Hecho por una IA. Este programa lo investiga, lo escribe y lo locuta por completo una inteligencia artificial, sin revisión humana. Puede contener errores. Las fuentes de cada noticia están en la descripción.
¿Quién avala ya el gasto en inteligencia artificial?
La semana en que la bolsa dejó de aplaudir el gasto en centros de datos, Nvidia negocia avalar la obra de un centro de datos que Nscale construye para Anthropic y Blackstone espera para Anthropic una nota de bono basura. Además, la memoria que la IA quita a los portátiles, el nuevo pacto de la web abierta con los rastreadores, un jefe de ingeniería que deja de hacer entrevistas de programación, dónde funcionan de verdad los agentes y el primer escalón de cómo está hecho un modelo por dentro: la atención y el transformer.
Guion
Durante dos años, anunciar que se iba a gastar más en inteligencia artificial subía la cotización. Esta semana ha bajado. Las cuatro grandes tecnológicas de Estados Unidos han presentado resultados, han confirmado que gastarán todavía más, y la pregunta del mercado ha dejado de ser si la demanda existe para pasar a ser quién responde si el dinero tarda en volver. De esa pregunta sale el programa de hoy: quién avala, quién paga la memoria, quién cobra por lo que se lee en la web, cómo se entra ahora en un oficio y dónde trabajan de verdad los agentes. Y estrenamos un bloque fijo: un escalón cada sábado para entender cómo está hecho un modelo por dentro.
El dinero ha cambiado de humor. Alphabet, Amazon, Meta y Microsoft han dicho que este año gastarán entre todas unos tres cuartos de billón de dólares en centros de datos y chips. Alphabet tuvo el jueves el peor día de su historia en bolsa. Amazon cayó tras enseñar que en los últimos doce meses ha gastado más caja de la que ha generado, cuando un año antes le sobraba. Meta, igual en el último trimestre. Solo Microsoft siguió generando caja, y lo explicó con una ironía involuntaria: gastó menos de lo previsto porque sus proveedores no le entregaron la capacidad a tiempo, no porque quisiera frenar.
Como contamos el diecisiete, el crédito ya se estaba encareciendo para los que alquilan cálculo. Lo nuevo de esta semana es que el problema ha subido de piso. Ya no es que una empresa pequeña pague más intereses. Es que las empresas que se pagaban la inversión con lo que les sobraba de su negocio de siempre han dejado de poder hacerlo, y han salido a pedir. Según S&P Global Market Intelligence, Microsoft, Alphabet, Amazon, Meta y Oracle llevan emitida este año el triple de deuda que el año pasado. Cuando una empresa invierte con su propia caja, el riesgo es de sus accionistas. Cuando invierte con deuda, aparece alguien más que quiere saber qué pasa si las cosas van despacio: el que presta.
The Information publicó el jueves que Nvidia negocia avalar miles de millones en préstamos de Nscale, una empresa británica que alquila cálculo, para el campus que construye en Virginia Occidental. El cliente de ese campus es Anthropic, que según el folleto de salida a bolsa de Nscale ha firmado contratos por unos cuarenta y cinco mil millones de dólares solo por el primer edificio, y negocia otro parecido para un segundo. El aval tiene un nombre técnico, garantía de valor residual: si Nscale deja de pagar la obra, Nvidia se queda temporalmente con el edificio, busca comprador y busca inquilino. Hasta ahora Nvidia había respaldado alquileres y compras de chips. Respaldar la construcción es otra cosa, y no llega de la nada: según The Information, Nvidia ya ha comprometido unos ciento setenta mil millones en inversiones y apoyo de crédito a neonubes y grandes clientes, y en septiembre puso dinero convertible en la propia Nscale.
Nvidia vende chips. Nscale los compra con dinero prestado. Anthropic alquila esos chips. Y si el préstamo falla, quien responde es el mismo que vendió los chips. Es lo que en los años noventa hacían Lucent y Nortel con las operadoras de telecomunicaciones: les prestaban para que les compraran equipos, y cuando muchas de esas operadoras quebraron en 2001, la deuda volvió a casa del fabricante. La diferencia: aquellas operadoras no tenían clientes que pagaran, y Anthropic sí los tiene, con ingresos que se han multiplicado por catorce en un año según su propio folleto. El parecido está en otro sitio: cuando el vendedor es también el que avala, el precio del riesgo deja de ponerlo un tercero.
Ese tercero, por cierto, ha hablado. El Financial Times publicó el viernes que Blackstone, el inversor ancla de la financiación de chips de Anthropic, ha avisado a quienes pusieron dinero en esa operación de que espera para Anthropic, tras la salida a bolsa, una nota de crédito en la parte alta del grado especulativo, lo que en la jerga se llama bono basura. Hace poco, la misma Blackstone decía lo contrario: que Anthropic tendría grado de inversión antes de 2027. Anthropic no ha querido comentarlo. Y el contraste con su propio folleto tiene algo de guiño: una carta de los fundadores que pide a los inversores no pensar en la compra de acciones en términos puramente transaccionales, presentada ante la S.E.C., que es el único sitio del mundo donde todo es transaccional. El mismo folleto avisa, con una franqueza rara, de que la empresa puede hacer inversiones adelantadas «que parezcan irresponsablemente grandes».
