita el progreso ya no es la rapidez con la que las personas pueden pensar, sino dos cosas físicas: cuánta energía puedes convertir en cómputo y cuánta inteligencia puedes extraer de cada unidad de esa energía. Ambas están en curvas exponenciales.
Está saliendo de la pantalla
Hasta ahora esta es una historia sobre software, pero no se va a quedar ahí.
David Mattin, quien escribe The Exponentialist conmigo, llama a la siguiente etapa ciencia autónoma. Y no, no tiene nada que ver con los Tesla, aunque la idea es la misma...
Lo que quiere decir es que la ciencia siempre ha sido un ciclo conducido por un humano. Tienes una corazonada, diseñas un experimento, lo ejecutas, la mayoría de las veces falla, analizas por qué, tienes una corazonada mejor. Vuelta tras vuelta, una persona a la vez, meses por cada ciclo. Cada medicamento, cada material, cada pedazo de física que hemos entendido salió de ese ciclo, a esa velocidad.
La ciencia autónoma es lo que obtienes cuando le entregas ese ciclo a la máquina. No estamos hablando de IA ayudando a científicos... estamos hablando de IA haciendo los descubrimientos por sí misma: los nuevos materiales, las nuevas moléculas, las cosas que la humanidad simplemente no conocía el año pasado, saliendo de una máquina que tuvo la idea, ejecutó la prueba, leyó el resultado y tuvo la siguiente idea, sin ninguna persona en el ciclo. Entender cómo funciona el mundo se está tercerizando... y está pasando ahora, no en algún futuro de ciencia ficción.
En 2023, el modelo GNoME de DeepMind predijo 2.2 millones de nuevas estructuras cristalinas, alrededor de 380,000 de ellas estables. Son más materiales nuevos de los que la humanidad había encontrado en toda la historia de la ciencia de materiales, hallados por un modelo, antes de que alguien entrara a un laboratorio.
Luego, en diciembre de 2025, DeepMind y el gobierno del Reino Unido anunciaron un laboratorio automatizado de materiales, que abrirá este año, donde robots sintetizan y prueban cientos de materiales candidatos al día y la IA elige el siguiente lote. El ciclo que antes le tomaba meses a un grupo de investigación ahora corre todos los días, y los humanos están ahí para revisar los resultados, no para ejecutar los experimentos.
Lo mismo está pasando con los robots, y la forma en que funciona es una locura. En 2025, DeepMind lanzó Genie 3, que se entiende mejor como un videojuego que se escribe solo. Escribes una oración, digamos "una habitación desordenada", y genera una simulada en pantalla, completa con la física de una habitación real, de modo que cualquier cosa que se mueva adentro recibe la misma retroalimentación que recibiría en la realidad.
Luego puedes meter el cerebro de un robot ahí dentro y decirle que ordene el cuarto. Falla, así que lo intenta de nuevo, y de nuevo, millones de veces, en millones de habitaciones simuladas, a velocidad de computadora, sin romper ni una sola cosa real ni ocupar espacio físico. Después puedes cargar lo que aprendió en un robot de verdad, y entra a una habitación real ya sabiendo cómo hacerlo. DeepMind está haciendo esto ahora con sus agentes robóticos, y nadie está escribiendo el plan de clases. El agente define sus propias tareas y califica su propio trabajo.
Si este tipo de cosas te fascina, es lo que David y yo publicamos cada semana en The Exponentialist. Empezó dentro de Real Vision y ahora es su propia publicación en Substack, y hay un nivel gratuito si quieres seguirlo.
Y luego se alimenta a sí mismo
Así que las máquinas están escribiendo su propio código, mejorando sus propios modelos y empezando a hacer nuestra ciencia por nosotros. Bien, dirás, pero hay un problema del que todos han oído hablar... todo esto funciona con energía, y mucha. Los centros de datos ya están forzando las redes eléctricas, los chips ya son algunos de los objetos más escasos del planeta, y seguramente en algún momento todo esto se quedará sin electricidad.
Pero si una máquina puede resolver problemas que los humanos no pudieron resolver, los primeros problemas hacia los que la van a apuntar serán los suyos. Los laboratorios de materiales que acabo de describir no andan buscando descubrimientos al azar. Buscan químicas de baterías que almacenen más, celdas solares que conviertan más, chips que empaqueten transistores más juntos... exactamente las cosas que hacen que la energía y el cómputo sean más baratos.
Y cada una de esas cosas vuelve directamente a alimentar a la máquina que la descubrió.
Mejores paneles y baterías abaratan la energía, la energía más barata abarata el cómputo, el cómputo más barato entrena mejores modelos, y los mejores modelos encuentran el siguiente material. El cuello de botella que preocupa a todos es lo primero que este ciclo está diseñado para devorar.
Hay una ley detrás de todo esto, la Ley de Wright: cada vez que la producción acumulada de algo se duplica, su costo cae un porcentaje fijo. La energía solar la ha seguido durante décadas. Lo nuevo es que lo que hace el diseño ya no es una persona, así que las duplicaciones llegan más rápido y el costo cae más rápido, en chips, baterías y paneles al mismo tiempo.
Cada vuelta de la rueda hace que la siguiente sea más rápida, y no depende de ningún insumo externo. Las versiones anteriores de este ciclo tardaban décadas en dar una vuelta. Este está girando en meses, y lo que lo hace girar es ahora lo mismo que está siendo mejorado.
Más barato significa más, no menos
Bien, la objeción obvia en este punto es económica. Si la inteligencia se está volviendo tan barata y tan rápido, seguro necesitaremos menos de lo que la produce... menos chips, menos centros de datos, menos energía.
