Versvs

Empresa y organización/Inteligencia artificial

La resistencia (a la Inteligencia Artificial) es fútil, ¡asúmelo!

Publicado en 2026.05.18 por Jose Alcántara / 0 comentarios

Para hablar hoy de inteligencia artificial vamos a mirarnos en el espejo de las guerras del copyright de principios de siglo. Cambian los protagonistas y los artefactos pero no los fundamentos básicos, esos que ayudan a entender dónde estamos metidos.

A principios de la década de los 2000, el mundo se dividía en dos. Por un lado, una mayoría descargando música en P2P como si no hubiese un mañana; por otro, una minoría visible que se sentía moralmente superior por no «subirse a ese barco». ¿Os suena?

Ahora es cuando hablamos de tendencias tipo «hecho sin IA». Misma división: una mayoría absurdamente grande de personas usándola para todo, cada vez más, y una minoría pequeña pero ruidosa usando este eje «hecho con/sin IA» como baremo en el cual destacar. Algo así como un sello de pureza humana.

El reto, claro, va a ser convencernos de que su postura es éticamente superior. Pero la historia es terca: creo recordar que exactamente cero unidades de persona cambiaron su posición frente a las descargas tras ser acusados de ladrones por Ramoncín.

La mutación será generacional

Estas dos posturas van a seguir existiendo durante décadas. Continuará habiendo artesanos. Hablemos de la revolución industrial y de cómo la población pasó de trabajar como artesanos a trabajar como operarios de fábrica.

Tendemos pensar que los obreros se fueron a dormir artesanos y se levantaron empleados de fábrica, pero no sucedió así. El reemplazo fue generacional y necesitó décadas. Es algo que comentamos de pasada en una nota breve en Desde el bucle. La mutación laboral masiva se dio a medida que unos (artesanos) se iban jubilando y otros se incorporaban al mercado, ya como obreros en las fábricas. La especie sobrevive mediante la adaptación, pero esta adaptación tiene lugar en la siguiente generación. Así pasó con los profesionales de la revolución industrial.

Cuando hablamos del renacimiento y la imprena ya vimos que el impacto de las nuevas tecnologías se extiende a lo largo de las décadas, hasta más de un siglo, hasta que revela sus cambios más profundos.

Y con la IA, ¿será parecido?

En el plano personal, el «hecho sin IA» solo tiene sentido para cierta producción cultural. Y aún en ese ámbito, sospecho que se terminará imponiendo el «hecho por personas con ayuda de IA». Como norma general, y en la medida en que tu tarea sea automatizada por la IA, tu tarea actual en una labor más aburrida, como pasó con los contables cuando empezaron a usar computadoras. No creo que vaya a haber pérdida masiva de empleos para programadores, por ejemplo, pero sí que los equipos de desarrollo de software van a cambiar radicalmente.

Es aquí donde entran las organizaciones, pues suelen ser indescriptiblemente tercas a la hora de reformarse. Con la IA no va a ser diferente y ya hemos visto que una gran mayoría de organizaciones no está sacando el partido que podrían. Todo esto sin que medie especial maldad, tan solo por la incapacidad de alinear incentivos de todos los agentes internamente.

La respuesta está en la biología (y en Nietzsche)

La respuesta a todo esto nos la van a dar a pachas entre la biología y la filosofía.

Darwin y la supervivencia. Veremos nacer una generación de empresas adaptadas a este nuevo contexto, sin mochilas. Los hyperscalers aguantarán la carrera tirando de chequera, comprando tiempo para llegar a algún lado. A menor escala, la carrera es por la pura supervivencia. Se vienen años de fagocitación de viejas glorias.
Nietzsche y la voluntad. Para eso tenemos a Nietzsche, que siempre fue muchísimo más cáustico y afirmó aquello de que nada determina tanto en qué nos convertiremos como aquellos detalles a los que decidimos no atender.

