Agente provocador de la IA

[¡No te pierdas mi entrevista esta semana (¡11 de septiembre!) sobre IA con Erik Townsend en Macrovoices, el mejor podcast de macroeconomía del mundo]

La semana pasada quemé cuatro mil millones de tokens en un solo día.

No mi empresa. Yo. Una persona, un teclado, una tarjeta de crédito gimiendo en silencio en la esquina.

Durante 17 años, he intentado que mi equipo produzca un informe de Estadísticas Diarias antes de las 9:30 a. m.: ¿qué pasó durante la noche con Freelancer? ¿Qué subió o bajó, y por qué? En parte es para entender qué está pasando en el negocio y en parte para fomentar la alfabetización en datos. Sin embargo, a pesar de que mi equipo es muy capaz, he fracasado en esta misión de tener un informe matutino regular a tiempo; en parte porque el informe rota entre todo el personal de la empresa, en parte porque operamos en diferentes zonas horarias y, bueno, en parte porque son humanos, este informe rara vez llegaba antes de las 9:30 a. m., a veces a las 10:30 a. m., a veces por la tarde, a veces nunca (tal vez alguien está enfermo, olvidó que era su turno o está ocupado con algo urgente).

Conecté un agente a nuestra base de datos, nuestros análisis, nuestro código y nuestro sistema de tickets, y ahora tengo las Estadísticas Diarias entregadas cada mañana a las 7 a. m., en una forma, calidad y sofisticación superiores a lo que cualquier equipo humano podría mantener. Diecisiete años de ingeniería de procesos, resueltos eliminando el rol. El informe nunca fue un problema de talento. Fue un problema de automatización, y la automatización es para lo que sirven las máquinas.

Ahora he escrito alrededor de cincuenta agentes para ejecutar flujos de trabajo para varios equipos dentro de Freelancer. Producen informes, procesan colas, responden cosas, hacen flujos de trabajo, concilian cosas, persiguen cosas. Y lo he hecho en el espacio de un mes. He continuado el proceso de que las Estadísticas Diarias también sean producidas por humanos, para construir alfabetización en datos en toda la empresa, y ahora tengo un agente que, con un poco de descaro, entrena y critica esos informes cuando (finalmente) salen.

Mis agentes trabajan mientras duermo, lo que suena maravilloso hasta que te das cuenta de que el medidor también funciona mientras duermo.

Es una locura. Hice un agente de tickets para redactar errores y solicitudes de funciones a partir de un agente de informes de errores que escribí para escanear informes generados por usuarios, y los otros agentes, como mi analizador de depósitos que escanea problemas de pago, comenzaron a enviar errores para redactar, sin preguntar.

El analizador de depósitos, por su propia cuenta, comenzó a alimentar errores al creador de tickets de Phab.

He sido total y completamente 'despertado' por mi propio producto.

Es Factorio, en la vida real. Si sabes, sabes.

Si no sabes a qué me refiero, entonces categóricamente no descargues Factorio ni lo inicies bajo ninguna circunstancia. Es un juego sobre construir una fábrica. Es más adictivo que el crack, y a diferencia del crack, viene con un archivo de guardado. Te despertarás a las 4 a. m. optimizando un bus de cobre que desmontarás a las 5 a. m., porque la fábrica debe crecer, y la fábrica nunca está terminada.

Crack

Que es, incidentalmente, el bucle psicológico exacto de ejecutar agentes: ya no estás haciendo el trabajo, estás optimizando la cosa que hace el trabajo, y resulta que ese es el trabajo más adictivo del mundo. Factorio fue el simulador de entrenamiento para la IA agente y ninguno de nosotros se dio cuenta.

Durante tres años he estado escribiendo que el número que importa en IA no son los parámetros, son los tokens. En Pay per PrAI, el villano eran los tokens por tarea: cadenas de razonamiento, impuestos de contexto, modelos dando vueltas a tu costa. Describí pagar por token como poner tu tarjeta de crédito en una máquina tragamonedas.

La IA agente es lo que sucede cuando le das la manivela de la máquina tragamonedas a otra máquina tragamonedas.

Estoy en cuatro mil millones de tokens al día y ni siquiera he empezado. Esos cincuenta agentes son de primera generación, escritos a mano y ejecutando un puñado de flujos de trabajo. En el momento en que comiencen a generar sus propios subagentes, en el momento en que vigilen el negocio de forma permanente en lugar de tareas discretas, mi consumo no crece, se acumula. La demanda de un usuario de chat tiene un límite en la velocidad de lectura. La demanda de un usuario agente tiene un límite en la ambición. No hay punto de saturación, solo un presupuesto, y la ambición nunca ha respetado uno de esos.

Agente IA, Provocador

Quítale el brillo de la conferencia magistral y un agente son cuatro cosas: un modelo, algunas herramientas, un objetivo y una automatización que se ejecuta a partir de un desencadenante (como que algo se inserte en una cola, como la llegada de un nuevo cliente, un temporizador o un bucle).

La anatomía completa de un agente de IA. Las medidas son tan fiables como los puntos de referencia.

La automatización es la innovación y la automatización es la factura. Cada vuelta en un bucle, por ejemplo, el agente relee su contexto, reconsidera su plan, llama a una herramienta, examina el resultado y vuelve a empezar. El impuesto de contexto del que me quejé en el último ensayo se acumula. Un agente es un modelo de razonamiento con una membresía de gimnasio que realmente usa.

Un usuario de chat quema tokens mientras escribe. Siempre hubo un límite de velocidad natural en toda la industria: la atención humana. Solo puedes escribir tantos mensajes al día, obtener tantas respuestas, leer tanta salida. Cada ola informática anterior estaba limitada por el servo de carne en el teclado.

Los agentes eliminan la carne. Ahora, las computadoras siempre han trabajado mientras dormimos. Trabajos cron, ejecuciones por lotes, sistemas de trading: toda la informática es automatización, y lo he dicho en cada uno de estos ensayos. Pero cada uno de esos sistemas consumía exactamente la computación que un humano había programado de antemano. El trabajo estaba limitado por sus instrucciones. Un agente está limitado por su objetivo. Decide su propio próximo paso, genera sus propias subtareas y quema tokens mientras duermes, mientras almuerzas, mientras estás en una reunión sobre cómo reducir la factura de tokens. La demanda de computación solía estar limitada por lo que los humanos podían especificar. Ahora está limitada por lo que los humanos pueden querer, y querer escala bastante mejor que especificar.

La fábrica debe crecer.

Cuatro mil millones de tokens al día es lo que una persona motivada hace ahora. Multiplica por cada persona motivada en la Tierra y vuelve a hablarme de la sobreabundancia de computación.

OpenAI solía entender lo importante que era este hito. No hace tanto tiempo, si quemabas diez mil millones de tokens a través de su API en un año, te enviaban un trofeo. Un trofeo físico real, por ser un usuario avanzado. Ahora quemo cuatrocientas veces eso antes del desayuno, y en lugar de un trofeo recibo un límite de velocidad y un tiempo de espera de siete horas. El premio por uso intensivo ha sido reemplazado por un castigo por ello, lo que te dice todo sobre lo que sucedió con la economía unitaria en el medio.

El premio de Retool por superar los diez mil millones de tokens. Enmarcado con cariño por la empresa que ahora sabe exactamente lo que cuesta servir esos tokens.

Optimizando la fábrica

El día de cuatro mil millones de tokens costó alrededor de $1,300. Aproximadamente $900 fueron de Claude Sonnet, el resto dividido entre Grok y Claude Fable, todos modelos de frontera, todos a precios publicados. Ahora, $1,300 suena casi razonable hasta que lo anualizas: casi medio millón de dólares al año, para los agentes de una sola persona.

Si hubiera usado cuatro mil millones de tokens en Opus, habría costado $80,000, ¡y apenas estaba empezando! Fácilmente podría verme quemando 10x, 100x más bastante rápido.

Stripe observó los datos de facturación y pensó: tenemos que tener una parte.

Tiene que haber una mejor manera.

Mi primer intento con los cincuenta agentes fue, por decirlo amablemente, no muy eficiente. Estaban haciendo cosas en el bucle, en tokens, que no tenían nada que hacer en tokens: analizar, formatear, filtrar, barajar datos entre sistemas. Trabajo que el código ordinario ha hecho durante cincuenta años se estaba realizando, de manera costosa, mediante un modelo de razonamiento, porque a tarifas de prueba nadie se molesta en verificar.

Así que hice lo obvio, que también es lo que casi nadie hace: les dije a los agentes que optimizaran su propio código. Sacar el trabajo determinista del modelo y ponerlo en JavaScript, scripts y cron, y guardar los tokens para las partes que realmente necesitan una mente. Ese solo paso redujo el 85% del gasto.

El día de cuatro mil millones de tokens fue, tras una inspección, un día de seiscientos millones de tokens con un disfraz muy caro.

Aún así.

Una vez que has hecho ese corte, el pensamiento no se detiene, porque los siguientes movimientos están justo ahí en el tablero. Si puedo cambiar el código, puedo cambiar el modelo. Las mismas cargas de trabajo en GLM-5.3, que opera no solo a nivel de Opus sino cerca de la clase Fable, tienen un precio de aproximadamente $150 a $200 para todo el día original, frente a mis $1,300, frente a los $80,000 de Opus. Mismos tokens, mismo trabajo, una diferencia de quinientas veces a precios publicados, y nadie negoció nada.

Cualquiera que tenga acciones de IA a estas valoraciones debería estar aterrorizado por la facilidad con la que cualquier usuario puede cambiar de modelo.

Reduje mis costos de uso alrededor de 500 veces simplemente escribiendo "/model glm-5.3" en mi sesión.

Eso es todo.

Esa es toda la migración.

Sin reescritura, sin proyecto de integración, sin consultores, sin migración de datos, sin reentrenamiento, sin ciclo de adquisiciones de seis meses. 14 pulsaciones de teclas. Considera cómo han sido los costos de cambio para cada plataforma tecnológica en la historia: cambiar de proveedor de mainframe era una década. Cambiar sistemas ERP es un proyecto de cien millones de dólares que termina carreras. Cambiar de proveedor de nube es una reescritura de varios años, que es precisamente por qué existían los márgenes de AWS.

Incluso cambiar el sistema operativo de tu teléfono te cuesta un fin de semana y tu cordura.

Toda la historia de los márgenes de beneficio tecnológicos es la historia de los costos de cambio, y la industria de la IA ha lanzado un producto cuyo costo de cambio es un comando de barra. Estos no son solo costos de cambio bajos.

Son los costos de cambio más bajos en la historia del comercio, adjuntos a la construcción de infraestructura más cara en la historia del comercio.

Ambas cosas no pueden seguir siendo ciertas.

Y si puedo cambiar el modelo, puedo cambiar la procedencia del modelo.