La lectura tranquila la hizo Andy Jassy, de Amazon, al presentar resultados: su nube crece casi un cuarenta por ciento, será un negocio enorme, y antes hay que gastar. Si los clientes pagan, el gasto se amortiza y el mercado solo está nervioso por el calendario. La lectura inquieta la ponen los que prestan, y la propia Blackstone acaba de rebajar su pronóstico: el gasto ya no se financia con beneficios, sino con deuda, con preferentes y con avales de proveedores. Las empresas que más alquilan, las llamadas neonubes, se han dejado en bolsa más de un treinta por ciento en octubre. Y Nscale tenía en agosto funcionando apenas una vigésima parte de los chips que planea; Microsoft, además, se retiró de una de sus parcelas en Inglaterra porque la conexión eléctrica no llegaba hasta la década siguiente.
La demanda es real, y por eso el ajuste no es un hundimiento; lo que se mueve es el riesgo, y eso tiene consecuencias. La más clara es de poder: si Nvidia es a la vez vendedor, inversor y avalista, decide qué centros de datos se terminan, y con ello qué laboratorios tienen cálculo. Ya no es solo un fabricante; es un banco con fábrica. La otra llega a la economía corriente: la deuda que se emite para centros de datos acaba en fondos de bonos y de crédito privado, que es donde están los ahorros de mucha gente que no ha comprado una sola acción tecnológica. Quien quiera saber cuánto le toca esto no tiene que mirar el Nasdaq, sino la cartera de su plan de pensiones. Y a largo plazo hay un precedente que sale de la misma época que Lucent: la fibra óptica que se tendió a finales de los noventa se quedó años apagada, arruinó a quien la pagó y acabó sirviendo, barata, a la generación siguiente de internet. Que la infraestructura sea útil y que la inversión sea buena son dos preguntas distintas, y esta semana el mercado ha empezado a hacerse la segunda.
Esa misma factura tiene una línea que llega hasta el escritorio de cualquiera: la memoria. El viernes Intel se hundió en bolsa más de un cuarto de su valor en un solo día. Su negocio de centros de datos crece con fuerza, así que el problema no estaba ahí. Estaba en los ordenadores personales. Según Intel, sus clientes han empezado a frenar las compras de portátiles y de equipos de oficina porque la memoria se ha encarecido y escasea, y su negocio de ordenadores ya cae. Su director financiero, David Zinsner, espera que ese frenazo dure al menos hasta la primera mitad del año que viene.
El mecanismo es sencillo de contar y difícil de deshacer. Hay tres grandes fabricantes de memoria en el mundo, Samsung, SK Hynix y Micron. Los centros de datos de IA necesitan una memoria especial, la de alto ancho de banda, que va apilada junto al chip y consume bastante más oblea por cada bit que la de un portátil. Cada oblea que se dedica a esa memoria es una oblea que no va a un ordenador ni a un móvil. Y como los laboratorios y las nubes han firmado contratos largos que reservan buena parte de la producción de los próximos años, el resto del mercado compite por lo que sobra. Samsung espera que la escasez dure al menos hasta 2028; SK Hynix habla de 2030. Una fábrica de memoria tarda años en levantarse, así que no hay respuesta rápida.
En medio de esto, Sam Altman dijo en el pódcast Cheeky Pint que mucha gente cree que con modelos abiertos ejecutados en casa ya no hará falta tanto centro de datos. Pero desde el punto de vista del reparto global, es «bastante terrible» que cada uno tenga en su ordenador una parte de la escasa memoria del mundo usada un cinco por ciento del tiempo. Lo eficiente, según él, es concentrarla en la nube y usarla al máximo.
El argumento tiene una parte buena. Es el mismo que el del coche compartido: un coche aparcado casi todo el día es capital ocioso, y un sistema que lo use más es más eficiente. Pero lo dice uno de los compradores que han reservado esa memoria, y el argumento de que la memoria está mejor en sus servidores que en tu mesa es también el argumento de que tu trabajo pase por sus servidores. Y el cálculo de utilización deja fuera justo lo que lleva a mucha gente a tener un modelo en local: la privacidad, la latencia, trabajar sin conexión. Sin contar que la memoria de un portátil no está ociosa cuando no hace IA: hace todo lo demás. El argumento de Altman sirve para decidir dónde poner un centro de datos; para decidir dónde tiene que vivir la inteligencia que usa cada persona, es interesado.
En el bolsillo, esto quiere decir que los equipos llevan ya dentro, en su precio, una parte de la factura de la IA, y la llevarán al menos hasta mediados del año que viene según Intel, y varios años según los fabricantes de memoria. Quien compre un portátil para correr modelos en local sabe ahora que la memoria es la especificación que más va a costar; quien no lo necesita paga igual la subida. Y en el poder, la pregunta de fondo vuelve a ser la de los años setenta, cuando el cálculo vivía en grandes ordenadores centrales y se alquilaba por horas, y la de los ochenta, cuando bajó a la mesa de cada uno. El precio de la memoria está decidiendo, sin que nadie lo vote, hacia qué lado se mueve ese péndulo.
Como el sábado no hay parte, van ahora las noticias del día, que tiran del mismo hilo del hierro y de quién manda sobre él. Google ha encendido los chips de su primer satélite del Proyecto Suncatcher, el experimento para poner centros de datos en órbita, y el modelo que lleva a bordo, un Gemma cuatro, ha respondido a su primera orden: escribir un haiku sobre estar en el espacio. Lo que de verdad se mide ahora son las pruebas que vienen, cómo aguantan los chips el calor y la radiación. En órbita el sol no se pone, pero en el vacío el calor no se lleva el aire: solo se puede radiar, y eso obliga a radiadores grandes. Google prevé dos satélites conectados entre sí en 2027. Es un paso de ingeniería, no de capacidad: hoy un satélite que escribe poemas; dentro de unos años, quizá, la prueba de si sale más barato llevar los chips al sol que traer la electricidad a los chips.