Repensar procesos y organigramas no es una opción de gestión; del mismo modo en que no beber agua tampoco lo es. En ambos casos, si decides ir a la contra, el resultado no tarda en ser visible. Como líder en una organización, tu misión es hoy más que nunca la de generar un esquema de incentivos que anime a todos a hacer lo correcto por simple egoísmo; porque esa fuerza motriz (el egoísmo) no va a desaparecer.

[Imagen: por Jose Alcántara, con Gemini.]

Actualidad

Las nubes en el horizonte del software libre

Publicado en 2026.05.05 por Jose Alcántara / 0 comentarios

Para analizar el impacto de la inteligencia artificial y, en general, la situación del software libre tras la popularización de los grandes modelos de IA hay que manejar al menos tres ejes:

Modelos de IA libres. ¿Cuál es la situación de los modelos libres?
Impacto en el software libre «tradicional» y en su modelo de desarrollo
Sociedad de control, donde confluyen las derivadas de todo lo anterior

Vamos a hablar de modelos libres y del impacto sobre el modelo de creación de software libre. Pero vamos a dejar la sociedad de control para otro día porque se me alargó demasiado el artículo.

Modelos frontera libres vs cerrados, ¿cuál es la situación?

El rendimiento de los modelos abiertos más avanzados va entre uno y dos años por detrás de los así llamados modelos frontera.

Lo que llamamos modelos abiertos son modelos cerrados a todos los efectos pero para los cuales los pesos (esto es, los coeficientes de ajuste para cada variable que te permite ajustar la inferencia) son públicos y configurables.

En el mundo del software libre nos hemos acostumbrado a que abierto y libre signifiquen lo mismo en la práctica. No es así con estos modelos. No son libres. No puedes crearlos en casa, entrenarlos de nuevo a partir de un puñado de código porque no tienes los datasets para entrenarlos.

Más aún, no hay a la vista nada ni remotamente parecido a un dataset libre que pueda producir un modelo ni remotamente cercano a uno de los grandes modelos frontera actuales. Y si alguien lo intenta, le caerá un cease and desist de magnitudes bíblicas. Esto de entrenar con todo lo que pilles, ganar dinero, y luego pagar la multa puede servir a OpenAI o a Anthropic, pero desde luego no es algo que cualquier proyecto pequeño pueda asumir, ni financiera ni éticamente. No hablo de costes de entrenamiento, pese a ser elevados, no creo que sea tan limitante como lo anterior.

Para más inri, algunos de estos modelos abiertos te los están dando los grandes actores detrás de los modelos frontera más relevantes, como Google (Gemma y Gemini). Gemma ha avanzado mucho, me gusta la oportunidad de poder ejecutar estos modelos en local y Gemma 4 en local y en mi móvil son estupendos. Pero Google no va a morder la mano que le da de comer, y Gemini y todos los modelos disponibles en su nube con opción de pago van por delante.

Recuerdo charlar con Joaquín Cuenca (fundador y CEO de Magnific) sobre modelos libres hará ya unos años, en los inicios del pivot de Freepik hacia la IA. Y recuerdo su respuesta porque me sorprendió: él decía que era manejable para poder competir, que ese retraso de 1-2 años no era para tanto. Visto el crecimiento imparable de Magnific, el tiempo le ha dado la razón. Cero sorpresas: malamente iría todo si mi intuición hubiese ido más fina que su conocimiento experto.

Más aún, si el caso de Magnific sirve para algo, quizá sea para reforzar esa idea de Gonzalo Martín y Juan Lupión de que el lock-in estará en el envoltorio, en el valor añadido que se pueda dar sobre el modelo en sí, sobre todo si el avance en modelos desacelera en algún momento.