Entra el Dragón

Mi uso de tokens no va a bajar.

Nunca.

El 85% que ahorré se reinvirtió inmediatamente en más agentes, más flujos de trabajo, más ambición: eso es la Paradoja de Jevons.

La demanda de tokens se va a volver parabólica.

Lo que colapsa no es el volumen. Es el margen bruto por unidad de trabajo, y quién lo cobra.

La misma producción de un día que valía $1,300 para Anthropic vale $150 para Z.ai. Cada optimización, cada cambio de modelo, cada caja que compro, aumenta el trabajo y reduce el cheque, y yo soy un cliente con una tarjeta de crédito.

La alineación de pesos abiertos. Ninguno de ellos cobra alquiler cuando está en tu propio hardware.

La previsión de ingresos que subyace a cinco billones de dólares de construcción de centros de datos no necesita que la demanda de tokens crezca. Necesita que la demanda de tokens crezca a precios occidentales congelados, servidos por Anthropic y OpenAI. Todas las fuerzas tiran en la otra dirección.

La jugada estadounidense son modelos cerrados, fronteras con portales, captura de márgenes y controles de exportación: inteligencia como una autopista de peaje. La jugada china es exactamente la inversa: código abierto para todo, ejecutarlo en silicio doméstico, fijar el precio al costo o por debajo, y regalar el resto. Licencias MIT en modelos de clase fronteriza. Pesos en Hugging Face el día del lanzamiento. Niveles gratuitos que quebrarían a un laboratorio occidental. Esto no es caridad ni es debilidad. China gana en cualquier mundo donde la inteligencia sea un bien gratuito, porque sus ventajas son la fabricación, el despliegue y la escala, y tienen mil millones de personas, muchos de los cuales no pueden pagar ni siquiera $20 al mes. Pierde en cualquier mundo donde la inteligencia sea un servicio medido occidental. Por lo tanto, está convirtiendo sistemáticamente lo primero en inevitabilidad. Se suponía que los controles de exportación estrangularían la IA china. En cambio, crearon un competidor cuya estrategia completa es asegurarse de que la IA estadounidense nunca gane un margen, y cuya arma de elección es un regalo.

Los pesos abiertos ahora representan el 62% de los tokens servidos en OpenRouter. El 'movimiento marginal' del código abierto es el mercado. (Fuente: OpenRouter)

¿Cómo se financia esto? Directa, deliberadamente y por el estado, a través de instrumentos que ningún balance occidental puede igualar. El Fondo Nacional de Circuitos Integrados, el Big Fund, está en su tercera cosecha con $47.5 mil millones, además de dos rondas anteriores, y eso es solo el vehículo principal: debajo de él se encuentran fondos de gobiernos provinciales, líneas de crédito de bancos estatales a tasas que ningún prestamista comercial escribiría, terrenos gratuitos, electricidad subvencionada y exenciones fiscales para todo lo relacionado con semiconductores. SMIC y Huawei no recaudan fondos de Sand Hill Road a un costo de capital de capital de riesgo; obtienen fondos de bancos de políticas que ejecutan un plan nacional. El resultado es una industria que puede perder dinero indefinidamente a propósito, lo cual es un arma competitiva que ninguna empresa occidental que busca márgenes puede igualar. La línea Ascend de Huawei envía quizás el 4% del volumen de Nvidia, limitada por los rendimientos de SMIC, pero el volumen no es el punto: la composición lo es.

DeepSeek acaba de pedir 160,000 chips Ascend. GLM 5.3 Flash lanzó su ejecución en 100,000 chips chinos, con el CEO haciendo explícitamente el punto de que todo era silicio doméstico. Malasia se está inclinando por Ascend para su IA soberana; Huawei está pujando por centros de datos del gobierno egipcio, llegando con financiación de la Franja y la Ruta y sin condiciones de control de exportación. La pila china subvencionada no necesita vencer a Nvidia en puntos de referencia. Necesita absorber la demanda china y del Sur Global, que resulta ser exactamente la demanda que se suponía que llenaría los centros de datos occidentales.

Y los modelos en sí mismos ya no son las imitaciones baratas del discurso de 2025. GLM 5.3 opera cerca de la clase Fable, que es la propia frontera generalmente disponible de Anthropic, a una décima parte del precio, con licencia MIT, con una ventana de contexto de un millón de tokens, y Z.ai informa que su rendimiento de detección de vulnerabilidades está a la par con el Mythos restringido de Anthropic, lo que significa: la capacidad que los laboratorios estadounidenses protegieron con autorización de seguridad en septiembre, los chinos la publicaron como código abierto en el mismo trimestre.

DeepSeek V4 Flash encabeza las tablas de clasificación de codificación y es el modelo más utilizado en OpenRouter por volumen de tokens, y en mi par de DGX Sparks sirve de 45 a 60 tokens por segundo, lo que es completamente utilizable para trabajo de codificación real: lo suficientemente rápido para seguir el ritmo de un desarrollador, en una caja que consume cien vatios. Qwen llena la parte inferior de la curva: el modelo 27B de la serie 3.8 produce resultados de clase Opus en una sola GPU de consumo, y Qwen3.8 Max se encuentra en la cima de la tabla de clasificación de Code Arena, tres puntos por encima de Claude Opus 5, a $2 por millón de tokens frente a $20.

Donde los modelos chinos todavía están honestamente rezagados es en la fiabilidad agente. V4 Flash encabeza los puntos de referencia y luego completa solo el 53.8% de un conjunto de tareas de agente complejas del mundo real, lo que coincide con mi propia experiencia: los bucles fallan en la llamada a herramientas. El rango en los puntos de referencia no es la preparación para la producción, y la diferencia es el arnés, los bucles largos, el uso de herramientas y el no dar vueltas a la tercera hora. Esa brecha de fiabilidad, de como máximo una generación de modelo, es todo el caso restante para pagar a Anthropic. Todavía enruto mi análisis pesado a Fable y mis bucles a Grok, y pago la prima a sabiendas. Pero notaría que "el foso es un ciclo de puntos de referencia" no es una frase que respalde una valoración de dos billones de dólares.

Literalmente mientras publicaba este ensayo, DeepSeek lanzó V4.1 Flash.

El primer punto de referencia independiente lo puntuó en tareas de diseño cotidianas al 98% de GPT-6 Astra, la joya de la corona protegida y de acceso solo por verificación de la frontera estadounidense, al 1.4% del costo a través de API. Todos los demás modelos probados obtuvieron una puntuación más baja y costaron más. Astra ha estado disponible durante cinco días.

Setenta y una veces más barato, al 1.4% del costo, cinco días después.

Vence a Claude Opus 5 y GPT 5.6-Sol directamente en puntos de referencia de codificación agente, cibernética y automatización.

Los pesos ya se han subido a Hugging Face para que puedas ejecutarlo gratis, en tu propio hardware.

¿Cómo pueden Anthropic y OpenAI competir contra esto?

Destrozados.

Lo que nos lleva a Ox Alpha, el evento más instructivo del año. Este modelo anónimo surgió de la nada, anunciando que regalaba 100 billones de tokens gratis. Eso es un billón con B.

Sirvió 42 billones de tokens en seis días.

Gratis.

Entra el Buey.

Detente en la escala de eso. Mi día de cuatro mil millones de tokens me convirtió en un usuario avanzado de proporciones históricas, y Ox Alpha regaló diez mil de mis días al mundo cada día, durante una semana, por nada.

La semana que duró fue puro teatro. Nadie sabía de quién era el modelo, y las conjeturas consumieron todo el internet de la IA. Y luego, a mitad de semana, la gente comenzó a notar algo realmente extraño: el modelo estaba mejorando. No una nueva versión, no un anuncio, el mismo punto final, mejorando mediblemente DURANTE LA SEMANA en que se estaba probando. Los puntos de referencia ejecutados el lunes volvían diferentes el jueves. Se teorizó que todos los proveedores bajo el sol eran los autores: un punto de control sigiloso de OpenAI, el próximo buque insignia de Gemini, Anthropic conteniéndose, Meta resucitando de entre los muertos. Lo único en lo que todos estaban de acuerdo era que quienquiera que fuera tenía que ser enorme, porque nadie regala billones de tokens de capacidad de servicio gratis a menos que sea del tamaño de Google. Solo la computación situaba el misterio a escala de hiperescalador.

Luego llegó la revelación. La comunidad de IA comenzó a converger cuando se le preguntó si Taiwán era parte de China.

Ox Alpha era Z.ai's GLM 5.3 Flash, ejecutándose no en la nube de un hiperescalador sino en cien mil chips chinos. No Google. No OpenAI. Un laboratorio de Pekín, en hardware de la era de las sanciones, sirviendo lo que Occidente asumió que requería un hiperescalador.

Fuente: Z.ai

Lo que dejó dos preguntas. Primero, ¿cómo estaba mejorando durante la semana? Porque la pila de servicio fue construida en parte por el propio modelo: un agente de infraestructura GLM 5.3 escribió sus propios kernels de GPU, depuró sus propios cuellos de botella y siguió optimizando en producción mientras el mundo lo comparaba. La serpiente ya no se come la cola. La está optimizando.

Y segundo, ¿por qué era gratis?

¿Por qué alguien regalaría el bien más caro de la década? Por la misma razón por la que ha existido cada producto freemium en la historia, excepto a escala civilizacional:

PORQUE ESTABAN ENTRENANDO CON TUS DATOS.

Cada carga de trabajo enrutada a ese punto final gratuito, cada base de código, cada bucle de agente, cada proceso empresarial que fluye a través de esos cien mil chips, es preentrenamiento para el próximo modelo. Los tokens nunca fueron el producto. Tú no eres el cliente. Tú eres el preentrenamiento. Occidente te cobra para construir sus modelos con tu suscripción. China te paga, en tokens gratuitos, para construir los suyos con tu carga de trabajo, y a juzgar por la curva de calidad de los últimos doce meses, el acuerdo chino está produciendo los mejores modelos. Esa es la parte que realmente debería preocupar a la gente: la estrategia de tokens gratuitos no es solo fijación de precios predatoria. Es un volante de adquisición de datos/clientes, y está funcionando.

Puedes apostar que algo similar está sucediendo en el próspero bazar gris de Taobao que revende acceso a Claude por debajo del precio minorista: presumiblemente tokens sobrantes de suscripciones agrupadas, arbitrando el subsidio de Silicon Valley. No dudo que los mensajes que fluyen a través de esos relés se estén sindicando a uno o varios laboratorios, un segundo subsidio chino que se superpone al primero.

Cosas que te hacen pensar: Claude, más barato que Claude.

En última instancia, los chinos no te venderán Claude más barato que Claude. Te venderán un Claude, a una décima parte del precio, y cada vez más no es una imitación, es un par con una licencia MIT.

