Hay momentos en los que intento ponerme al día con la inteligencia artificial y tengo la sensación de estar siguiendo una carrera que nunca se detiene.
Aprendes a utilizar una herramienta, entiendes sus posibilidades, empiezas a incorporarla a tu forma de trabajar y, cuando crees que ya tienes cierta soltura, aparece un nuevo modelo, una función diferente o una plataforma que promete hacerlo todo mejor, más rápido y más barato.
Entonces vuelves a sentir que llegas tarde.
Esta velocidad me recuerda, salvando las distancias, a la carrera espacial. Durante buena parte del siglo XX, dos grandes potencias compitieron por alcanzar el siguiente hito antes que su rival. Cada avance tenía una dimensión tecnológica, económica, política y simbólica. No bastaba con progresar: había que llegar primero.
Con la inteligencia artificial sucede algo parecido, aunque esta carrera tiene muchas metas simultáneas. Las empresas compiten por desarrollar el modelo más capaz, atraer al mayor número de usuarios, convertirse en la plataforma sobre la que otros construyen y reducir el coste necesario para generar cada respuesta, imagen o vídeo. También compiten por algo menos visible para quienes usamos estas herramientas: chips, energía, centros de datos, capacidad de cálculo y memoria.
Una competición que también se libra en las suscripciones
Desde fuera, la carrera parece una sucesión de anuncios: un nuevo modelo razona mejor, otro programa, otro genera vídeos más realistas y el siguiente incorpora agentes capaces de ejecutar tareas.
Desde el punto de vista del usuario, la carrera también se nota en las cuotas.
Muchas plataformas tienen planes mensuales relativamente parecidos, junto a niveles considerablemente más caros para quienes necesitan mayor capacidad. Las condiciones, además, cambian con rapidez. Una función aparece primero dentro de una suscripción alta y poco después se amplía a planes más económicos. Un límite de uso baja, aumenta o se redefine. Una herramienta que parecía incluida pasa a consumir créditos adicionales. Otra reduce sus precios para competir.
Esto dificulta decidir qué merece la pena pagar. Una suscripción ya no garantiza necesariamente que dentro de unos meses mantenga la misma relación entre precio, límites y prestaciones. Estamos pagando por acceder a productos que todavía están encontrando su modelo de negocio mientras compiten por ganar cuota de mercado.
Para alguien que quiere aprender, el problema no es únicamente elegir la herramienta adecuada. También es calcular cuánto cuesta practicar con ella.
El verdadero coste de aprender es iterar
Esto resulta especialmente evidente en la generación de vídeo.
Una demostración puede parecer espectacular: escribes una instrucción, adjuntas una imagen y unos minutos después aparece una secuencia que habría requerido mucho más tiempo y recursos mediante métodos tradicionales. Pero aprender a generar buenos vídeos no consiste en acertar una vez.
Hay que iterar.
El personaje puede cambiar de rostro. Un objeto aparece y desaparece. Las manos fallan. El movimiento de cámara no responde como esperabas. La escena pierde coherencia o la herramienta interpreta una instrucción de una manera completamente distinta.
Cada intento consume créditos. Y cada error también.
Por eso el precio real del aprendizaje no se encuentra únicamente en la cuota mensual, sino en cuántas veces puedes probar, equivocarte, corregir y volver a generar. Si los créditos son escasos o caros, experimentar se convierte rápidamente en una actividad difícil de sostener.
Alrededor de esta necesidad ha surgido una gran cantidad de plataformas visualmente muy atractivas. Muchas reúnen modelos similares, ofrecen interfaces sencillas y prometen acceso a distintas tecnologías desde un único lugar. El escaparate cambia, pero la pregunta sigue siendo la misma: ¿cuánto margen real ofrecen para aprender antes de tener que volver a pagar?
Las API y el miedo a perder el control del gasto
Con las API aparece otra dificultad. Son fundamentales para construir automatizaciones y productos, pero su facturación por consumo puede resultar menos previsible que una suscripción fija.
Una prueba mal configurada, un proceso que se repite más veces de las previstas o un volumen de información mayor del calculado puede transformar un experimento pequeño en una factura inesperada. Por eso, al menos en mi caso, prefiero comenzar con servicios que permitan prepagar saldo y establecer un límite claro.
No es una decisión técnica sofisticada. Es una forma sencilla de aprender manteniendo el control: sé cuánto puedo gastar y, cuando se termina el saldo, el sistema se detiene.
Esta cuestión será cada vez más importante. Utilizar un chat permite ver con facilidad qué incluye una cuota. Construir procesos conectados mediante API obliga a comprender tokens, llamadas, modelos, almacenamiento, reintentos y consumo acumulado. La inteligencia artificial puede abaratar determinadas tareas, pero usarla sin medir también puede encarecerlas.
La carrera invisible por la memoria y los recursos
La competencia no se limita al software.
Los sistemas de inteligencia artificial necesitan una infraestructura enorme. La demanda de centros de datos ha impulsado la producción de memorias de alto ancho de banda y componentes destinados a servidores de IA. Al mismo tiempo, los fabricantes están destinando capacidad industrial a esos productos, más rentables y estratégicos, reduciendo la disponibilidad para ordenadores, móviles y otros dispositivos. Análisis de IDC y JPMorgan relacionan esta reasignación de capacidad con la presión sobre la oferta y los precios de la memoria convencional.