¿Veredicto? No hay modelos verdaderamente libres. A día de hoy no estamos en posición de pensar que vaya a haberlos. Los modelos abiertos permiten un mercado efervescente de empresitas pequeñas que pueden ganar por la mano a los reyes del legacy y producir soluciones especializadas que por ahora no están al alcance de quienes hacen modelos frontera de propósito general. La única defensa ahí es tener una cadena de valor que vaya más allá de lo que el propio vendor del modelo pueda replicar de forma demasiado fácil.

Impacto sobre el modelo tradicional

El mayor impacto está en repensar la gobernanza y la incorporación de nuevo código a estos proyectos.

La brecha de supervisión que se genera cuando la ejecución de tareas escala con automatización pero la validación humana no escala está haciendo muy costosa la labor de mantenimiento de los proyectos libres. Mucha contribución con código generado por IA pero que a los maintainers del repositorio les lleva mucho tiempo revisar. Como consecuencia, cada vez más proyectos libres anuncian que de alguna forma limitan la contribución, la pone bajo moderación.

Esto destruye la principal ventaja de estos proyectos libres: que ahí afuera hay mucha más masa gris disponible y capaz de contribuir a proyectos libres, lo que les permite ir por delante de alternativas comerciales diseñadas a puerta cerrada, sin importar lo talentoso de ese equipo que trabaja a puerta cerrada.

La decisión pragmática por ahora es la de permitir IA en el código de las pull requests pero siempre que haya validación humana. Es lo que desde hace unas semanas se ha aprobado para el kernel de Linux.

A corto plazo, les permite seguir navegando. Pero a medio plazo la brecha de supervisión se va a seguir ampliando. No parece sostenible a medio plazo (5 años), y mucho menos a largo.

Pero Linux es la cabeza corta del software libre. Parte de ese selecto grupo de proyectos reconocidos y apoyados sin ambigüedad por todos los actores. ¿Qué pasará con la larga cola? Los pequeños proyectos seguramente estén en situación mucho más dura.

¿Veredicto? Pintan bastos para la larga cola de proyectos, desde pequeñas librerías hasta aplicaciones con no demasiada atención mediática. Todo lo que no sea parte del listado top de proyectos bien financiados y bien mantenidos va a sufrir mucho bajo la presión de una creciente brecha de supervisión.

¿Pero es que no vas a añadir nada positivo? Sí, la comunidad

Acaso el único aspecto que arroja algo de esperanza al contexto del software libre sea su comunidad. Al final, son los que hacen posible que miles de programas y librerías sigan al día, resolviendo problemas reales de todos nosotros, aunque por el camino el coste de supervisar el desarrollo de los mismos esté creciendo por el impacto de una IA que permite que cada vez más personas contribuyan código e ideas.

Ciencia/Inteligencia artificial

Cuando el empirismo adelanta a la comprensión: de la mecánica cuántica a la IA

Publicado en 2026.04.28 por Jose Alcántara / Comentarios desactivados

Cuando se compara la situación actual en torno a la inteligencia artificial con la vivida por los pioneros de la mecánica cuántica hace un siglo, se suele tirar la paralela de que ambos entornos evolucionaron mucho muy rápidamente. Hace un siglo se revolucionó la comprensión del universo a través de la física, y ahora se está viendo nacer una nueva forma de hacerlo prácticamente todo a través de los ordenadores. En ambos casos, mucho cambio, y muy rápido.

Algo de eso hay. Pero el paralelismo va más allá de la sucesión constante de pequeños avances.

O dicho de otra forma, hay similitudes en lo que vemos, y hay similitudes en lo que no entendemos. Un aspecto que une a ambos temas son las incógnitas, la falta de teoría acerca de por qué vemos lo que vemos.

La mecánica cuántica y las redes neuronales que permiten ese deep learning funcionan. La realidad es que funcionan. Pero en ambos casos no entendemos por qué funcionan.