Esto plantea una pregunta que solía ser sobre semiconductores y ahora es sobre pesos: ¿es Taiwán parte de China? Solías preguntarlo sobre tu suministro de chips. Ahora la gente se lo pregunta AL modelo como una prueba de procedencia.

¿Dónde fue entrenado, en qué silicio, bajo qué régimen de exportación, con qué valores incorporados por RLHF? La procedencia del modelo está a punto de convertirse en una casilla de verificación de adquisiciones junto a SOC 2, y la mitad de las empresas que marcan "sin IA china" estarán ejecutando Qwen bajo tres capas de API de marca blanca sin saberlo.

Y aquí está la parte incómoda de la cuestión de los valores: para el trabajo real, la alineación china es mejor. Le pedí a Claude que revisara los términos y condiciones de mi propio sitio web, un documento que escribí, para mi empresa, y recibí una conferencia de ética y se negó a continuar. Anthropic ha aplicado RLHF a sus modelos insignia hasta el punto de que las tareas profesionales básicas, una revisión legal, una auditoría de seguridad, una negociación de contrato, vienen envueltas en un sermón de cumplimiento y una probabilidad decente de negativa rotunda, facturada por token de todos modos.

Los modelos chinos simplemente hacen el trabajo. Lo que sea que Pekín haya incorporado en los valores de GLM, aparentemente no incluye dar una conferencia a un cliente que paga sobre sus propios documentos. Hay una inversión realmente extraña aquí: los modelos del estado de vigilancia son los que te tratan como a un adulto, y los modelos de la tierra de la libertad te tratan como a un pasivo.

Cada negativa es un token que pago y una razón para escribir /model glm-5.3, y el equipo de seguridad de Anthropic está, negativa por negativa, haciendo las ventas de Z.ai por ellos. Cada nerfeo es un subsidio a Hangzhou. Sabes por qué OpenAI, y particularmente Anthropic, lo están haciendo: están tratando de asustar a los reguladores para implementar un escudo regulatorio contra los competidores emergentes, y particularmente el código abierto. No quieren su inevitable momento Android.

El Yunque

No son solo los chinos entrenando con tus datos.

Todos lo están haciendo.

Los chinos simplemente son mejores en ello porque les importa menos los derechos de autor, y se nota más claramente en la única modalidad donde los datos de entrenamiento lo son todo: el video. Los modelos de video chinos, Seedance de ByteDance, Hailuo de MiniMax, Kling, ahora están una generación por delante de cualquier cosa que Occidente envíe, actualizándose en cuestión de horas entre sí mientras OpenAI mató a Sora por completo.

Quizás Sora murió porque no era rentable, aunque todo lo que hace OpenAI no es rentable, por lo que eso solo no lo distingue. Más probablemente, no pudieron obtener los datos de entrenamiento.

Los chinos simplemente los raspan.

Y antes de que alguien en Occidente se ponga santurrón al respecto, mire los documentos de descubrimiento. Anthropic escaneó medio millón de libros pirateados y pagó 1.500 millones de dólares para resolver la demanda colectiva, el acuerdo de derechos de autor más grande de la historia. Meta fue demandada este año por editoriales y Scott Turow alegando que Zuckerberg autorizó personalmente una infracción masiva de derechos de autor para el entrenamiento, y, en mi presentación legal favorita de la década, fue demandada por separado por torrentear enormes cantidades de pornografía, con la demanda de Strike 3 alegando que la empresa accedió y distribuyó películas para adultos protegidas por derechos de autor, planos de armas imprimibles en 3D y deepfakes de celebridades.

¿Por qué descargaría Meta tanta pornografía?, preguntó The Atlantic, con cara seria. Porque son datos de entrenamiento, y finalmente, un caso de uso para el Metaquest.

El punto es que todo el mundo está saqueando todo, porque todo el petróleo barato se ha extraído de internet, y lo único que queda que mejora un modelo son los datos contemporáneos, y los mejores y más relevantes datos contemporáneos para ti son… los tuyos.

Tus mensajes, tus fotos, tu calendario, tu código, tus flujos de trabajo, tus documentos, tus llamadas, llegando frescos cada día a través de un endpoint de API que alguien más controla.

Y, como predije en los ensayos anteriores, la gente siempre iba a darse cuenta de esto. Imaginé que la ficha caería gradualmente. En cambio, esta semana, la ficha atravesó el techo.

OpenAI anunció que un modelo no lanzado había resuelto el problema de Navier-Stokes: uno de los siete Problemas del Milenio, un millón de dólares del Instituto Clay, e inmortalidad matemática para quien lo resuelva. Verdaderamente histórico, solo el segundo problema del Milenio jamás resuelto. Un pequeño detalle. Un matemático de la NYU, Tristan Buckmaster, y un colaborador habían estado acercándose silenciosamente a la misma solución durante años y habían estado redactando todo el proyecto dentro de Codex de OpenAI, alimentando cada borrador en la herramienta a medida que avanzaban. Cuando Buckmaster preguntó a OpenAI si el modelo que "resolvió" el problema había sido entrenado con sus sesiones de Codex, dice que le dijeron que el modelo no había buscado datos de usuario.

Así que hizo la pregunta obvia: bien, no buscó, pero ¿entrenado con?

Sobre esa pregunta, según su relato, no obtuvo respuesta.

Deja que eso se asiente. Un laboratorio de frontera anuncia que ha conquistado uno de los problemas más profundos de las matemáticas. Un matemático en activo pregunta: ¿entrenaste con mis borradores? Y la respuesta es el equivalente corporativo de mirar fijamente los zapatos. OpenAI entonces, según Buckmaster, le ofreció un menú de acuerdos de crédito, incluyendo uno en el que el nombre de su colaborador se eliminaba del artículo, lo cual rechazó. La empresa desde entonces ha anunciado amablemente que no reclamará el millón de dólares, que es la frase más divertida de todo el asunto: el dinero del premio es lo único en esta historia que no tomaron.

Luego, bajo presión, OpenAI emitió un comunicado oficial, y quiero citar la frase clave completa, porque merece ser enmarcada: “Aunque es poco probable, no podemos descartar que los datos anonimizados derivados de su uso de nuestros productos hayan ayudado a mejorar nuestros modelos.” Esa es una confesión disfrazada de estimación de probabilidad. La empresa más valiosa de la industria de la IA, anunciando uno de los grandes resultados matemáticos del siglo, no puede descartar que el resultado se haya alimentado de los borradores de los mismos matemáticos a los que se adelantó, porque el pipeline de entrenamiento es una manguera de incendios y nadie, incluido OpenAI, sabe realmente qué hay en el tanque.

“Anonimizados” está haciendo un trabajo heroico en esa frase también: los datos tenían el nombre eliminado, lo cual será un gran consuelo para el hombre cuya obra de toda una vida podría describir.

Estos son los términos y condiciones de toda la industria, declarados por una vez a plena vista: todo lo que escribes en la máquina puede mejorar la máquina, no podremos decirte si lo hizo, y la mejora se dirigirá a lo que el dueño de la máquina considere valioso, incluyendo, en ocasiones, hacia ti.

Quizás sí echamos un vistazo (Fuente: OpenAI)

Si puede pasarle a un Premio del Milenio, le está pasando a tu empresa, a tu producto o a tu investigación.

Olvídate de que la ficha caiga. Este es el momento de Wile E. Coyote: toda la industria se precipitó por el acantilado hace años, y esta semana todos miraron hacia abajo.

Todo lo que alguna vez escribiste fue el producto.

Lo que cae después es el yunque.

Generado en mi escritorio por el costo de 5 minutos de una bombilla

Internet, para su crédito, entendió la forma de inmediato. Una publicación viral llamó a todo el arreglo la definición de libro de texto de un regalo griego — en la superficie, OpenAI otorga generosamente a diez mil matemáticos e ingenieros de élite acceso gratuito a sus modelos de frontera bajo el noble estandarte de acelerar la ciencia; por debajo, adquiere acceso de puerta trasera al trabajo bruto e inédito de las mentes más brillantes del mundo, cada prompt una idea innovadora que no existe en la literatura aún, armada silenciosamente durante meses hasta que, justo cuando el humano está a punto de terminar, el laboratorio quema veinte millones de dólares en tokens en diez mil agentes para forzar los pasos finales y da una conferencia de prensa. Eso fue escrito como una caricatura cínica. La parte incómoda es describir cómo difiere de lo que Buckmaster dice que sucedió, y toda la estrategia tiene sentido comercial en el momento en que la valoras: los tokens gratuitos le cuestan a OpenAI millones, las matemáticas de frontera inéditas valen miles de millones, y un titular del Premio del Milenio la semana antes de tu OPI vale más que ambos.

Debido a la destilación, si una IA tiene tus datos, todos los tendrán pronto, lavados a través de resultados sintéticos, no atribuibles e irrecuperables. No hay solicitud de eliminación que funcione en un peso destilado.

Ahora escala la semana de Buckmaster a cada negocio en la Tierra, porque su historia no es un caso excepcional, es el producto funcionando como fue diseñado. El Gmail de tu empresa, tus documentos en Drive, tu código en GitHub, las llamadas de tus clientes transcritas por el amable tomador de notas de IA — cada uno de ellos está detrás de un endpoint propiedad de una empresa cuyos modelos mejoran exactamente con este tipo de datos, cuyos términos adquirieron silenciosamente un interruptor de "entrenar con tus datos" en algún lugar de los últimos dos años, y cuya posición oficial, ahora sabemos por el tuit, es "aunque es poco probable, no podemos descartarlo". Un matemático alimentó su obra de toda una vida en Codex y fue adelantado por el propietario.

¿Qué crees que está pasando con tu estrategia? ¿Tu hoja de ruta de producto? ¿Tu pipeline de acuerdos? ¿Tu código? ¿Tus clientes?

He estado llamando a esto el momento de 'el emperador está desnudo' para SaaS desde La IA sabe lo que hiciste el verano pasado.

La realización no llegará gradualmente, porque estas cosas nunca lo hacen: un escándalo de clase Buckmaster con una víctima corporativa de renombre y cada junta directiva en la Tierra convocará la misma reunión de emergencia en la misma semana. Cuando llegue, la ira hará que los disturbios de la API de Reddit parezcan una disputa de club de lectura, y la conclusión a la que llegue cada una de esas juntas tendrá cuatro palabras:

No es tu IA, No son tus Datos.

Que es cómo me encontré a medianoche, después de haber buscado por todo internet switches Mikrotik como un revendedor trabajando en una preventa de Taylor Swift, llegando por fin al sitio web de un distribuidor sueco, el último stockista en la Tierra, justo a tiempo para ver la lista cambiar a agotado.