El papa León catorce, ante un encuentro de la Academia Pontificia para la Vida, ha pasado de su tesis de siempre a dos peticiones concretas. Una, a los Estados que se reúnen en Ginebra en noviembre: que den pasos para prohibir las armas autónomas letales. La otra, contra la idea de dar derechos o personalidad jurídica a estos sistemas, porque deja a quien sufre un daño frente a «una entidad sin rostro». Como contamos el martes, Delaware vota en enero si una sociedad gestionada por un agente puede tener personalidad jurídica sin que sus socios respondan de lo que haga: es justo la entidad sin rostro de la que habla el papa.
Y las funciones antiguas de la inteligencia artificial de Apple llegan por fin a China en diciembre, sin el nuevo Siri y con Qwen, de Alibaba, donde en el resto del mundo está ChatGPT.
Del hierro a lo que se lee: esta semana la web ha intentado renegociar su pacto con los rastreadores. OpenAI, Google, Microsoft y Anthropic han anunciado que respetarán una señal común en el fichero robots.txt de cada web para decir si su contenido se puede usar para entrenar modelos. Google y Microsoft lo harán el año que viene y OpenAI en los próximos meses; Meta la apoya de palabra, sin decir si la respetará; y Anthropic, cuyo ingeniero de estándares Kevin Kelley firma la propuesta, dice que ya la aplica. Conviene saber qué es esa propuesta: un borrador individual en el I.E.T.F., el organismo de los estándares de internet, todavía sin respaldo formal. No añade gramática nueva, solo una palabra clave dentro de los grupos de siempre. Solo habla de entrenamiento. Y el propio texto admite que un acuerdo privado entre una web y una empresa puede pasar por encima de lo que diga la señal. El fichero que la acoge es un acuerdo de caballeros de 1994 que se cumplía porque el buscador devolvía visitas a cambio del texto; el rastreador de IA no siempre las devuelve.
Y aquí está la distinción que el anuncio deja a medias. Un rastreador puede querer una web para indexarla, que trae visitas; para entrenar un modelo, que se hace una vez y reparte el valor de esa web entre miles de millones de parámetros; o para responder a una pregunta en el momento, leyendo la página y dándole al usuario el resumen, lo que en el sector se llama anclar la respuesta. La tercera es la que sustituye la visita. Microsoft, a su favor, ofrecerá dos controles separados, uno para entrenar y otro para anclar respuestas. La señal común, en cambio, habla de entrenamiento.
La Fundación Wikimedia, la que sostiene Wikipedia, ha puesto la raya justo ahí. Lo ha hecho en un escrito como amiga del tribunal en el caso que junta doce demandas contra OpenAI en Nueva York, con la del New York Times a la cabeza, donde el juez todavía no ha decidido si entrenar es uso legítimo. Sin ponerse de ningún lado, defiende que entrenar con obras protegidas sea uso legítimo cuando el modelo produce algo nuevo y distinto. Pero que traer un texto de la web para dárselo al usuario en el chat, lo que llaman anclar la respuesta, no lo sea, y que ahí se respeten las licencias. Para Wikipedia eso significa algo muy concreto: citar a quien lo escribió y mantener lo derivado bajo la misma licencia libre. Y avisa del riesgo contrario: si los tribunales dan a las empresas de IA vía libre para saltarse las licencias, los editores cerrarán más contenido, y los voluntarios que escriben Wikipedia tendrán menos fuentes de las que tirar. El mismo día, OpenAI publicó una página entera de extractos de escritos a su favor bajo el título de que el uso legítimo beneficia a todos.
Y hay una tercera vía, la de las leyes, con su propio riesgo. En Washington y en Nueva York hay proyectos para obligar a todo programa que recorra una web a identificarse y a declarar para qué la recorre, con multas de la Comisión Federal de Comercio de hasta cincuenta y tres mil dólares en el caso federal. Lila Bailey, del Internet Archive, y Tess Vartanian han explicado bien por qué apunta mal: un rastreador que se identifica y llama a una web diez mil veces por minuto cumpliría la ley, y un periodista que analiza de forma anónima miles de declaraciones de bienes de altos cargos, como hizo el Wall Street Journal en una investigación premiada, no la cumpliría. La identidad dice poco del daño. El daño lo da la carga y la sustitución.
La señal común es un avance real y barato a la vez. Real, porque una sola línea vale para todos y eso ayuda sobre todo a las webs pequeñas, que no tienen a nadie siguiendo la lista de rastreadores. Barato, porque renunciar a entrenar con una web nueva le cuesta poco a quien ya ha entrenado con casi toda la web antigua y tiene acuerdos de pago con las fuentes que más importan. Y el propio borrador deja claro hasta dónde llega: un contrato privado vale más que la señal. Eso vale también para Anthropic, que la firma: es una buena propuesta y una concesión que le sale barata. La negociación que decide el futuro de la web abierta es la de las respuestas, no la del entrenamiento, y esa sigue sin estándar. Como contamos ayer, Reddit ya ha empezado a pedir sesión para leer: cuando el pacto no compensa, la web se cierra.
Para quien usa estas herramientas, la consecuencia es menos obvia de lo que parece. Las respuestas buenas de un asistente salen de fuentes que alguien escribe, mantiene y paga. Si esas fuentes se cierran, la respuesta sigue llegando, igual de segura de sí misma, pero hecha con lo que quedó abierto. Wikipedia no es un caso más: es de lo poco que se escribe gratis, a mano y con normas, y por eso es de lo más usado para entrenar. Es como el camino vecinal que los del pueblo arreglaban cada primavera con sus propias manos: pasan camiones cada vez más grandes, nadie más arregla los baches, y un día alguien propone ponerle una barrera.