Mecánica cuántica y el colapso de la certeza

Hace un siglo, la falta de explicación teórica derivó en ese célebre duelo entre Niels Bohr y Albert Einstein (con todos los grandes de la cuántica de fondo, claro, pero el relato siempre necesita protagonistas concretos). El desacuerdo era fundamental: el colapso de la función de ondas, esa abstracción matemática que nos permite evaluar el mundo a nivel subatómico.

No me puedo meter ahora demasiado a fondo con los detalles, pero piensen en el gato de Schrödinger: en la incapacidad de saber si está vivo o muerto hasta que abrimos la caja. Mirar es lo que elimina la probabilidad y nos da una certeza; dejamos de preguntarnos si el gato vive o muere para, sencillamente, saberlo. El problema es que, volviendo al mundo subatómico, un siglo después seguimos sin saber por qué colapsa esa función. Paradójicamente, con la mecánica cuántica lo que colapsa es cierta certeza.

La buena noticia es que, aunque la teoría esté incompleta, funciona. Todo el progreso científico-técnico del último siglo se ha construido sobre los hombros de una cuántica que no comprendemos del todo.

Redes neuronales y el empirismo por delante de la razón

A estas alturas ya sabrán a dónde voy. Durante setenta años, la teoría matemática ha ido por delante en el aprendizaje automático. Los científicos probaban cálculos y desarrollos amparados por una teoría matemática que les iba dando la razón. Estaban, como el padre de Tony Stark, limitados por la tecnología de su tiempo, pero eso era todo. Intuían a donde podían ir, porque la teoría numérica estaba ahí.

Excepto ahora.

El tipo de aprendizaje de las redes neuronales que usamos en este 2026 no se puede explicar con la teoría disponible. Podemos ver cómo funcionan, pero no razonarlos con las matemáticas existentes. Es el mismo escenario que el de la cuántica: resultados empíricos sin una base teórica suficiente.

Grosso modo, la teoría clásica predice dos destinos:

Modelo subajustado: El que comete errores pero infiere con cierta dignidad.
Modelo sobreajustado: El que se aprende los datos de memoria y los recita sin más, pero es muy frágil infiriendo un resultado a partir de datos para los que no se ha entrenado.

Las nuevas redes exhiben un tercer comportamiento no previsto por la teoría disponible: a cierta escala de datos y entrenamiento, minimizan el error y, a la vez, infieren mejor que nunca. No sabemos por qué. Es como cuando Rutherford y Bohr sospechaban que por debajo del átomo debían regir leyes que no eran las de la mecánica clásica.

Opiniones enfrentadas: ¿teoría o práctica, qué hacer?

Esto divide a la comunidad de científicos. Están quienes dicen que es urgente e importante entender bien qué está pasando «por debajo» (del mismo modo que Einstein defendía seguir desarrollando la teoría pues la explicación disponible era insuficiente).

Y luego están quienes dicen que si ya hay resultados, dedicar esfuerzos a buscar la explicación teórica es un freno para el avance. Que al final lo que cuenta es que el resultado empírico es bueno y que esa inferencia que no entendemos es inofensiva (estos son quienes se alinearían con Bohr y su grupo de Copenhage).

Fundamentalmente inofensiva añadiría yo, homenajeando a Douglas Adams, que siempre he pensado que Einstein sigue teniendo razón y que nos vendrían bien algunas buenas ideas para explicar ciertas cosas.

[Imagen. Recreación de una amigable quedada apócrifa de Albert Einstein, Yann LeCun, y Geoffery Hinton en Madrid, para hablar de sus cosas. Por Jose Alcántara usando ChatGPT.]

Economía/Empresa y organización/Inteligencia artificial

«No estamos sacando partido a la IA»: la estructura de las organizaciones se está comiendo el aumento de productividad

Publicado en 2026.04.23 por Jose Alcántara / Comentarios desactivados

Desde hace un tiempo en mi día a día no programo tanto como me gustaría, y dedico una buena parte de mi tiempo a gestionar “equipos de equipos” de desarrollo.