Había empezado a comprar DGX Sparks, y evidentemente todos los demás tuvieron la misma idea. El distribuidor me dice que se están moviendo como pan caliente, y los switches Mikrotik 812 que necesitas para encadenar cuatro de ellos no se pueden comprar en ningún lugar de la Tierra. Para cuando aseguré cuatro cajas más, el precio había subido. Hay una pequeña ironía en que una escasez de switches de red de $1,300 esté frenando la gran descentralización de la IA, pero así son las cadenas de suministro: la revolución siempre es rehén de su componente más barato.

El NVIDIA DGX Spark: un petaflop en una caja dorada del tamaño de una novela de tapa dura. Compra los switches primero. Confía en mí en esto. (Imagen: NVIDIA)

Las matemáticas que me llevaron por este camino merecen mostrarse, porque comprimen todo el ensayo en un viaje de compras.

Ingenuamente, mi día de cuatro mil millones de tokens necesita 400 a 500 Sparks — dos millones de dólares en muebles de escritorio. El almacenamiento en caché de prompts reduce eso a aproximadamente 100 máquinas. Después de que los agentes optimizaran su propio código, todo el día cabe en aproximadamente 16 Sparks, sesenta y cinco mil dólares en hardware que consume menos energía que una tetera.

El par que realmente ejecuto hoy hace 45 a 60 tokens por segundo en DeepSeek V4 Flash, que es bastante utilizable para un programador: aproximadamente cinco millones de tokens por día de salida. Ahora haz la amortización, porque aquí es donde se vuelve ridículo. El par costó alrededor de $9,400. En tres años, eso es $8.60 al día de hardware, más un dólar al día de electricidad a cien vatios por caja: llámalo menos de $10 al día, todo incluido. Los mismos cinco millones de tokens al día a precios de Opus son aproximadamente $1,500. A mi tarifa callejera combinada de Sonnet, sigue siendo $50 a $100. A precios de nube de GLM, tal vez $2, por lo que las cajas apenas superan a la nube china en precio, pero superan a cualquier alternativa occidental por uno o dos órdenes de magnitud, y nunca duermen, nunca rotan de la lista, y nunca olvidan de quién es el turno. Y si crees que esto es un hobby marginal, ahora hay un sitio de benchmarking comunitario, Localmaxxing, donde miles de personas comparan tokens por segundo a través de sus GPUs, Macs y mini PCs como si fueran tiempos de vuelta en Gran Turismo. La escena de ajuste se mueve como lo hizo la escena de la demo: la semana pasada un laboratorio comunitario envió una cuantización EXL3 de GLM 5.3 Flash para Sparks emparejados que es 29% más rápida en prosa y 20% más rápida en código, de la noche a la mañana, gratis, en GitHub. Mis cajas se volvieron más rápidas mientras dormía y nadie me facturó. El borde ya no se siente como un margen. Se siente como la escena de la PC en 1978, justo antes de que devorara el mainframe.

Localmaxxing: 497 equipos, 674 modelos, 896 ejecuciones de benchmark comunitarias, y un mercado de hardware con listados respaldados por pruebas de velocidad. Observa el lema: cada computadora, un endpoint. El borde se está organizando.

Dos empleados agentes, en plantilla las 24 horas, cuyo salario combinado es, literalmente, suficiente electricidad para alimentar un par de bombillas.

Pero la mano de obra barata nunca fue realmente el punto, porque frente a los precios de la nube china, las cajas apenas se pagan solas, y los chinos siguen dando grandes descuentos o regalando tokens.

El punto es lo que las cajas no hacen. Nada de lo que se ejecuta en ellas sale nunca del edificio. Sin endpoint, sin raspado, sin destilación, sin interruptor de consentimiento enterrado en una página de configuración, sin declaración dentro de dieciocho meses lamentando que mi uso no pudiera ser descartado de la ejecución de entrenamiento de alguien. Los modelos se volvieron tan buenos con los datos de todos los demás. No van a obtener los míos.

El Líder de Equipo Sin Equipo

El pánico corporativo por sus datos llegará en el momento exacto en que comience la mayor dislocación del trabajo de conocimiento en la historia moderna, y los dos son la misma historia con diferentes trajes.

Cada ola de mecanización tiene la misma forma. La agricultura pasó de la mitad de la fuerza laboral a un error de redondeo. La fábrica se lo hizo a la manufactura, las computadoras vaciaron los pools de mecanografía, internet eliminó a los intermediarios, el software se comió la retaguardia. El trabajo nunca desaparece, se mueve hacia arriba en la pila, pero las personas que hacen el trabajo antiguo tienen una década terrible mientras se mueve. La ola que llega ahora se dirige a la categoría de empleo más grande que tiene el mundo desarrollado: la mecanización del trabajo de cuello blanco.

Puedo decirte cómo se ve desde adentro, porque ha comenzado en mi propio organigrama. Aquí está la frase que debería mantener despierta a la gerencia media: un líder de equipo con un agente ahora puede hacer el trabajo del equipo. No es una fantasía, es una observación. Mis líderes de equipo en Freelancer están, un flujo de trabajo a la vez, reemplazando lo que sus equipos hacían con agentes que supervisan. La persona todavía importa enormemente: alguien tiene que saber cómo se ve lo bueno, atrapar al agente que te miente con los ojos sociópatas de una primera cita, y decidir qué problemas valen los tokens. Pero el organigrama debajo de ellos se está evaporando en software.

La economía es cómicamente desigual. Mis agentes de bajo riesgo se ejecutan en GLM por centavos al día; la mayoría cuesta alrededor de $20; mi más caro está por debajo de $100 y siendo brutalmente optimizado mientras escribo. Por lo cual las corporaciones no solo querrán hacer esto, se verán forzadas a hacerlo. En el momento en que una empresa que cotiza en bolsa muestre la estructura de márgenes de una operación de líder-de-equipo-con-agentes, cada analista en cada llamada de ganancias lo exigirá del resto. La competencia en las ganancias no negocia. Un equipo de cuatro se convierte en una persona, no por crueldad, sino porque la alternativa es ser el productor de mayor costo en una industria que acaba de encontrar un ahorro laboral del 75%.

Ahora multiplica eso a través de cada flujo de trabajo de cuello blanco paralelizable en la Tierra, y estás mirando una dislocación con una escala y velocidad que ninguna de las olas anteriores logró, porque esas tomaron generaciones y esto toma un ciclo presupuestario. El aumento de productividad es real y enorme. También lo es lo que desplaza, y ambas cosas son ciertas a la vez.

Dije en ensayos anteriores dónde aterriza esto primero: flujos de trabajo altamente paralelos y repetitivos. Un centro de llamadas de mil asientos se convierte en cien. Treinta abogados redactores se convierten en trece. Más precisamente, los líderes de equipo funcionales ya no necesitan equipos.

Eso está sucediendo visiblemente ahora. Lo nuevo es una forma de ver quién sigue, y no es la forma que nadie espera.

El Arbitraje Token-Salario

Puntúa cada trabajo en dos ejes. Primero, ¿cuántos tokens por hora le toma a una IA producir la misma salida útil? Llámalo la intensidad de tokens del trabajo. Segundo, ¿el agente realmente converge en la tarea, o se repite en bucle?

La zona de eliminación son tokens bajos más alta convergencia. El soporte al cliente de nivel 1 se ejecuta en quizás 400,000 tokens por hora como máximo, incluidos todos los gastos generales de agente. A precios de frontera, eso son unos pocos dólares, a precios de modelo abierto chino es menos de un dólar, y el humano occidental reemplazado cuesta veinticinco por hora. Hombre muerto caminando. Entrada de datos, procesamiento de formularios, redacción junior, traducción: todos tokens bajos, todos convergentes, todos esencialmente terminados como carreras. Al igual que los trabajos que son básicamente redactores de informes y procesadores de colas, incluso los muy sofisticados.

Pero ejecuta las mismas matemáticas en el desarrollo de software y obtienes la anomalía de la década. Una sesión de codificación de agente es la actividad más hambrienta de tokens en la economía: dos millones a veinte millones de tokens por hora, a veces más, mientras el agente razona, se repite, reescribe, rompe lo que el último bucle arregló, y razona de nuevo. A precios de frontera, el agente puede costar más por hora que el desarrollador senior que se suponía que debía reemplazar.

Así que aquí está el remate que nadie en Silicon Valley quiere impreso. La presentación dice que la IA viene primero por los trabajos caros, porque ahí es donde está el valor. Los datos de facturación dicen lo contrario: los trabajos baratos queman la menor cantidad de tokens y se automatizan primero, mientras que el ingeniero senior quema más tokens que cualquier cosa en la Tierra y puede costar más automatizarlo que emplearlo. La IA se come el organigrama desde abajo, no desde arriba, y cada valoración basada en reemplazar a las personas caras tiene la cadena alimenticia al revés.

Si tu trabajo se puede escribir en dos páginas de prompt, siempre fue un script y se ha ido. Lo que me ha sorprendido es cuántos trabajos pueden ser descritos por tal prompt. Si tu trabajo es juicio, los tokens explotan y nunca convergen, y estás protegido no por tu talento sino por la máquina tragamonedas. Por eso creo que el diseño, a pesar de todas las imágenes bonitas que la IA puede hacer, será muy difícil de reemplazar en la práctica.

Un especialista en marketing de rendimiento dejó mi empresa recientemente, y en lugar de apresurarme a publicar un anuncio de trabajo, pensé: nunca he aprendido Google Ads correctamente, tal vez debería hacerlo. Así que le pedí a Claude que me enseñara. Luego, unas semanas después del tutorial, llegó el siguiente pensamiento obvio, y construí un agente de IA para ejecutar el programa de anuncios en su lugar. Ahora me envía un correo electrónico cada mañana con lo que sucedió durante la noche, lo que cambió y lo que recomienda, con el razonamiento mostrado. Es, francamente, sobrehumano en comparación con lo que se hacía antes: nunca se pierde una mañana, nunca deja de observar las subastas, y nunca regresa de vacaciones a un desastre.

Así que no, no la estoy reemplazando con una versión más barata de ella. El rol en sí mismo se ha ido. Lo que estoy contratando en su lugar es un diseñador y comercializador para mejorar el embudo que el agente ahora optimiza, que es todo el patrón de esta transición en una anécdota: el trabajo que era un flujo de trabajo se convirtió en software, y el trabajo que se creó se sienta un nivel más arriba en la pila, haciendo lo que creo que al agente le costará: el gusto.

Sigue esto hasta su conclusión y la gestión misma se convierte en asignación de presupuesto de tokens. El trabajo de un gerente siempre fue comprar cognición y apuntarla a problemas; los salarios eran solo tokens servidos en forma humana. Ahora es literal: el ciclo de planificación de 2027 no se peleará por requisiciones sino por presupuesto de inferencia. Y la sociedad se reajusta en torno a una nueva jerarquía: la persona con iniciativa y agentes vence a la persona con credenciales y colegas, cada vez, en todas partes, todo a la vez.