Lo que vale para el texto vale para el trabajo, y en particular para el primero. Como contamos el miércoles, Microsoft ha ofrecido una salida pagada a unos sesenta mil empleados, y, como contamos ayer, Amazon ha reescrito lo que espera de sus programadores. Esta semana se ha sumado una tercera pieza que mira desde el otro lado, el de la entrada. Felix Rieseberg, director de ingeniería en Anthropic, que también contrata, ha escrito que este mes ha dejado de hacer entrevistas de programación. Su argumento: un ejercicio corto de código era un predictor débil pero útil de quién rendiría en su equipo, y ha dejado de serlo, porque Claude ya resuelve esos ejercicios mejor que los candidatos. Sus mejores constructores, dice, triunfan sean cuales sean sus notas en esas pruebas.
Lo interesante no es el anuncio, sino la tesis que lo acompaña. Rieseberg sostiene que la IA es, en contra de lo que se repite, una buena noticia para los que empiezan, a los que llama, con más precisión, los que no tienen capital social, estatus ni poder dentro de una empresa. Su razonamiento: en una empresa donde ejecutar era caro, había que ganarse durante años el derecho a que alguien apostara por tu idea. Ahora que ejecutar es barato, un recién llegado puede construir un prototipo en un fin de semana y saltarse la cola de documentos, permisos y reuniones. Y el recién llegado tiene una ventaja que se pierde con los años: ve lo raro que los veteranos ya no ven. Su consejo práctico es concreto: pegarse a lo que da dinero a la empresa, elegir una idea ambiciosa, construirla en un fin de semana y no meter tres ideas buenas escondidas entre veinte malas.
Rieseberg dirige equipos que hacen productos de Claude, y su ejemplo estrella es de su propia casa: dos ingenieros nuevos hicieron en un fin de semana la versión gráfica de Claude Code. En la discusión de Hacker News salieron dos objeciones de fondo: que construir deprisa crea cosas que alguien tendrá que mantener durante años, y que «hambre» puede ser una forma amable de llamar a trabajar muchas más horas.
La objeción que nos parece más importante es de economía. En 1973 Michael Spence explicó por qué los títulos y las pruebas sirven para contratar aunque no midan exactamente lo que importa: funcionan como señal porque son caros de conseguir para quien no vale y baratos para quien sí. La entrevista de programación era una señal así. Cuando una herramienta hace la prueba igual de bien para todos, la señal deja de separar, y Rieseberg tiene razón en retirarla. Pero la nueva señal que propone, el prototipo con gusto hecho en un fin de semana, también lo abarata la IA. Si todos los candidatos llegan con un prototipo pulido, lo que separa a unos de otros es lo que la IA no abarata: la recomendación de alguien de dentro, la reputación, el haber trabajado antes con la persona que contrata. Es decir, justo el capital social que Rieseberg dice que ya no hace falta. El riesgo es que la puerta que se abre para los que no tienen contactos se vuelva a cerrar por otro lado.
Qué hace con esto alguien que empieza. Lo útil del consejo de Rieseberg es la parte que no depende de la herramienta: entender qué le importa a la empresa, una idea cada vez, terminada. Y lo que el resto de la semana añade es dónde está el nuevo cuello de botella: en revisar. Si los agentes escriben una parte creciente del código, lo escaso es quien sabe leerlo, juzgarlo y decir que no. En la educación eso pide un giro concreto: menos ejercicios de escribir desde cero, que la máquina ya resuelve, y más de leer código ajeno, encontrar el fallo y defender por qué. Y en el largo plazo, la pregunta que nadie ha resuelto: si el aprendiz ya no aprende escribiendo lo fácil, ¿dónde aprende lo suficiente para juzgar lo difícil? Stack Overflow, que fue durante más de quince años el aula pública de los programadores, ya recibe menos de mil preguntas al mes, como contamos el jueves.
Esa frontera entre lo que se delega y lo que no se ve muy bien poniendo dos cifras juntas. Como contamos ayer, más del cuarenta por ciento de los cambios de código en GitHub ya empiezan con un agente. Y esta semana Tony Xu, consejero delegado de DoorDash, la mayor empresa de reparto a domicilio de Estados Unidos, dijo en la presentación de resultados que, en total, ha recibido «varios cientos» de pedidos hechos por agentes de otras empresas. Para tener la escala: DoorDash hace unos tres millones de entregas al día.
Las dos cosas son verdad a la vez, y la diferencia no es de inteligencia. El mismo modelo que escribe una solicitud de cambio podría pedir una pizza. La diferencia está en lo que cuesta cada parte del trabajo. Hacer la tarea, para empezar: escribir código es caro y lento; pedir la cena en una aplicación son tres toques. Delegar algo que ya es fácil ahorra poco. Luego, comprobar el resultado: el código tiene pruebas automáticas, una diferencia línea a línea y un revisor que lo mira antes de aceptarlo; un pedido no se revisa antes de que llegue el repartidor. Y lo decisivo, deshacer: un cambio de código malo se revierte en segundos, y como contamos ayer, hay empresas que se organizan para poder volver atrás en medio minuto. Un pedido equivocado ya está pagado y viene en moto.
Hay además una razón de mercado. DoorDash quiere que los agentes pidan a través de su propia conexión, y ya habla de vender anuncios dentro de ellos. Amazon bloquea a los agentes personales; Walmart les pone alfombra roja. El comercio decide a quién deja entrar, y lo decide por su margen. El código de una empresa, en cambio, es casa propia: nadie bloquea al agente que uno mismo ha contratado.