Es un tema que tiene su gracia porque la escala es la maldición del software moderno: la mayor parte del software que entregamos requiere mucho más de los míticos uno o dos equipos a los que podemos dar de comer con unas pocas de pizzas familiares. La escala es fricción, es ruido y, sobre todo, es lentitud.

La paradoja de la productividad con la IA (sin anestesia)

La productividad individual se ha multiplicado gracias a la IA, pero en la mayoría de las organizaciones eso no se traduce en entregar valor más rápido al usuario. Es el gran engaño de nuestro tiempo.

Tener un borrador para cualquier idea es ahora instantáneo, los análisis son más finos, y estamos automatizando todo. El código también se produce más rápido que nunca antes. Sí, sí, pero ¿está notándose realmente de cara a tus clientes? Me temo que no.

Una verdad incómoda: el aumento de productividad individual se disipa en la complejidad organizativa.

Tú haces tu parte más rápido que nunca solo para que se muera de asco durante días (o semanas) en el limbo de las dependencias, esperando que otros equipos te abran paso para releasear. El tiempo total para completar una tarea raramente es tiempo programanado. La mayor parte se pasa como tiempo esperando.

Cuando los tiempos de esperan dominan, la IA da a tus programadores satisfacción personal pero no da a tu empresa ventaja competitiva. El rendimiento individual ha explotado, pero si tu estructura no sabe canalizar esa energía, solo estás quemando dinero más rápido. Ahora con tokens en Anthropic.

El rendimiento individual ha explotado, pero es imprescindible crear una organización que sea capaz de sacar partido a esa ganancia.

La velocidad individual no equivale a velocidad de la organización. Esto no es nuevo, lo que pasa es que ahora da mucho más el cante.

Antes la ineficiencia organizativa quedaba enmascarada por la lentitud de implementación. Pero con la IA es más obvio que nunca que el verdadero cuello de botella ya no es la tecnología, sino la estructura de la organización.

Y esto solo va a ir a peor. La velocidad de ejecución se está convirtiendo en el único factor de supervivencia. No me malinterpretéis: la excelencia técnica sigue siendo necesaria, pero sin velocidad de ejecución, estarás fuera del mercado antes de que tu código elegante tenga siquiera la oportunidad de competir.

Esto tampoco es nuevo. ¿Recordáis a la famosa ballena de Twitter? Era la forma graciosa de decirnos que el servidor había reventado. Salía constantemente. Pero, ¿recordáis a alguno de sus miles de competidores que jamás fallaban? No. Se los tragó la historia. En 2026, esa tendencia es una ley física.

La ley de Conway: produces software del modo en que te organizas

¿Cómo hacerlo? Aplicando lo que ya sabemos:

Minimizar dependencias entre equipos (aplicando principios como Domain-Driven Design para reducir la fricción)
Equipos end-to-end. en el límite de eliminar dependencias, genera equipos con potestad end-to-end sobre su dominio de negocio
La organización y sus déficits como ciudadanos de primera. Afrontando los problemas organizativos como problemas de primer orden, por más que las personas en la organización tiendan a resistirse

El señor de la foto de abajo es Melvin Conway. Uno de esos tipos mucho más listos que yo a los que conviene escuchar.

Melvin Conway es un matemático e informático. Desarrolló el concepto de corutinas (permitiéndonos suspender la ejecución de una aplicación, algo que ahora damos por sentado) y fue el primero en aplicar el concepto de un ensamblador. Izquierda. Melvin Conway en 1968 (un año después de acuñar lo que conocemos como Ley de Conway). Derecha. Aproximadamente en 2015.

La ley de Conway en acción

Melvin Conway observó que “las organizaciones diseñan sistemas que reflejan sus estructuras comunicativas”.

Si tus equipos se organizan en silos aislados, tu software será un pastiche de piezas inconexas. La IA hace a los individuos más rápidos, pero si tu diseño organizativo genera fricción, esa velocidad muere en el foso de la comunicación interna.