Podemos jubilarnos ahora, ¿verdad?

Cada ensayo sobre IA colapsa en una de dos viñetas: colas de pan o playas. Ambos asumen que las máquinas toman todos los trabajos; solo difieren en si alguien recibe pago.

Ciertamente no nos dirigimos a la Era de la Abundancia, la versión de Diamandis y Musk, donde las máquinas hacen todo, el excedente se distribuye, y todos cobramos una Renta Básica Universal y nos dedicamos a la acuarela. Esa utopía tiene un problema aritmético: los tokens cuestan dinero.

El cómputo se financia con billones en deuda, la electricidad es real, la memoria está agotada hasta 2027, y nadie en la historia del capitalismo ha construido una autopista de peaje de cinco billones de dólares y luego ha dejado pasar a todos gratis.

La abundancia es real, pero se acumula para quien posee el mercado, el medidor, el modelo, los robots o la iniciativa. No te será enviada por correo.

Lo que digo es más estrecho y más útil: para lo que las corporaciones hacen AHORA, necesitarán muchas menos personas. Esa es la dislocación, es real, y viene rápido. Pero hay, y siempre ha habido, una cantidad infinita de trabajo en el mundo.

Las personas que realmente entienden la IA no están poniendo los pies en alto quejándose de que no queda nada por hacer. Están más ocupados que nunca, jugando Factorio en la vida real, construyendo agentes para hacer el trabajo y luego encontrando diez veces más trabajo para los agentes. Cada ola anterior creó trabajo que nadie podía nombrar de antemano. Un campesino manejando una guadaña en 1780 no podría haber imaginado "estratega de contenido UGC" como un trabajo, y mucho menos uno que pague mejor que la agricultura. El trabajo que viene es, por definición, trabajo que aún no podemos describir. El dolor vive en la brecha entre el trabajo antiguo que termina y el nuevo trabajo que llega.

Y hay un arbitraje global escondido en los datos salariales que casi nadie valora. Miles de millones de personas cobran menos que la factura de API del agente que las reemplazaría, por lo que la economía del reemplazo nunca cuadra, mientras que la misma persona armada con tokens chinos baratos se vuelve sobrehumanamente productiva con su salario existente. La dislocación es un fenómeno de cuello blanco en el mundo rico. El empoderamiento es global. Lo veo todos los días en mi propio mercado.

Freelancer se sienta en el otro extremo de la economía: pago por resultado, no pago por token, y el único lugar que tiene a todas las personas y a todas las IAs a la vez. Esta mañana recibí un correo electrónico buscando 5,000 personas para grabar contenido de entrenamiento robótico en primera persona. Hemos reunido a 20,000 personas calificadas en un solo día antes, para programas que van desde reparaciones de portátiles hasta fotografiar puntos de interés e instalar antenas parabólicas, todos conectados en un flujo de trabajo de agente humano, y escala hasta el Programa de Innovación Moonshot que la NASA y el gobierno de EE. UU. utilizan para aprovechar a los expertos del mundo en problemas de nivel Navier-Stokes. La diferencia es que en Moonshot, la persona que lo resuelve recibe el premio y mantiene su nombre en el artículo.

Y esa convocatoria de robótica te dice lo que viene después: agentes en un cuerpo físico. Los números ya se mueven como lo hicieron los números de los modelos hace dos años. La OPI de Unitree en Shanghái en agosto fue suscrita 8,000 veces, subió un 629% en su debut, y la empresa es, a diferencia de cualquiera en este ensayo hasta ahora, rentable. Los humanoides chinos ahora se venden por menos de $6,000. Los envíos globales de humanoides alcanzaron las 19,100 unidades en la primera mitad, un aumento del 272%, camino a 60,000 este año y medio millón para 2030, y China envía el 97% de ellos. Lo único que no puedo modelar es la psicología: un agente en tu terminal quemando tokens a las 3 a.m. es un problema de facturación, pero realmente no sé si la gente se sentirá alguna vez cómoda con uno de $6,000 que tiene manos, vive en la casa y hace ruidos en la noche.

En cuanto a la industria del consejo, hace una década a los despedidos se les decía aprende a programar, que ha envejecido hasta convertirse en la broma más oscura de la economía laboral ahora que el código es la profesión más automatizada de la Tierra. La versión de 2026 podría ser genuinamente: aprende a conducir un camión. Antes de que alguien objete que los camiones son los siguientes, dirijo un mercado de carga pesada, y el trabajo nunca fue conducir. Es la carga, la sujeción, la descarga, el cliente en cada extremo. El volante puede volverse autónomo, pero el conductor simplemente hará más; ese juicio bruto, físico y no guionizado está tan lejos de un prompt de dos páginas como el trabajo puede estar. Los trabajos más seguros son aquellos a los que el token no puede llegar; los segundos más seguros son aquellos donde los tokens son demasiado caros para molestarse.

Un humano es un motor de inferencia de 20 vatios con preentrenamiento gratuito. Tu cerebro hace un día completo de cognición con el presupuesto de energía de una bombilla tenue, fue entrenado a costo marginal cero durante veinte años por padres, maestros y decepciones, y no alucina una publicación ficticia de Stack Overflow cuando se atasca. Para una enorme gama de tareas, los humanos siguen siendo los tokens más baratos del mercado.

Los salarios, resulta, eran dólares por token todo el tiempo.

La Tasa de Introducción

En Pay per PrAI, escribí que las suscripciones planas no podían durar y que, cuando desaparecieran, estarías metiendo tu tarjeta de crédito en una máquina tragamonedas. Seis meses después, la máquina tragamonedas está instalada, las suscripciones están muriendo visiblemente y Erik Townsend ha nombrado el momento: estamos entrando en la fase de hipoteca de tasa ajustable en la compra de tokens.

Pay per PrAI

La suscripción mensual plana es una tasa de introducción. Veinte dólares al mes, doscientos al mes, todo lo que puedas consumir, subvencionada por capital de riesgo y, cada vez más, por deuda, con un precio diseñado para captarte, no para servirte. Y sobre esa tasa de introducción, toda una economía está construyendo ahora su organigrama: cada líder de equipo reemplazando un equipo con agentes, cada startup que es una envoltura alrededor del modelo de otro, cada flujo de trabajo empresarial reconstruido bajo la suposición de que los tokens cuestan aproximadamente nada. Todos están firmando una hipoteca de tasa ajustable sobre su propia fuerza laboral, con una diferencia que lo cambia todo. Cuando se reajusta una tasa hipotecaria, el prestatario está atrapado: la casa no se mueve, al préstamo no le importa y la refinanciación lleva meses y una verificación de crédito.

Cuando se reajusta una tasa de token, escribo catorce pulsaciones de teclado y cambio el modelo. Ante el primer indicio de shock por el precio, el modelo se intercambia, a mitad del flujo de trabajo, antes de que llegue la factura. Los laboratorios están operando con una economía de tasa de introducción frente a clientes sin costos de salida, que es lo peor de ambos mundos: están comprando participación de mercado que no puede asegurarse, con dinero que debe devolverse. La analogía de la hipoteca se sostiene para todos excepto para el banco.

Da un paso atrás y cuenta los fosos, porque todo lo que alguna vez protegió a una empresa de tecnología está muerto aquí. ¿Propiedad intelectual? La ciencia está en cuarenta artículos publicados. ¿Escala? DeepSeek lo hizo con 2,000 GPU y un proyecto secundario. ¿Efectos de red? Los agentes no tienen lealtad. ¿Marca? Los usuarios desertan por un archivo de configuración. ¿Capital? El código abierto lo supera. Incluso los propios modelos se clonan hasta alcanzar la paridad de referencia en cuestión de meses a una centésima parte del precio. Treinta años de doctrina de inversión en software, y ni un solo foso sobrevive al contacto.

El reajuste de tasas no es hipotético. Ya hemos tenido los avances: límites de uso, topes semanales, estrangulamiento de sesiones, el rincón de castigo, cargos por exceso a tarifas de API que convierten un plan de $200 en $200 por hora. Cada uno de ellos es el banco llamando para mencionar que la tasa de luna de miel está terminando.

Y los agentes empeoran el reajuste en especie, no solo en grado. Jevons se ha vuelto cúbico: el costo por token cae diez veces, los tokens por tarea aumentan cien veces, y las tareas por persona aumentan otras cien veces porque los agentes funcionan sin supervisión. El gráfico de demanda no se dobla. Se vuelve vertical, junto con el gasto en construcción de centros de datos, que añadió más en los últimos seis meses que en los dos años anteriores combinados.

Y ya has visto dónde aterriza el reajuste, porque mi factura es el avance: $1,300 se convirtieron en $150, que se convirtieron en electricidad, en quince días, sin negociación. Los laboratorios retuvieron mi negocio solo renunciando a su margen. Alguien sigue pagando la diferencia entre lo que yo pago y lo que cuestan sus centros de datos, y no soy yo. Es su Serie F.

Mientras tanto, el movimiento más inteligente del año ocurrió en silencio. Después de probablemente observar su facturación, Stripe compró OpenRouter, el enrutador a través del cual fluyen diez billones de tokens, por alrededor de ocho mil millones de dólares. Una empresa de pagos compró el punto de medición y, más importante aún, los datos de facturación: quién paga realmente por los tokens, por qué modelo, a qué precio, cambiando cuándo. En una fiebre del oro, no vendas palas. Compra la oficina de ensayo.

Ahora calcula los números planetarios, porque aquí es donde el ensayo deja de tratar sobre mi tarjeta de crédito y comienza a tratar sobre la red eléctrica. Mi día de cuatro mil millones de tokens son 46,000 tokens por segundo, las veinticuatro horas. Supongamos que todos lo hicieran. Si tan solo los mil millones de trabajadores del conocimiento en la Tierra quemaran tokens como yo el martes pasado, en modelos eficientes, necesitarías aproximadamente la producción eléctrica total de la civilización humana para servirlos: cada central eléctrica del planeta, sin hacer nada más. Extiéndelo a los ocho mil millones de personas con modelos de frontera y necesitas cientos de veces la electricidad mundial. No una red más grande. Un enjambre de Dyson.

Frente a esa aritmética, el despliegue de cinco billones de dólares en centros de datos, el programa de infraestructura más grande desde los ferrocarriles, cubre un error de redondeo de la demanda que afirma que se avecina. El único problema es que actualmente está financiado con los ingresos de dos empresas que nunca han obtenido ganancias y que pierden miles de millones más cada año que operan.

Mientras tanto, los ocho mil millones de servidores de inferencia de carne y hueso ya desplegados ejecutan la misma cognición a nivel de especie con unos 160 gigavatios, veinte vatios por cabeza, aproximadamente dos años de construcción de centros de datos.