Está pasando lo contrario, y la razón se entiende desde la era del carbón. Jevons notó que cuando un recurso se vuelve más eficiente, el consumo total aumenta, porque lo barato abre usos que antes nunca eran viables. Haz la máquina de vapor más eficiente y un país quemará más carbón, no menos.
La inteligencia está haciendo exactamente esto. El costo de una unidad ha estado cayendo unas diez veces al año para una capacidad equivalente, según el recuento de a16z a finales de 2024, y el consumo se ha disparado. Google procesó cerca de 1.3 cuatrillones de tokens al mes hasta octubre de 2025, más de veinte veces que el año anterior, y para mayo de este año la cifra era de 3.2 cuatrillones. Cada caída en el costo de pensar desbloquea un problema que antes era demasiado caro como para siquiera considerarlo, y no hay techo para esa demanda porque no faltan problemas sin resolver.
Por eso el gasto de capital (capex) no puede detenerse.
"Es puro hype. Se está estancando."
Escucho esto cada pocos meses, normalmente justo después de un lanzamiento que fue un poco menos deslumbrante que el anterior. La emoción dura una semana, luego todo vuelve a la normalidad, y en la normalidad es donde la gente decide que todo se está desacelerando.
El modelo mental que uso es el desarrollo infantil. Mira a un niño pequeño fallando al intentar caminar y podrías concluir que sus piernas no funcionan y que es demasiado torpe para la tarea, o espera a las primeras palabras de un niño y decide que su boca no está hecha para hablar. Hasta que simplemente lo hace. Estos modelos son bebés, con superpoderes en algunas áreas y muy por detrás de los niños humanos en otras... pero los bebés aprenden rápido. Juzgar dónde estarán en tres años por lo que no pueden hacer este trimestre es el error, siempre, sin excepción. En tres años pasamos de un chatbot malo a algo que puntúa muy por encima de la mayoría de los humanos en cada materia que enseñamos. No te quedes a mitad de camino ("midcurve"), como dice el meme, solo porque tienes un sesgo.
Qué significa esto para ti
El miedo detrás de todo esto es personal, así que permíteme ser personal al respecto.
No soy una persona técnica. En enero le di un PDF a cowork y me devolvió un sitio web funcionando en seis minutos; luego le pedí un dashboard del engagement de Real Vision en todas las plataformas y lo tuve en quince. Publiqué en ese momento que me sentía medio biónico.
Hoy, una sola persona con un conjunto de agentes puede producir lo que antes requería una empresa entera. En mi libro, The Everything Code (sale el 3 de noviembre y ya disponible en preventa), cuento la historia de un ingeniero de software que pasó más de una década construyendo una empresa de la manera tradicional, dio un paso al costado y luego desarrolló un proyecto personal de IA en un solo invierno que alcanzó estrellas de GitHub de seis cifras y logró que OpenAI lo contratara. Era el mismo cerebro aplicando la misma ética de trabajo; lo único que había cambiado era la base sobre la que construía.
"¿Esto me reemplaza?" es la pregunta que hace tu ego, y es la equivocada. La capa de trabajo debajo de ti se está comprimiendo te guste o no, de la misma forma en que Maudslay comprimió el trabajo de cada artesano que limaba tornillos a mano. La mejor pregunta es qué haces con una máquina que puede cargar esa capa por ti, y quienes terminan con los superpoderes son los que suben un nivel, hacia el criterio de decidir qué vale la pena construir en primer lugar.
Sé dueño de las máquinas que construyen las máquinas
Lo que el ciclo te dice es dónde se acumula el valor. Cuando la inteligencia construye inteligencia, los retornos fluyen hacia quien sea dueño del ciclo: el cómputo sobre el que corre, la energía que alimenta ese cómputo y las vías sobre las que los agentes operan una vez que empiezan a transaccionar entre ellos a velocidad de máquina. Esas son las cosas que no puede esquivar, y por primera vez en la historia cada una de ellas es algo de lo que una persona común puede poseer una parte.
Esta es la Era Exponencial pasando de la teoría a la realidad vivida, y choca de frente con la ventana sobre la que he escrito en mi marco de la Singularidad Económica, en algún momento entre 2030 y 2032. Ese es el punto donde la economía de las máquinas empieza a moverse más rápido que los instrumentos humanos creados para medirla —el PIB, las ganancias, los salarios— y los números de siempre dejan de describir lo que está pasando. Los años entre ahora y entonces son el juego.
Todo el análisis completo sobre esto está en The Everything Code. Explica por qué el sistema financiero se rompió tanto y cómo hemos estado atrapados en un ciclo de deuda durante décadas, y luego por qué la llegada de la Era Exponencial justo ahora es la otra mitad de la misma historia.
Todo lo que planteo en este artículo es inevitable una vez que ves el mecanismo, y lo extraño es que es la salida: las máquinas son lo que finalmente permite que el mundo crezca lo suficiente para salir de la deuda. Después de décadas de estancamiento, eso es algo para ser optimista, y el libro es donde presento el caso completo.
The Everything Code sale el 3 de noviembre y hazme un favor: si planeas comprarlo, sería un honor que consideraras pedirlo en preventa ahora. Esto realmente ayuda con los rankings y significaría mucho para mí. Gracias.
Y si quieres profundizar en algo de esto, ¡sigue charlando conmigo! Creé una IA entrenada con 30 años de mis reflexiones en raoulpal.ai y es gratis. Continúa la discusión conmigo allá.