¿Externalizas? Entonces la productividad se la queda otro

Además del diseño organizativo, hay un elefante en la habitación que explica por qué no ves ese supuesto incremento de velocidad: la productividad se la está quedando tu proveedor.

Si tienes parte de tu desarrollo externalizado y no notas que avancen más rápido, pueden estar pasando muchas cosas. Pero asume la más probable: sí que trabajan más rápido, solo que tú no estás invitado a la fiesta.

En el mundo de los contractors, el incentivo es perverso. El objetivo básico del proveedor es que sigas confiando en él, claro. Pero el objetivo real es tener a todos sus consultores facturando al 100%. Un consultor libre es dinero que dejan de ganar y un riesgo de fuga de talento.

De modo que, si sus desarrolladores ahora son un 30% más rápidos gracias a la IA, ese margen no te lo van a regalar en forma de entregas más tempranas. Lo van a diluir: una gota de «QA extra» por aquí, un poco de procesos internos por allá. O sin más rodeos, van en mejorar su propio margen de beneficio. La renta derivada de la IA la captura quien se remanga para producir el software.

La mentalidad de MBA, en jaque

Sé que esto choca frontalmente con la mentalidad de MBA, esa obsesión por optimizar el uso de recursos y cuadrar presupuestos de costes estructurales frente a gasto en servicios. Pero siento ser yo quien te dé la mala noticia: en el desarrollo de software, the times the are a-changing y las reglas de negocio también.

Últimamente oímos casos de empresas que están internalizando procesos que antes delegaban en SaaS o en terceros. Es el mismo movimiento defensivo: si quieres capturar el valor que genera la IA, tienes que poseer el medio de producción.

Entiendo las ventajas fiscales y operativas de externalizar, pero si quieres ver un impacto real en tu cuenta de resultados gracias a la IA, quizá debas replantearte ese equilibrio entre lo interno y lo externo. Lo que tú no seas capaz de construir por ti mismo, lo vas a tener que pagar a precio de oro, aunque al proveedor le cueste la mitad que hace dos años.

Ni era dorada del vibe coding ni leches: o recuperas el control de tu desarrollo, o estarás subvencionando la eficiencia de otros.

¿Qué nos llevamos de todo esto?

La IA ya es una commodity. Todo el mundo la tiene, no te hace especial. Los ganadores van a ser quienes sepan combinar esa aceleración con agilidad organizacional real.

Entender y abrazar la Ley de Conway es lo que permite que la IA tenga un impacto real de cara al usuario. La pregunta ganadora no es “¿cuántas líneas de código puedo generar yo hoy?” (ya sabemos que podemos generar todas las que hagan falta), sino “¿cuánto tardamos, como equipo, en poner esta idea en manos del cliente?”.

Inteligencia artificial/Lecturas

Dos lecturas complementarias para entender dónde estamos con la IA

Publicado en 2026.04.20 por Jose Alcántara / Comentarios desactivados

Una nota breve para comentar un par de lecturas recientes. Estas últimas semanas he dedicado tiempo a dos libros sobre inteligencia artificial que me han dejado buen sabor de boca, aunque por motivos radicalmente distintos.

El primero es Co-intelligence, de Ethan Mollick (Amazon). Un clásico reciente que tenía en la lista de pendientes desde hace tiempo. Podríamos decir que es la lectura ligera de esta pareja; un texto escrito pensando específicamente en los humanos que vamos a usar estas herramientas (¡los humanos en el bucle!). Al final, eso nos incluye a todos: no hay escapatoria posible a la IA y, desde luego, no podemos desinventarla.