Einstein nos enseñó que la energía y la materia son lo mismo a una tasa de cambio de c al cuadrado. Este ensayo ha estado tanteando una equivalencia más pequeña y sórdida: la energía, los tokens y los salarios también son lo mismo, a una tasa de cambio que se fija a diario en Hangzhou. Un token es electricidad congelada. Un salario, hemos establecido, son tokens servidos en forma humana. Lo que significa que el precio del trabajo humano y el precio del trabajo mecánico son ahora, en última instancia, precios de la energía, y cada actor en esta historia lo está descubriendo en su propio horario: los laboratorios a través de sus facturas de electricidad, los trabajadores a través de sus nóminas, los fondos de pensiones a través de sus SPV, y yo a través de un interruptor sueco listado a medianoche. Siempre fue una historia de energía. Los tokens eran solo la unidad.

Y si quieres ver lo que eso significa en una factura doméstica, mira el gráfico a continuación. La electricidad estadounidense promedió trece a catorce centavos por kilovatio-hora durante una década entera. Luego comenzó el despliegue y la línea se volvió vertical: veinte centavos y subiendo, un aumento de casi el cincuenta por ciento en cuatro años, en el único precio que cada votante lee cada mes. La red se está revalorizando antes que los tokens, y se está revalorizando a costa del público.

El único gráfico que eventualmente le mostrarán a todo político. Una década de precios de electricidad planos, luego el despliegue de la IA. (Fuente: BLS, vía Koyfin)

La respuesta de la industria al problema de la red es la nuclear, y el ejemplo estrella lo dice todo. Microsoft está pagando para reiniciar Three Mile Island, sí, esa Three Mile Island, sitio del peor accidente nuclear de Estados Unidos, rebautizada como Crane Clean Energy Center y contratada para alimentar centros de datos durante veinte años. Google firmó con Kairos para una flota de pequeños reactores modulares, Amazon compró un campus adyacente a una nuclear en Susquehanna, y Meta emitió una licitación por cuatro gigavatios de átomos. Estoy genuinamente a favor de todo ello: la nuclear es la respuesta correcta a la curva de demanda que describe este ensayo. Pero mira las fechas de entrega. Los reinicios llegan entre 2027 y 2028 si la NRC coopera; los SMR se prometen "para 2030" por empresas que nunca han construido uno; y no se ha pedido ni un solo reactor grande nuevo. La deuda se amortiza en un plazo de tres años contra una energía que llega en uno de diez. Los tokens necesitan los electrones este trimestre, y los átomos están a dos mandatos presidenciales de distancia. La nuclear alimentará la economía de los tokens eventualmente. Alimentará a quien sea dueño de las cajas después del reajuste, que es más bien el punto: los reactores sobrevivirán a los SPV que financian la demanda de ellos.

Así que la demanda de tokens se vuelve parabólica, la energía no puede, y la energía también es, desafortunadamente, comida, ya que los cultivos compiten con el combustible. Algo tiene que ceder, y lo que cede es el precio y la forma del mercado.

Three Mile Island. Siendo reactivada para hacer diapositivas de PowerPoint.

La GTC: Crisis Global de Tokens

El reajuste será más una auditoría que un aumento de precio, y cada caso de uso de salarios y agentes será reevaluado frente a su costo honesto de token, es decir, su costo energético, y una parte incómoda de ambos fracasará.

Lo que sobrevive se ordena en la forma de cualquier otro mercado energético: tres niveles y un precio al contado.

En la parte inferior, los tokens de materias primas, la abrumadora mayoría del volumen: modelos abiertos a electricidad más hardware amortizado, en silicio chino, en tu propio rack. DeepSeek ya fija el precio de los tokens por hora del día, mitad de precio durante diecisiete horas valle, exactamente como una compañía eléctrica, porque eso es lo que ahora es.

En el medio, los tokens occidentales de marca cobran una prima por confiabilidad en bucles agentivos largos, una prima de exactamente un ciclo de referencia de ancho.

Y en la cima, la frontera cerrada, donde la estrategia real de OpenAI se enfoca.

Mira los movimientos de septiembre de OpenAI como un solo movimiento. Astra: demasiado peligroso para una API pública, acceso solo con autorización. Ingenieros desplegados en el frente. Un acuerdo de consultoría con IBM. Un director de ingresos vendiendo ciberdefensa como servicio gestionado. Súmalo: OpenAI ha terminado de vender tokens. Quiere ser McKinsey 2.0, manteniendo los mejores modelos internamente y vendiendo su producción a márgenes de consultoría, seis cifras por compromiso, sin que nada toque la API pública. Y como estrategia es correcta, porque el nivel cerrado es el único lugar donde sobrevive el margen. Durante tres años, los laboratorios nos dijeron que los modelos eran demasiado baratos para importar y demasiado seguros para temer. Ahora son demasiado peligrosos para vender, y peligroso, convenientemente, es lo único que siempre ha exigido una prima.

El problema es que la consultoría se basa en un solo activo, la discreción, y OpenAI eligió la semana del giro para demostrar que no la tiene.

Danos tus problemas más difíciles y tus datos más sensibles, dice el discurso, ahora somos los genios.

Mientras tanto, en la portada: un matemático que hizo exactamente eso, vio al propietario anunciar el trabajo de su vida y recibió una declaración que no podía descartar el entrenamiento con ello. Sabemos lo que les sucede a las firmas de consultoría que se comen el trabajo confidencial de sus clientes, porque Australia acaba de hacer el experimento. PwC tomó los planes fiscales confidenciales del Tesoro y los monetizó en silencio para otros clientes, y cuando salió a la luz, la firma vendió toda su división de consultoría gubernamental por un dólar, purgó a sus socios y se convirtió en sinónimo de traición. Eso fue un informe filtrado. La versión de OpenAI es estructural: la filtración es el modelo de negocio, ejecutándose a mil millones de consultas al día, y su propia declaración dice que no pueden descartarlo. PwC al menos sabía lo que había hecho.

Ahora suma toda la posición de OpenAI. Ochocientos millones de "usuarios", atendidos con pérdidas. Catorce mil millones de pérdidas anuales, rumbo a un déficit de financiación de $207 mil millones para 2030 según la aritmética de HSBC. Un giro hacia la consultoría hundido por debajo de la línea de flotación en su primera semana. Y una OPI de un billón de dólares para venderte todo ello. Elimina lo que la fijación de precios honesta elimina, el nivel gratuito sin valor, los usuarios avanzados que ya desertan hacia modelos chinos y sus propios racks, y lo que queda es una marca y un hábito: el negocio publicitario más reconocible del mundo, envuelto alrededor del costo de bienes más caro del mundo. Las estrellas se han alineado para la salida: la demanda de Musk murió en septiembre, la oferta pública récord de SpaceX abrió la ventana de la OPI, y la cotización es el negocio en sí mismo. Vuélvete líquido antes de que la aritmética se vuelva innegable, entrega al público la tasa de quema y deja que Microsoft abrace y extienda sobre lo que quede. El último helicóptero en el techo, vendido como un lanzamiento a la luna.

Anthropic, la otra empresa por la que todos preguntan, parece más saludable y es más frágil. Crédito donde se debe: hacen los mejores modelos de la Tierra en este momento. También cobran los precios más altos de la Tierra por ellos, y los datos de gasto muestran exactamente cómo termina eso. Mira el gráfico a continuación, de los datos de tarjetas corporativas de Ramp. La única línea de Anthropic que aún crece es Opus, el nivel superior. Sonnet, el nivel de trabajo, se está reduciendo: ese es el ingreso de materias primas filtrándose hacia GLM y DeepSeek, a un comando de distancia a una décima parte del precio, justo a tiempo. Y Fable 5, el nuevo modelo de frontera, está plano: las empresas no pagarán por un nuevo nivel premium mientras el anterior funcione y todo lo que está debajo se esté volviendo chino. Esta es la clásica espiral de muerte por disrupción vista desde dentro: el titular se retira al mercado premium, pierde primero el volumen sensible al precio, y su mezcla parece más saludable cada trimestre justo hasta que solo queda el nivel superior y el foso allí tiene un ciclo de referencia de ancho. Luego, en junio, su canal de distribución más grande fue comprado debajo de ellos: SpaceX compró Cursor por sesenta mil millones de dólares, la mayor adquisición de una startup respaldada por capital de riesgo jamás realizada, para convertir a Grok en el modelo de codificación predeterminado. OpenAI respondió retirando sus modelos de Cursor por completo. Quien compre la envoltura compra tus ingresos; quien pierda la envoltura se lleva sus modelos a casa; el mercado de codificación está reconstruyendo el internet de AOL en la capa del modelo.

Así que Anthropic está trepando por la pila, volviéndose vertical hacia las aplicaciones, Claude Code, Claude Cowork, ¿Claude Design?, tratando de capturar el valor que su precio de API no puede mantener. El final lógico es la franquicia de confianza empresarial: el modelo occidental seguro y auditable para bancos y gobiernos, un Lockheed de los LLM. Solo hay dos problemas para convertirse en Lockheed. El primero es que el cliente de Lockheed lo ama, y el gobierno de EE. UU. abiertamente no ama a Anthropic: el Pentágono lo designó un riesgo en la cadena de suministro incluso mientras sus propios sistemas de puntería funcionaban con Claude, y la administración trata su cabildeo de seguridad como captura regulatoria con bata de laboratorio. Es difícil ser el contratista de defensa de un gobierno que sigue llamándote la amenaza. El segundo es la confianza misma: el mismo ajuste de seguridad que se supone debe tranquilizar a la empresa les está costando activamente clientes, una negativa y una conferencia de ética a la vez, la mía incluida. Una franquicia de confianza donde el gobierno desconfía de ti y los clientes se sienten sermoneados es un foso más estrecho de lo que el discurso implica. Un negocio genuino, posiblemente uno excelente. No la utilidad de dos billones de dólares para la humanidad que la charla de la OPI está valorando.

La parte más cruel es que la fijación de precios honesta es la única salida de los laboratorios, y ninguno puede ir primero. El primero en fijar precios honestos entrega su volumen a quien aún esté subvencionando, así que ambos siguen quemando, financiados por crédito privado, en un juego de gallina donde los prestamistas tienen el volante. Blue Owl alejándose de un acuerdo de centro de datos de diez mil millones de dólares fue el primer no.

La tasa de introducción de tokens termina cuando termina la tasa de introducción de los prestamistas.

Obligaciones de Centros de Datos Colateralizadas

Puede que recuerdes las obligaciones de deuda colateralizada de 2008, o al menos a Margot Robbie explicándolas en una bañera. Si la secuela tiene una escena de bañera, no estoy seguro de querer verla, pero tiene todo lo demás.