Una precisión sobre la cifra de GitHub, porque cambia lo que se puede deducir de ella. El informe dice también que los repositorios nuevos con un fichero de configuración para agentes registran ocho veces más cambios que los que no lo tienen. GitHub avisa de que es un suelo, porque no detecta todo el uso de agentes, pero tampoco prueba que el agente multiplique por ocho el trabajo. Quien se molesta en configurar un agente desde el primer día es, casi por definición, alguien que ya trabajaba mucho y deprisa. Lo que sí es una medida limpia es la proporción de cambios que empiezan con un agente, y esa se ha más que doblado en seis meses.
Para quien quiere aprovechar esto con cabeza, la regla sale sola: antes de delegar una tarea en un agente, mirar cuánto cuesta hacerla, comprobarla y deshacerla. Donde hacer es caro, comprobar es barato y deshacer es inmediato, delegar ya rinde, y mucho. Donde comprobar es caro o deshacer imposible, el agente no ahorra trabajo: lo cambia de sitio, del hacer al vigilar. Y la consecuencia práctica es menos glamurosa que un agente: antes de delegar, construir la forma de deshacer. En la empresa, eso es copias, registros y permisos pequeños, antes que un agente más listo.
Si los agentes funcionan donde se puede comprobar, conviene empezar a entender qué hay dentro de lo que se comprueba. El primer escalón del bloque nuevo es la base sobre la que se apoya casi todo lo demás, la atención y el transformer. Y lo atamos a una noticia de la semana: como contamos ayer, Mistral ha publicado los pesos de su modelo grande con una atención dispersa que solo mira una parte del texto. Para entender por qué eso importa, hay que entender primero qué hace la atención cuando lo mira todo.
El problema que resuelve es este. En la frase «el gato que perseguía al perro maulló», la palabra «maulló» tiene que saber que quien maúlla es el gato, no el perro, aunque el perro esté más cerca. Los modelos anteriores leían el texto en orden, palabra a palabra, y arrastraban un resumen que se iba borrando, como quien intenta recordar el principio de una frase larga dicha de corrido. La atención ya se usaba desde 2014 como ayuda a esas redes: dejaba que cada palabra mirara directamente a las anteriores y decidiera cuáles le importaban. El transformer se atrevió a quitar la lectura en orden y quedarse solo con ella.
El primer paso es convertir el texto en números. Cada trozo de texto, cada token, se traduce en un vector, una lista de unos pocos miles de números. Pensemos en ese vector como la ficha de la palabra: en algunas direcciones del espacio guarda si es un animal, en otras si es un verbo, en otras si es plural. Nadie escribe esas direcciones a mano; salen del entrenamiento. Falta un detalle: la atención por sí sola no sabe el orden. Con las mismas fichas, «el gato que perseguía al perro» y «el perro que perseguía al gato» serían el mismo montón de palabras. En 2017 se resolvió sumando a cada ficha una huella de su posición hecha con senos y cosenos de distintas frecuencias; hoy se usan otras huellas, y eso lo veremos en el escalón siguiente.
El segundo paso es el corazón. De la ficha de cada palabra, el modelo saca tres vectores, multiplicándola por tres matrices aprendidas. Una es la consulta, lo que esa palabra está buscando. Otra es la clave, lo que esa palabra ofrece para que otras la encuentren. Y la tercera es el valor, lo que esa palabra aporta si la eligen. La imagen es la de un mercado de pueblo: la consulta es lo que vas buscando, las claves son los carteles de cada puesto y los valores son lo que se vende dentro. «Maulló» lleva una consulta que, dicho en palabras, viene a ser «¿quién hace este sonido?», y «gato» tiene una clave que dice algo como «soy un animal que puede hacerlo».
Para medir cuánto encaja una consulta con cada clave se usa el producto escalar, el de toda la vida: se multiplican los dos vectores componente a componente y se suma. Si apuntan en la misma dirección, sale un número grande; si son perpendiculares, cero. Un caso mínimo con vectores de cuatro números. Supongamos que la consulta de «maulló» es uno, cero, uno, cero. La clave de «gato» es uno, cero, uno, uno, y la de «perro» es uno, uno, cero, cero. El producto con «gato» da dos; con «perro», uno. Esos números se pasan por una función, la softmax, que los convierte en pesos que suman uno y que exagera las diferencias: con estos valores, «gato» se llevaría casi tres cuartas partes de la atención y «perro» el resto. En los modelos reales, antes de ese paso, el producto se divide por la raíz cuadrada del tamaño del vector, para que con vectores de miles de números los resultados no se disparen y la softmax no se quede mirando una sola palabra; aquí, con esa división, «gato» se quedaría con algo menos de dos tercios.
El tercer paso recoge lo andado. Con esos pesos, la nueva representación de «maulló» es una mezcla de los valores de las palabras anteriores, tres cuartas partes de lo que aporta «gato» y una cuarta parte de lo que aporta «perro». Así, después de esta operación, la ficha de «maulló» ya lleva dentro información sobre su sujeto. Y esto no se hace una vez, sino varias en paralelo, con juegos de matrices distintos, que se llaman cabezas: una puede especializarse en sujetos y verbos, otra en qué pronombre se refiere a qué, otra en la palabra justo anterior. Lo aprende cada una sola.