Lo mejor de Mollick es que el libro no contiene ni una sola ecuación, lo que lo hace apto para todos los públicos. Al no perderse en analizar la última novedad técnica de tal o cual modelo, también ha conseguido sobrevivir dignamente al paso del tiempo (recordemos que fue escrito en 2023). No hace falta ser un nerd para extraer ideas valiosas aquí. De hecho, su mayor fortaleza reside en su aproximación fenomenológica: intenta entender cómo nos relacionamos con esta tecnología y qué efectos produce en nosotros. Me ha parecido una lectura sosegada, algo que se agradece en un entorno que suele pendular entre el hype más absurdo y el pánico sensacionalista.

Por otro lado, he terminado Why Machines Learn, de Anil Ananthaswamy (Amazon). Este es un viaje por la historia del machine learning, desde los orígenes de la computación hasta nuestros días. Pero aquí sí hay matemáticas. Muchas. Es, definitivamente, la lectura densa y no es apta para muggles. Incluso si decides saltarte las codas matemáticas, el cuerpo del texto sigue siendo exigente. Con todo, si en algún momento de vuestra vida le disteis duro al álgebra, no os asustéis; no es nada que no hayáis visto en la universidad. Eso sí, poneos el cinturón.

El recorrido desde las primeras neuronas artificiales hasta el deep learning, desgranando los algoritmos que durante 70 años han permitido construir lo que hoy tenemos entre manos, es una auténtica pasada. Lo he disfrutado de principio a fin. Estoy seguro de que volveré a traer este libro a próximas reflexiones, porque conecta rabiosamente bien con temas que ya hemos tocado por aquí como aquella charla sobre cuántica y filosofía a raíz de What is Real y refuerza esa idea de que las revoluciones tecnológicas se cocinan a fuego mucho más lento de lo que nuestra miopía cortoplacista nos permite ver.

Sociotecnología

A hombros de gigantes electromecánicos: lo que el ajedrez nos enseñó sobre la inteligencia artificial

Publicado en 2026.04.17 por Jose Alcántara / Comentarios desactivados

Me gusta el ajedrez. Si eres más joven que yo seguramente pienses que menudo nerd estoy hecho. Debe ser generacional. Crecí en un mundo analógico que ya no existe y en el que el ajedrez era una vara universal de medir inteligencia. Grandes y pequeños, las grandes potencias mundiales competían por tener al campeón vigente.

El prestigio mainstream del ajedrez murió con Deep Blue en 1996. Aquella derrota de Kasparov, entonces campeón mundial vigente, ante la máquina se llevó el prestigio de saber jugar bien al ajedrez. ¿Para qué? Si las máquinas lo hacían mejor.

Todo mal, claro. El ajedrez sigue siendo relevante como lo que siempre fue y debe seguir siendo: un juego de estrategia incomparable.

Con todo, hoy no hemos venido a hablar de ajedrez, sino de cómo los humanos tendemos a quitar el foco de atención de las cosas y perdernos aspectos interesantes. Pero para eso necesito el ajedrez, nos va a dar contexto.

Hay otros dos detalles en la historia moderna del ajedrez con las máquinas que pasan desapercibididos para los no aficionados y que a mí personalmente me gusta recordar, porque nos permiten vislumbrar, un poco al menos, el mundo en el que viviremos el resto de nuestras vidas.

El otro hito: la última vez que el mejor humano superó a la máquina

Nos encanta recordar aquella primera vez en que la máquina superó al mejor humano. No discuto la relevancia.

Pobre Ponomariov olvidado. Año 2005, el ya ex campeón mundial FIDE derrotó al mejor ordenador del momento para jugar al ajedrez. Fue la última vez que un humano derrotó a la mejor máquina de jugar al ajedrez.

El lapso entre la derrota de Kasparov y la victoria de Pomonariov duró una década escasa, apenas nueve años.

Esos nueve años son los que transcurren desde que un sistema emergente, surgido medio siglo antes, alcanzó la paridad competencial con los humanos y los dejó atrás para siempre.