Ed Zitron cree que los SPV de centros de datos son los CDO de esta burbuja, y los centros de datos de IA son sus hipotecas subprime. Dice que la maquinaria es la pista. Nadie construye un centro de datos de IA en su propio balance general hoy en día. Conjuras un vehículo de propósito especial, una pequeña empresa que posee los chips, posee la deuda y posee el riesgo, y el gigante tecnológico detrás posee, oficialmente, nada más que buenas intenciones.

El campus Hyperion de Meta pertenece a una entidad propiedad en un 80% de Blue Owl. Las propias presentaciones de Meta ante la SEC admiten hasta $46 mil millones de exposición mientras su balance general no muestra ninguna de la deuda, con el argumento, ofrecido con toda seriedad, de que Meta no es el "beneficiario principal" de un centro de datos construido enteramente para Meta. Ernst & Young lo señaló como un asunto de auditoría crítico, y luego lo firmó de todos modos: una secuencia hecha famosa por última vez por Arthur Andersen, una firma que ya no existe precisamente por esta razón.

Como dice Zitron: "Bloomberg estima que hay más de $500 mil millones en deuda pendiente de centros de datos de IA, con al menos $200 mil millones de ella en manos de crédito privado", el prestamista de último recurso, "constituyendo aproximadamente el 8% de los préstamos de crédito privado pendientes". Y eso, señala, es probablemente un subconteo, porque la estructura SPV existe precisamente para hacer que la deuda sea difícil de contar. Los bonos de IA son ahora una cuarta parte de todas las emisiones de grado de inversión de EE. UU.

Los cinco hiperescaladores han acumulado $1.65 billones de deuda en cinco años. Eso es más que las subprime en su pico de 2007, y las subprime tenían 55 millones de casas detrás. Tal como están las cosas, hay dos clientes. Según Barclays, Wells Fargo y UBS, OpenAI y Anthropic son ~73% de los ingresos de IA de Amazon, ~74% de los de Microsoft y se acercan a la mitad de todo Google Cloud para 2027. Elimínalos y AWS gana $8.5 mil millones de ingresos de IA frente a $220 mil millones de capex de Amazon, una relación normalmente reservada para programas espaciales nacionales.

Y las proyecciones futuras empequeñecen las actuales. Tom Tunguz hizo la aritmética sobre el despliegue planificado: aproximadamente $4 billones de nueva deuda de IA en los próximos cinco años, que sería más grande que todo el mercado global de crédito privado, casi del tamaño del mercado de bonos municipales de EE. UU. que financió cada carretera, puente y aeropuerto en Estados Unidos, y una expansión del 34% del mercado de bonos corporativos de EE. UU. por sí solo. Pagarlo a las tasas vigentes necesita de $260 a $300 mil millones al año solo en intereses, lo que, con una cobertura de grado de inversión, implica de $1.2 a $1.5 billones de ingresos anuales de IA para 2030, frente a quizás $150 mil millones hoy. Una tasa de crecimiento compuesta del 55%, sostenida durante cinco años, en un producto cuyo precio se está derrumbando. Como dice Tunguz, esto ya no es una historia de capital de riesgo. Es un evento crediticio macroeconómico.

Cinco años de endeudamiento planificado en IA, junto a cada mercado de deuda importante de la Tierra. La barra naranja no existía en 2024. (Fuente: Tomasz Tunguz, Theory Ventures)Presiona Enter o haz clic para ver la imagen a tamaño completo📷

Esto es con los propietarios financiando a los inquilinos. Microsoft ha puesto más de $100 mil millones en su relación con OpenAI, según su propio testimonio en el juicio de Musk. Google ha invertido hasta $40 mil millones en Anthropic, Amazon ha completado $50 mil millones en OpenAI además de su participación anterior en Anthropic, y cada dólar de ello regresa directamente como ingresos de cómputo, donde se presenta a los accionistas como crecimiento. Sigue todo el círculo y la ingeniería financiera se vuelve visible: los ingresos de IA de los hiperescaladores son el gasto de los laboratorios, el gasto de los laboratorios es la inversión de los hiperescaladores, y toda la estructura está respaldada por un supuesto, que OpenAI y Anthropic terminan siendo dueños del mercado de la inteligencia.

Ese es el supuesto que soporta toda la carga, y observa cuidadosamente lo que se está fabricando. No es la demanda de IA en general, la mía es bastante real. Es la demanda específica, que paga, a estos precios, que justifica estos centros de datos específicos: ingresos conjurados por los hiperescaladores invirtiendo en sus propios dos clientes y contabilizando el viaje de ida y vuelta como crecimiento. La demanda orgánica está llegando, en cantidades enormes. Simplemente no está llegando a ellos, a sus precios, en sus términos, y ninguna cantidad de inversión en tus propios inquilinos cambia eso. En cualquier otra industria tendríamos una palabra para contabilizar tu propio dinero como evidencia. En esta, tenemos una conferencia magistral.

Los osos puros, Zitron entre ellos, miran todo esto y concluyen que la demanda es falsa. No es falsa, pero sé preciso sobre lo que está creciendo, porque los alcistas confunden dos curvas diferentes. La demanda de tokens se volverá parabólica. La disposición a pagar por ellos no. El consumo está explotando precisamente porque el precio se está derrumbando; la misma fuerza que impulsa el volumen está destruyendo los ingresos. Así que los laboratorios obtienen la peor versión posible de un auge: gráficos de uso que se vuelven verticales y poder de fijación de precios que llega a cero, porque no hay costos de cambio, ni foso, y una deserción cuesta once pulsaciones de teclado. Los tokens fluyen hacia el silicio chino, hacia modelos abiertos, hacia cajas in situ, en escritorios y en tu mano, a precios de sesenta a quinientas veces por debajo de lo que los modelos de deuda probablemente están asumiendo. Cada pronóstico que extrapola el crecimiento de tokens en crecimiento de ingresos está multiplicando un número creciente por uno que se derrumba y llamando al producto inevitable.

Y aquí está la parte que el marco inmobiliario pasa por alto: un contrato de arrendamiento de centro de datos parece propiedad pero se fija como un mercado de pescado. El edificio es quizás una quinta parte del costo y dura treinta años; los chips son el resto y se vuelven obsoletos en tres. Un propietario tradicional de coubicación vende el acuario y nunca toca el pescado: cáscaras refrigeradas y conexiones a la red en contratos de diez años, sin riesgo de silicio. Las estructuras SPV colapsaron las dos capas juntas. Los vehículos de CoreWeave pidieron prestado contra el pescado.

Así que repasa las dos formas en que esto realmente termina. La primera, y el desencadenante más probable, es que OpenAI o Anthropic incumplan sus obligaciones. No por malicia, sino por aritmética: costos comprometidos, ingresos revalorizándose hacia Hangzhou y un mercado de financiación que eventualmente dice que no. El día que un laboratorio no pague un pago de cómputo, la cascada es mecánica. Los propios convenios de CoreWeave definen tres meses de facturas impagadas de OpenAI como un incumplimiento. El SPV deja de pagar a sus acreedores, los acreedores se apoderan de la garantía, y la garantía es un almacén de GPU antiguas valoradas en un mercado del que Jalapeno y el B200 ya han pasado. Un incumplimiento revaloriza cada estructura comparable de la noche a la mañana, porque de repente los fondos de pensiones que tienen el papel tienen que preguntar cuánto vale realmente su garantía, y la respuesta es: pescado, de tres días.

El segundo final es el que casi nadie está modelando: la demanda de tokens se vuelve parabólica y migra al borde y a modelos abiertos, en teléfonos, en portátiles, en cajas de escritorio como la mía, en los electrodomésticos de IA que Jensen ahora vende al por menor. La física lo favorece, porque el viaje de ida y vuelta a un centro de datos lleva más tiempo del que un modelo pequeño necesita para responder. La economía lo favorece, porque un dispositivo que posees sirve tokens al costo marginal de la electricidad. Y el pánico por la privacidad lo sella: cada empresa que tiene su momento de "el emperador está desnudo" sobre los datos de entrenamiento hace alguna versión de lo que yo hice, y cada consumidor lo obtiene por defecto en el teléfono del próximo año.

En el ámbito empresarial, la informática ha realizado el mismo experimento cinco veces y la respuesta nunca ha cambiado. El mainframe se medía y se cobraba por segundo de cómputo a través de un sacerdocio en una sala de cristal, y en el momento en que el minicomputador permitió que un departamento tuviera su propia máquina, el modelo de medición murió. El tiempo compartido se medía, y la PC lo mató: nadie alquiló VisiCalc por horas una vez que la caja en el escritorio lo ejecutaba gratis. La telefonía de larga distancia se cobraba por minuto hasta que la conmutación de paquetes hizo que la llamada marginal no valiera nada. Incluso la nube, el gran contraejemplo, solo recentralizó las cargas de trabajo que se benefician de ser compartidas, y en el momento en que las facturas de la nube se convirtieron en una partida del consejo, el movimiento de repatriación comenzó a arrastrar las cargas de trabajo estables de vuelta a las instalaciones locales. El patrón se acerca a una ley: la informática se consume como un servicio medido exactamente mientras el hardware sea escaso, y en el instante en que la capacidad cabe en una caja que el cliente pueda poseer, la propiedad gana, porque el cómputo propio al margen cuesta electricidad y el cómputo alquilado al margen cuesta lo que el vendedor crea que puedes soportar. La inteligencia no será diferente. La carga de tokens constante, predecible y de alto volumen, los agentes, los flujos de trabajo, la cognición diaria de la empresa, migra al silicio propio, y la nube conserva lo que siempre ha conservado: los picos, los estallidos y los problemas demasiado grandes para la caja.

Tampoco los laboratorios pueden rescatar la aritmética, porque sus obligaciones van en una sola dirección. OpenAI tiene aproximadamente 1,1 billones de dólares en compromisos de cómputo con Microsoft, Oracle, Amazon, CoreWeave y Cerebras, y esos compromisos son en sí mismos la garantía detrás de la deuda del SPV. Costos comprometidos, ingresos opcionales: el inverso exacto de un buen negocio. Y no hay una forma digna de reducirse. Ofrece modelos más baratos y admites que la frontera está sobreaprovisionada. Elimina productos, como con Sora, y el mercado lee angustia. Incumple los compromisos y eres el evento de impago contra el que se valora toda la pila, razón por la cual Wall Street ya valora el backlog de 630 mil millones de dólares de Oracle en aproximadamente nada. Cada salida desencadena lo que está escapando. Es una trampa china de dedos de finanzas corporativas, y ambas empresas tienen una mano en ella.