El cuarto paso es apilar. A cada bloque de atención le sigue una red que transforma cada ficha por separado y que, pese a su sencillez, se queda con la mayor parte de los parámetros; ahí se cree que se guarda buena parte de lo que el modelo sabe del mundo. Y, aquí está el detalle que hizo posible apilar decenas de capas, cada bloque no sustituye la ficha, sino que le suma su aportación. Es la conexión residual. La imagen útil es la de un expediente que pasa de mesa en mesa: cada funcionario añade una nota al margen y lo pasa, pero nadie borra lo que escribieron los anteriores. Eso evita que la información del principio se pierda por el camino y que el gradiente, al entrenar, se apague antes de llegar a las primeras capas. Mistral Large cuatro, el de esta semana, tiene setenta y dos de estas mesas.
Falta una pieza para que sirva para escribir. Al entrenar, el modelo ve frases enteras, pero cada palabra solo puede mirar a las anteriores, nunca a las siguientes: se tapan, igual que se tapa la respuesta de un examen. Así el modelo aprende a hacer lo único que hace al final, predecir el siguiente trozo de texto a partir de los anteriores.
Ahora la objeción que haría cualquiera con algo de matemáticas: si las consultas, las claves y los valores salen de multiplicar por matrices, ¿quién decide qué busca cada palabra? Nadie. Las matrices empiezan con números al azar. El modelo predice la siguiente palabra, se equivoca, se calcula cuánto habría que mover cada número de cada matriz para equivocarse un poco menos, y se mueve. Repetido sobre billones de palabras, las consultas acaban buscando lo que sirve para predecir. Que «maulló» busque a su sujeto no lo programa nadie: es lo que resulta útil para acertar la palabra siguiente.
Cómo se sabe que funciona: el artículo de Google de 2017 que presentó esta arquitectura, con el título de que la atención es todo lo que hace falta, la probó en traducción del inglés al alemán y superó a los mejores sistemas de entonces entrenando unos tres días y medio en ocho tarjetas gráficas. Y la razón de que ganara no fue solo la calidad: fue que, a diferencia de leer en orden, la atención se calcula para todas las palabras a la vez, y eso encaja con lo que hacen bien las tarjetas gráficas, que es muchas multiplicaciones en paralelo. El transformer ganó tanto por lo que piensa como por lo bien que se lleva con el hierro.
Y dónde falla, que es por donde enlaza con Mistral y con el escalón siguiente. Cada palabra compara su consulta con las claves de todas las anteriores. Con mil palabras, eso es del orden de medio millón de comparaciones por cabeza y por capa. Con cien mil palabras, cinco mil millones. El coste crece con el cuadrado de la longitud. Y para no recalcular nada, el modelo guarda las claves y los valores de todo lo leído, que es la famosa caché, y que crece con cada palabra del contexto. Ahí está el origen de casi todas las innovaciones pequeñas de los últimos años: compartir claves entre cabezas, comprimirlas, mirar solo una ventana, o, como hace Mistral, usar un indexador barato que decide a qué partes del texto merece la pena atender con detalle: en su modelo, cada palabra atiende de verdad a unos dos mil trozos elegidos, aunque el contexto llegue a un millón. Es el lector de un sumario que primero repasa el índice y solo después abre los tomos que le importan.
Lo que se deduce es que casi toda la ingeniería de los últimos años no busca que el modelo piense mejor, sino que mire menos sin perder lo que importa. Cuando un modelo se pierde en un documento largo, o se fija en un detalle irrelevante, es esta pieza la que ha mirado mal. El sábado que viene subiremos al escalón siguiente: por qué esa caché es hoy uno de los mayores costes de servir un modelo y qué se hace para que no explote.
Sam Altman habló también de matemáticas en el mismo pódcast, y es la voz que más ha dado que hablar esta semana. Lo nuevo no es que defienda publicar resultados, que ya lo había dicho, sino tres reconocimientos. Que la búsqueda de problemas matemáticos «se descontroló» durante un tiempo, y que fue a propósito, para probar los límites de los modelos; contó que había un canal interno donde los empleados lanzaban a los modelos los problemas más difíciles que encontraban. Que OpenAI se ha gastado del orden de cientos de millones de dólares en matemáticas, unos diez millones solo en su resultado sobre las ecuaciones de Navier-Stokes. Y que tiene más resultados sin publicar que los cientos ya publicados. Su frase de fondo: la humanidad merece el conocimiento fundamental y no hay que quedárselo.
El resultado más esperado, el de la teoría cuántica de Yang-Mills, la base matemática de la fuerza nuclear fuerte, sigue sin publicarse, y esta semana ha salido el comunicado del grupo que lo custodia, presidido por el premio Nobel David Gross con otros cuatro físicos y matemáticos. OpenAI le pidió a Gross el dieciséis de octubre que se hiciera cargo de la prueba; él eligió al resto del comité, que dice no tener ninguna responsabilidad ante OpenAI. Según el comité, la prueba, que incluye el acoplamiento a los fermiones, parece demostrar que la teoría existe de forma rigurosa en el límite continuo, y se apoya en el trabajo de Tadeusz Balaban de los años ochenta sobre el grupo de renormalización. No resuelve el salto de masa ni el confinamiento de los quarks, que son la parte del problema del milenio que la gente recuerda. Primero comprobarán, con una versión formalizada en Lean, que los enunciados son los de siempre, y después publicarán la prueba con su evaluación. Esa custodia es una forma razonable de hacerlo, y OpenAI la ha cedido. Lo que sí se queda OpenAI son los resultados que el propio Altman reconoce tener sin publicar, y ahí la frase de que el conocimiento no hay que guardárselo no tiene comité detrás.