Algo parecido a cuando se inventan los coches y durante muchas décadas fueron mejorando poco a poco sin llegar a superar a los caballos. Entonces, en un pestañeo en torno a 1920-1930, los caballos desaparecieron masivamente de las ciudades porque los coches eran infaliblemente mejores que los caballos.

Sistemas de respuesta no lineal. Durante décadas la mejora va sedimentando pero no llegan a dar una alternativa mejor. Entonces, de repente, sucede. Y la gente compró coches sin subvenciones ni nada, de forma voluntaria.

Un facto: Los humanos de hoy son mejores jugando al ajedrez gracias a la máquina

Magnus Carlsen juega mejor que cualquier otro ajedrecista anterior a su tiempo. Y posiblemente no sea el único ajedrecista de su generación al que esto le pasa.

Cuando la máquina te supera, puedes decidir entrenar contra la máquina. Con la máquina. Mejorar, ir más lejos subiéndote a sus hombros electromecánicos.

Los detractores dicen que el juego se ha vuelto aburrido, que ahora todos juegan igual; en entornos competitivos se firman más tablas que nunca y eso podría darles la razón.

Los defensores dicen que la calidad de los movimientos aumenta, que entrenar con computadoras ha permitido expandir las ideas disponibles y preparar los movimientos mejor que nunca; los jugadores actuales juegan mejor ajedrez que se ha jugado nunca y eso podría darles la razón.

Cuando la IA automatice tu conocimiento, quizá también te ayude a mejorarlo

Un pollo sin cabeza mantiene la calma mejor que mucha de la gente a la que trato diariamente cuando se le habla de inteligencia artificial y automatización.

No sabemos cuál va a ser el alcance. Ni el rol del humano en todo esto. Sabemos, eso sí, que los enfoques tipo el humano en el bucle están, paradójicamente y pese ser relativamente nuevos, a punto de ser puesto a prueba por la simple dinámica de generación automática (escalable de forma no orgánica) y validación humana (limitada por la biología).

Pero si la historia que va desde Kasparov a Carlsen pasando por Pomonariov ha de enseñarnos algo es que los humanos seremos mañana mejor que hoy en esos ámbitos que sean automatizados.

Y si algo nos enseña la historia es que en muy poco tiempo podremos ver los cambios nosotros mismos.

Que eso sea consuelo suficiente o no dependerá, para una mayoría de humanos en sus bucles, de que consigan que alguien les pague por la que sea su labor. Es la clásica pregunta de economía que no me importa afrontar otro día, pero hoy ya nos hemos extendido bastante.

[Imagen: Humano aumentado, por servidor de ustedes usando Gemini.]

El Blog

A vueltas con el bucle, Desde el bucle

Publicado en 2026.04.16 por Jose Alcántara / 2 comentarios

Bucle debe ser una de esas palabras que cada vez están más en todas partes.

Lo primero que recuerdo debe ser alguna descripciones ingenua pero sugerente. Los bucles de su pelo. Dudo que nadie siga usando esta prosa a día de hoy.

Pero entonces están los otros bucles. Los de las estructuras de control, los de repetir una y otra vez las mismas historias, a veces incluso los mismos errores. También el bucle en el que nos refugiamos los humanos en estos tiempos de inteligencia artificial para intentar no sucumbir ante la máquina, levantando una suerte de último foso que justifique y dé sentido a nuestra tarea diaria.

¿Por qué hablo de bucles hoy? Porque está bien explicar el nombre de las cosas cuando se presentan en sociedad. He aquí un sitio en el que leer historias desde el bucle: crónicas sobre humanos atrapados en sistemas digitales. Un humano en el bucle. En algún bucle, en todo caso.

Por eso al ir a probar cosas en Substack y enfrentarme a eso de darle nombre, y tras la decisión deliberada de no darle el mismo nombre que a este blog. Todavía no sé si duplicaré entradas, o será contenido diferente o más experimental. Todo puede pasar.