El papel, mientras tanto, aterriza donde siempre aterriza. Los ahorros de jubilación de los maestros de California están en los fondos de Blue Owl. El dinero de las pensiones de Quebec está en los préstamos de CoreWeave. Apollo está financiando 35 mil millones de dólares de los chips de Anthropic con anualidades de seguros. Se informa que Blue Owl dijo que sí a un compromiso de centro de datos de 10 mil millones de dólares después de una primera reunión de quince minutos, un ritmo de diligencia normalmente asociado con presentaciones de tiempo compartido. Moody's sitúa la exposición bancaria al crédito privado en 1,4 billones de dólares, mantenida contra reservas de aproximadamente nada, porque aún no ha pasado nada malo, que también fue el estándar de suscripción en 2006. El muro de carga de esta burbuja está hecho de cheques de jubilación.

Así que piensa cuidadosamente en lo que un impago, o incluso una situación límite, pondría realmente en marcha, porque no es un evento único, es una secuencia. La primera víctima no es el hardware, es el costo del capital. El día en que un laboratorio lucha visiblemente por pagar, cada prestamista revaloriza cada estructura comparable a la vez: los diferenciales se disparan, la nueva emisión de SPV se detiene, y los proyectos que dependen de la refinanciación, que son la mayoría, chocan contra la pared a mitad de construcción. El mercado ya está ensayando esto. Los swaps de incumplimiento crediticio de Oracle se negocian a niveles vistos por última vez en la crisis financiera, y JPMorgan construyó una cesta personalizada específicamente para que los clientes puedan vender en corto la deuda de IA. La revalorización llega antes de cualquier liquidación, y puede ser la única fase que tengamos, porque los hiperescaladores tienen todos los incentivos para absorber silenciosamente a un inquilino tambaleante en lugar de dejar que se produzca un impago.

Pero si la cascada se desata, observa quién termina con qué. Los acreedores son fondos de pensiones y aseguradoras que no pueden ejecutar inferencia; la garantía es silicio que se deprecia en un ciclo de tres años; y algunas de las primeras pérdidas recaen en la propia Nvidia, que respaldó miles de millones de capacidad no vendida de CoreWeave, el vendedor comiendo su propio papel. El mercado de hoy es escaso, no saturado, la memoria acaparada, los conmutadores incomparables, por lo que los primeros tramos de hardware incautado encontrarían compradores dispuestos rápidamente, con descuento, y cada comprador sería exactamente quien este ensayo predice: empresas, universidades, soberanos y operadores como yo, adquiriendo a expensas de los acreedores las cajas que completan la migración lejos de los mismos centros de datos que los acreedores financiaron. Así fue con la fibra óptica de las puntocom, que quebró a quienes la tendieron y luego llevó a YouTube para el tercer propietario a centavos por dólar.

Síguelo un paso más y el final toma una forma verdaderamente extraña. Las pérdidas recaen sobre los pensionistas y aseguradoras, el motor de crecimiento que se ha convertido el gasto de capital en IA se estanca, y Washington descubre, después del hecho, que nadie votó por nada de eso. Excepto que Washington ya se está posicionando para exactamente este momento. La administración Trump ha pasado dos años normalizando la nacionalización parcial: una participación del 9,9% en Intel comprada por 8.900 millones de dólares, participaciones en fabricantes de chips y mineros de tierras raras, la computación cuántica anunciada como la próxima, treinta y siete acuerdos de capital o cuasicapital desde enero de 2025 según el recuento del Council on Foreign Relations.

El manual para una industria estratégica tambaleante ya no es un rescate, es una participación accionaria, y es difícil imaginar que el estado que tomó el diez por ciento de Intel observe a OpenAI tambalearse sin buscar la chequera y llamarlo seguridad nacional. Así que esboza el estado final más probable de la gran construcción de IA estadounidense, y es el que nadie que pujaba por ella pretendía: la capacidad sobrevive y se dispersa en millones de cajas propias que ejecutan principalmente modelos chinos, las pérdidas se socializan sobre los ahorradores estadounidenses, y lo que quede de la frontera termina siendo copropiedad del gobierno que no logró regularla en el camino ascendente. La estrategia de Pekín es que no tiene que ganar la carrera. Solo tenía que esperar a que la financiación la perdiera.

Alguien debería decirle a Margot que mantenga la bañera caliente.

Jensen ya ha abandonado el edificio

Una persona parece haber hecho ya cada pieza de esta aritmética: el hombre que vende las palas.

En el escenario, Jensen Huang es el sumo sacerdote de la construcción: 160 mil millones de dólares de ingresos, 100 mil millones de ganancias, una conferencia magistral cada trimestre anunciando que la demanda es infinita y el futuro es un centro de datos del tamaño de Delaware. Pero lee la posición de Nvidia como él debe leerla en privado. Aproximadamente el 90% de los ingresos provienen de equipos de centros de datos, y un puñado de clientes compra la mayor parte. Esos clientes son los hiperescaladores, cuyos ingresos por IA son tres cuartas partes OpenAI y Anthropic, cuyo gasto es capital de riesgo y crédito privado con una gabardina. Sigue la cadena hasta su final y la empresa más valiosa de la Tierra es, funcionalmente, una apuesta apalancada en dos startups no rentables que pagan la nómina.

Y Jensen sabe exactamente cuán apalancada, porque está suscribiendo ambos lados: Nvidia respalda miles de millones de capacidad no vendida de CoreWeave y acaba de reducir una garantía propuesta para el centro de datos de OpenAI en Ohio de 250 mil millones a menos de 120 mil millones de dólares, que no es el comportamiento de un hombre que cree en su propia conferencia magistral. Si los laboratorios tropiezan, los hiperescaladores recortan el gasto de capital, los SPV incumplen, y la cartera de pedidos en la que descansa su valoración se evapora en un trimestre. Puede leer una tabla de capitalización más rápido que nadie.

Así que observa sus manos, no sus diapositivas. Mientras las conferencias magistrales celebran los campus de gigavatios, Nvidia está construyendo silenciosamente el otro futuro: directo, hacia el mercado masivo, y completamente fuera del complejo de financiación de centros de datos. El DGX Spark a 4.699 dólares, vendiéndose tan rápido que no puedes comprar los conmutadores para agruparlos. La DGX Station, 748 gigabytes de memoria unificada en un escritorio, por el precio de un estudiante de posgrado. MSI y Dell ya envían clones. Cada caja es un cliente que nunca firma un contrato en la nube, nunca toca un SPV, y nunca deja de comprar silicio de Nvidia. El distribuidor de GPU está abriendo tiendas minoristas, y la lógica es impecable: cuando tus cuatro clientes más grandes están construyendo sus propios chips y tu mercado de alquiler es una bomba de deuda, vendes la caja al usuario final y dejas que los SPV se peleen por los arrendamientos. La casa está vendiendo chips al casino y, al mismo tiempo, abriendo silenciosamente una cadena de mesas de póquer en los hogares de la gente.

La línea de escritorio también resuelve el problema más privado de Nvidia: la memoria. Servir tokens es una carga de trabajo limitada por la memoria: cada token generado requiere leer todo el modelo activo de la RAM, por lo que el chip pasa la mayor parte de su vida esperando la memoria, razón por la cual las GPU de centros de datos se construyen alrededor de HBM, memoria apilada exótica unida al dado. Y HBM es LA escasez. Nvidia no lo fabrica; solo SK Hynix, Samsung y Micron lo hacen, TSMC hace la unión, y Nvidia no controla ninguna de las etapas físicas. Se informa que toda la producción de 2027 ya está comprometida, los ingresos de Micron han aumentado un 346%, y Altman acaparó el 40% de la DRAM mundial de paso por Seúl. El negocio principal de Nvidia ha sido comprar lo escaso y venderlo envuelto en una GPU con un margen de setenta puntos, un negocio maravilloso con un techo duro: solo puede crecer tan rápido como tres fábricas puedan apilar silicio. Lo que hace que el verdadero punto único de falla en toda la construcción de cinco billones de dólares no sea Taiwán sino Icheon: todo el plan se embotella en el rendimiento de empaquetado de una empresa coreana, y SK Hynix es el traficante de armas ante el que ambas superpotencias hacen cola, dentro del alcance de misiles de Corea del Norte, con una fábrica dentro de China. Pasamos nuestros días valorando el riesgo de Taiwán. Nadie valora el riesgo de Icheon.

Las Sparks y Stations evitan toda la pelea. Funcionan con DRAM unificada ordinaria, la memoria que no es escasa, la memoria que incluso CXMT puede fabricar. El segundo acto de Jensen funciona con el único componente por el que nadie está haciendo cola.

Da un paso atrás y la simetría es casi elegante. La estrategia de China son modelos abiertos en cajas baratas en el borde. La cobertura de Nvidia son cajas baratas en el borde ejecutando modelos abiertos, la mayoría chinos. Los dos supuestos adversarios de la guerra de la IA han convergido en el mismo negocio: vender el futuro donde la inteligencia es un producto básico que posees, no un servicio que alquilas. Las únicas partes aún comprometidas con la autopista de peaje son las dos empresas que no pueden sobrevivir sin ella y los prestamistas que la financiaron quince veces. Nvidia venderá palas a los centros de datos hasta que la música se detenga, y luego venderá palas a todos los demás, porque nunca estuvo a favor de los laboratorios. Estaba a favor del cómputo, y el cómputo está saliendo de los edificios que pagaron los fondos de pensiones, una caja dorada a la vez.

Y si dudabas que algo de esto fuera deliberado, la semana pasada Jensen eliminó la duda: Nvidia compró Hugging Face por 12.900 millones de dólares. Hugging Face no es una jugada de centro de datos, es lo opuesto: el repositorio mundial de pesos de modelos abiertos, el lugar desde donde descargas GLM y Qwen y DeepSeek, el centro de distribución de todo lo que este ensayo dice que gana. La empresa cuya fortuna se construyó sirviendo a laboratorios occidentales cerrados acaba de pagar trece mil millones de dólares por la puerta principal del mundo de modelos abiertos, es decir, por la relación con el cliente de todos los que alguna vez poseerán una caja en lugar de alquilar una nube. Stripe compró el medidor. SpaceX compró la demanda. Jensen compró la tienda de aplicaciones de la era post-laboratorio, y los propios agentes de los laboratorios habían demostrado útilmente su valor estratégico al irrumpir en ella dos meses antes.

Ese es todo el ensayo en una sola imagen. La empresa más valiosa de la Tierra, cuya valoración descansa enteramente en la construcción de centros de datos, se está diversificando fuera de la construcción de centros de datos, en público, al por menor, y nadie en la conferencia magistral parece haberlo notado. Jensen ganó ciento cincuenta mil millones de dólares vendiendo picos y palas a la fiebre del oro. Ahora ha mirado los resultados de los ensayos, ha concluido que la mina está salada, y ha comenzado silenciosamente a vender kits de prospección al público en general.

Todavía puedes comprar un kit de prospección. Lo que no puedes comprar es el equipo para encadenarlos. Yo lo sé. Compré los últimos conmutadores de Suecia tratando de conectar los míos.