Por eso esta carrera empieza a afectar también al precio de la memoria y del hardware de consumo. No se trata simplemente de que «la IA use mucha RAM», sino de que está modificando las prioridades de toda la cadena de producción de memoria.
La carrera digital tiene, por tanto, una dimensión profundamente material. Detrás de cada respuesta aparentemente instantánea existen centros de datos, chips, electricidad, refrigeración, memoria y enormes inversiones. La nube nunca fue algo inmaterial, pero la inteligencia artificial lo hace todavía más evidente.
Estados Unidos acelera, China irrumpe y Europa busca su lugar
Estados Unidos concentra buena parte de las empresas que han marcado el ritmo reciente. OpenAI, Anthropic, Google, Meta, Microsoft y otras compañías están invirtiendo cantidades enormes para no perder su posición.
China, mientras tanto, ha dejado de ser una presencia secundaria. Modelos como DeepSeek o las distintas familias de Qwen han demostrado que existe otra vía de competencia, especialmente mediante modelos abiertos, eficiencia y precios de acceso bajos. Instituciones como Stanford HAI y el Center for Strategic and International Studies ya describen este ecosistema como una parte central de la competencia mundial.
Europa parece avanzar con más cautela y con un peso mayor de la regulación. Tiene empresas, investigación y talento, pero todavía cuesta identificar una propuesta europea con una influencia mundial equivalente a la de los grandes actores estadounidenses o chinos.
Esta diferencia abre un debate difícil. La regulación puede proteger derechos y establecer límites necesarios, pero una región que regula una tecnología desarrollada principalmente fuera de sus fronteras también corre el riesgo de depender de las decisiones, infraestructuras y modelos de otros.
Cuando cada semana parece cambiarlo todo
El resultado para quienes intentamos aprender es una sensación extraña.
Cada semana, o cada pocas semanas, aparece una noticia que parece alterar el mapa: un modelo supera a otro, una empresa reduce precios, una plataforma añade agentes, otra genera vídeo con mayor coherencia y una nueva herramienta promete unificar todo lo anterior.
Cuesta asimilar los conceptos porque la conversación pública se desplaza enseguida hacia la siguiente novedad. Cuando comienzas a dominar una herramienta, ya hay alguien explicando por qué ha quedado anticuada.
Sin embargo, estar al día no puede significar probarlo todo. Sería caro, agotador y probablemente inútil.
Quizá necesitemos distinguir entre las novedades y los fundamentos. Los modelos cambiarán. Las marcas, los precios y las interfaces también. Seguirán siendo importantes la calidad de los datos, la definición del problema, el diseño del proceso, la supervisión humana, la privacidad, el control de costes y la comprobación de que el resultado aporta valor.
¿Y qué ha ocurrido con la promesa de transformar el trabajo?
Mientras continúa esta carrera, permanece una pregunta: ¿cuál es el impacto profesional real de la inteligencia artificial?
Durante los primeros años de la expansión de la IA generativa se repitió con frecuencia que desaparecerían numerosos puestos de trabajo. Ese mensaje de sustitución inmediata parece haber perdido algo de fuerza. La realidad está resultando más compleja.
La inteligencia artificial ya puede asumir tareas concretas, acelerar procesos, facilitar análisis y reducir parte del trabajo repetitivo. También puede producir errores, necesitar supervisión y generar más trabajo cuando se incorpora sin haber ordenado antes el proceso.
Su impacto no será idéntico en todos los sectores ni llegará al mismo tiempo. Algunas tareas desaparecerán, otras se transformarán y aparecerán funciones nuevas. Ya ocurrió con los ordenadores e Internet: modificaron profundamente el empleo, pero no mediante una sustitución repentina y uniforme.
La diferencia puede estar en la velocidad. Nunca habíamos visto tantas capacidades nuevas llegar al mercado en tan poco tiempo, acompañadas por inversiones y expectativas tan grandes.
Aprender sin correr detrás de todo
Después de probar distintas herramientas, sigo teniendo la sensación de que me queda muchísimo por aprender. Pero empiezo a pensar que mantenerse al día no consiste en conocer cada modelo nuevo ni en contratar todas las plataformas que aparecen.
Consiste en desarrollar criterio.
Criterio para saber cuándo una herramienta resuelve un problema y cuándo solo añade complejidad. Para distinguir una demostración llamativa de una solución sostenible. Para calcular el coste completo, incluyendo las pruebas y los errores. Para decidir qué conviene automatizar y qué necesita seguir dependiendo de una persona.
La carrera de la inteligencia artificial continuará. Habrá modelos más capaces, vídeos más realistas, agentes más autónomos y nuevas guerras de precios. Probablemente nunca tendremos la sensación de haber llegado por completo.
Quizá tampoco sea necesario.
En una carrera en la que el terreno cambia mientras lo pisamos, aprender a orientarse puede ser más valioso que intentar correr más rápido que todos los demás.