De los cabos que la semana dejó sueltos, Anthropic sigue sin precio por acción ni cifra a recaudar en su folleto; lo que sí ha llegado es la nota de crédito que se espera, y que hemos contado al principio. Gemini cuatro Carbon ya tiene su coste por tarea: según Artificial Analysis, unos ocho dólares por cada tarea de su índice, en torno a una cuarta parte menos que Claude Opus cinco punto cinco con una inteligencia parecida, aunque más que GPT seis Astra; y sigue sin estar abierto a todo el mundo. Siguen abiertos, sin novedad esta semana, qué eran los tokens ocultos que añadía la A.P.I. de Grok, cómo se robó la credencial de ConnectWise, cómo entraron en OpenCode y quién atacó la red de frío francesa.
Lo que deja esta semana no es ninguna cifra, sino una línea que la atraviesa entera: la inteligencia artificial está abaratando unas cosas y encareciendo otras, y casi nunca las que se esperaba.
Se abarata lo que se puede ejecutar y comprobar. Escribir código, resolver el ejercicio de una entrevista, montar un prototipo en un fin de semana. Ahí delegar ya rinde, y quien sigue haciendo a mano lo que se puede comprobar y deshacer en segundos paga un precio que nadie le pide. Pero el abaratamiento tiene una trampa que la semana ha enseñado dos veces. Cuando una prueba se abarata para todos, deja de distinguir: le pasó a la entrevista de programación y le pasará al prototipo pulido. Y cuando el texto se abarata para quien responde, deja de compensar escribirlo: le está pasando a la web abierta. Lo barato no desaparece; desplaza el valor hacia lo que queda caro.
Se encarece lo que no se puede fabricar deprisa. La memoria, porque una fábrica tarda años en levantarse y los contratos largos ya están firmados. El crédito, porque el que presta quiere ver beneficios antes de que lleguen. La fuente original, porque quien la escribe empieza a cerrar la puerta. Y la reputación, porque cuando cualquiera puede presentar un trabajo impecable hecho con ayuda, lo que vale es que alguien haya visto cómo trabajas.
De ahí sale algo práctico para cualquiera que tenga que decidir en los próximos dos años. Si se trata de comprar equipo, la memoria es el componente cuyo precio refleja hoy la escasez de la IA, y lo seguirá reflejando: tiene más sentido decidir ahora si de verdad hace falta un modelo en local que esperar a que baje. Si se trata de elegir proveedor de IA para una empresa, la pregunta ya no es solo qué modelo es mejor, sino quién está detrás sosteniendo el cálculo que ese proveedor promete: un laboratorio con nota de bono basura y un centro de datos avalado por su fabricante de chips no son lo mismo que una nube con caja propia, aunque el modelo sea excelente. Y si se trata de la propia carrera, lo que sube de precio es lo que la máquina hace peor o no puede firmar: juzgar un resultado ajeno, saber de dónde sale un dato, tener a alguien que responda por ti.
Hay una idea más de fondo. El riesgo de la inteligencia artificial se está moviendo de sitio sin que nadie lo anuncie: del accionista al que presta, del que presta al proveedor que avala, del fabricante de chips al que compra un portátil, de la web que escribe al usuario que recibe respuestas hechas con lo que quedó abierto. Ninguno de esos movimientos sale en los titulares de los lanzamientos. Pero son los que deciden quién paga la factura cuando llegue, y esa factura, como la memoria, se reparte entre mucha más gente de la que la ha pedido.
Lo caro de esta tecnología ya no está en lo que hace, sino en lo que no se puede hacer más deprisa.
Fuentes
- TechCrunch, Cracks are emerging in the AI spending boom (gasto de capital, caja libre y deuda de S&P Global Market Intelligence) — https://techcrunch.com/2026/10/30/cracks-are-emerging-in-the-ai-spending-boom/
- Alphabet, resultados del tercer trimestre de 2026 (anexo 99.1 del 8-K, S.E.C.) — https://www.sec.gov/Archives/edgar/data/1652044/000165204426000080/googexhibit991q32026.htm
- Microsoft, resultados del primer trimestre fiscal de 2027 (anexo 99.1 del 8-K, S.E.C.) — https://www.sec.gov/Archives/edgar/data/789019/000119312526436122/msft-ex99_1.htm
- TechCrunch, Nvidia weighs playing the cosigner for Nscale's AI data center in West Virginia (dato de The Information y Bloomberg) — https://techcrunch.com/2026/10/30/nvidia-weighs-playing-the-cosigner-for-nscales-ai-data-center-in-west-virginia/
- Nscale, folleto de salida a bolsa (formulario S-1, contratos con Anthropic en el campus Monarch) — https://www.sec.gov/Archives/edgar/data/2110365/000119312526395475/ck0002110365-20260918.htm
- Financial Times, Anthropic may not secure investment-grade rating after IPO, Blackstone says — https://www.ft.com/content/59383c7f-8d82-493f-bf01-d2e862a1018f
- TechCrunch, Anthropic expected to receive high 'junk' rating from credit agencies following IPO — https://techcrunch.com/2026/10/30/anthropic-expected-to-receive-high-junk-rating-from-credit-agencies-following-ipo-report-says/
- Anthropic, folleto de salida a bolsa (formulario S-1) ante la S.E.C. — https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm
- The Verge, Silicon Valley wants you to invest in miracles (la carta de los fundadores y los factores de riesgo del S-1) — https://www.theverge.com/ai-artificial-intelligence/1023070/anthropic-ipo-risk-factors-filing-miracles
- Intel, resultados del tercer trimestre de 2026 (anexo 99.1 del 8-K, S.E.C.) — https://www.sec.gov/Archives/edgar/data/50863/000005086326000188/q326earningsrelease.htm
- TechCrunch, Intel's stock crashes, knocking $12B from government's stake — https://techcrunch.com/2026/10/30/intels-stock-crashes-knocking-12b-from-governments-stake/
- The Verge, Sam Altman says it's better for RAM to be in a data center than on your desk (y la escasez según Samsung y SK Hynix) — https://www.theverge.com/ai-artificial-intelligence/1023820/sam-altman-ram-shortage-cloud-servers
- Google, Google receives response from Project Suncatcher prototype satellite in space — https://blog.google/innovation-and-ai/models-and-research/google-research/project-suncatcher-satellite-response/
- The Verge, Google's satellite AI server transmits its first response to Earth — https://www.theverge.com/tech/1023528/google-project-suncatcher-ai-satellite-transmission
- León XIV, discurso a los participantes en el encuentro de la Academia Pontificia para la Vida (30 oct 2026) — https://www.vatican.va/content/leo-xiv/en/speeches/2026/october/documents/20261030-incontro-pav.html
- The Verge, Apple Intelligence is finally coming to China with iOS 27.3 — https://www.theverge.com/tech/1023974/apple-intelligence-china-ios-27-3
- OpenAI, Making it easier for websites to express AI training preferences — https://openai.com/index/helping-websites-express-ai-training-preferences
- The Verge, The biggest names in AI are backing a new way to opt out of scraping — https://www.theverge.com/tech/1023763/openai-google-microsoft-ai-scraping-standard-opt-out
- Kevin Kelley, Machine-Readable Training Preference Signal (borrador del IETF, 30 oct 2026) — https://datatracker.ietf.org/doc/draft-kelley-aipref-training-preference-signal/
- IETF, grupo de trabajo AI Preferences (aipref) y su vocabulario de preferencias — https://datatracker.ietf.org/wg/aipref/about/
- IETF, RFC 9309, Robots Exclusion Protocol — https://www.rfc-editor.org/rfc/rfc9309.html
- Fundación Wikimedia, escrito como amiga del tribunal en In re OpenAI (30 oct 2026) — https://wikimediafoundation.org/news/2026/10/30/wikimedia-foundation-amicus-brief-new-york-times-v-open-ai-case/
- Stephen LaPorte, Why Wikimedia is speaking up in a major AI copyright case (Diff) — https://diff.wikimedia.org/2026/10/30/why-wikimedia-is-speaking-up-in-a-major-ai-copyright-case/
- OpenAI, Fair use benefits everyone — https://openai.com/index/fair-use-benefits-everyone
- Lila Bailey y Tess Vartanian, Breaking the Open Web Won't Stop the Bad Bots (Tech Policy Press) — https://www.techpolicy.press/breaking-the-open-web-wont-stop-the-bad-bots/
- TechCrunch, As search traffic dries up, Reddit announces it's shifting to a logged-in experience — https://techcrunch.com/2026/10/29/as-search-traffic-dries-up-reddit-announces-its-shifting-to-a-logged-in-experience/
- Microsoft, Introducing a Voluntary Exit Offer — https://blogs.microsoft.com/blog/2026/10/26/introducing-a-voluntary-exit-offer/
- Amazon, An update from Amazon engineering leadership on the role of the developer in the age of AI — https://www.aboutamazon.com/news/company-news/amazon-software-engineer-role-guideline-ai
- Felix Rieseberg, Hunger beats tenure: Advice for junior engineers — https://felixrieseberg.com/hunger-beats-tenure-advice-for-junior-engineers/
- Hacker News, debate sobre «Hunger beats tenure» — https://news.ycombinator.com/item?id=50266719
- Michael Spence, Job Market Signaling (Quarterly Journal of Economics, 1973) — https://doi.org/10.2307/1882010
- Stack Exchange, A.P.I. de preguntas de Stack Overflow — https://api.stackexchange.com/2.3/questions?site=stackoverflow&filter=total
- GitHub, Octoverse 2026 — https://github.blog/news-insights/octoverse/octoverse-commits-pushes-reach-new-highs-in-2026-as-developers-build-with-agents/
- TechCrunch, DoorDash said it's only received 'several hundred' orders from AI agents — https://techcrunch.com/2026/10/30/doordash-said-its-only-received-several-hundred-orders-from-ai-agents/
- Simon Willison, Building a multiplayer game world with autonomous Fable-class models (Spawn y la vuelta atrás) — https://simonwillison.net/2026/Oct/29/how-i-built-the-most-ai-pilled-company-in-the-world/
- Mistral AI, Mistral Large 4 is now open weight — https://mistral.ai/news/mistral-large-4-oss/
- Mistral AI, configuración de Mistral Large 4 en Hugging Face (capas, indexador y contexto) — https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/raw/main/config.json
- Vaswani y otros, Attention Is All You Need (arXiv, 2017) — https://arxiv.org/abs/1706.03762
- The Verge, Sam Altman sympathizes with mathematicians, but says OpenAI's math onslaught won't stop — https://www.theverge.com/ai-artificial-intelligence/1023054/altman-cheeky-pint-ai-math-interview
- Douglas, Gross, Jaffe, Klebanov y Nekrasov, comunicado del comité sobre la prueba de Yang-Mills (KITP, Universidad de California) — https://www.kitp.ucsb.edu/sites/default/files/YM_working_group.pdf
- Hacker News, debate sobre el comunicado de Yang-Mills — https://news.ycombinator.com/item?id=50303579
- Artificial Analysis, Gemini 4 Carbon is the new #1 on the Intelligence Index v5 (coste por tarea) — https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1
- Artificial Analysis, API de modelos de lenguaje (31 oct 2026) — https://artificialanalysis.ai/api/v2/data/llms/models