Revolución industrial de la IA, ¿en qué lugar nos encontramos ahora?

Escribir por: Will 阿望

El año pasado, participé en algunas conferencias del sector sobre IA. Los invitados en el escenario mostraban una y otra vez las novedades de la IA, mientras que la audiencia, con sus teléfonos, tomaba capturas de pantalla, publicaba en redes sociales y luego seguía desplazándose. Pero al volver a la oficina, todo seguía igual: las reuniones semanales, las aprobaciones, los informes semanales. Las grandes empresas ya han incluido el consumo de tokens en sus KPIs, y algunos se convierten en modelos de trabajo solo por usar scripts para aumentar su volumen. En las redes, esa gente dice: hoy la revolución Claude, mañana Codex es increíble, pasado Gemini, ¡viva! —¿Están abrazando la revolución o simplemente corren tras la moda?

Todo eso son ruidos, no la respuesta que quiero.

El verdadero problema no es si la IA es lo suficientemente potente—la máquina de vapor ya está hecha—sino quién será el primero en desmontar el viejo taller.

El día en que realmente empezó la Revolución Industrial no fue cuando Watt mejoró la máquina de vapor, sino cuando los dueños de las fábricas en Lancashire decidieron abandonar los ríos y reconstruir sus talleres en torno a la máquina de vapor. Lo mismo pasa con la IA: no fue el día en que se inventaron los grandes modelos, sino cuando la primera organización decidió desmontar los viejos procesos y reconstruir su producción en torno a la IA. Ese día aún no ha llegado, pero ya está en camino.

Dos personas lo vieron desde hace mucho tiempo. El CEO de Notion, Zhao Yiwan, escribió a finales de 2025 un artículo titulado "Steam, Steel, and Infinite Minds", con un juicio frío: todavía estamos en la fase de "reemplazar las ruedas de agua"—añadiendo chatbots de IA a las herramientas existentes, pero sin rediseñar las fábricas. Leopold Aschenbrenner, ex empleado de OpenAI, tomó otro camino: escribió 165 páginas en "Situational Awareness", y luego fundó un fondo que pasó de 225 millones a 13.68 mil millones de dólares, apostando todo a la infraestructura de IA. Uno mira hacia adentro, el otro apuesta hacia afuera.

Este artículo no trata de ellos. Es sobre nosotros—sobre dónde estamos ahora y qué parte de la historia estamos repitiendo.

(Tejido con telar mecánico, grabado de J. Tingle tras Thomas Allom, 1835 / Wikimedia Commons)

1. El taller o lo viejo

La mayoría de las personas pasan su día así: por la mañana usan IA para redactar un correo, ahorrando diez minutos; luego pasan dos horas en una reunión semanal que podrían no haber tenido que hacer; por la tarde copian y pegan los mismos datos en tres herramientas diferentes; por la noche publican en redes sociales diciendo "la IA es increíble". Esos diez minutos ahorrados se los devora el viejo proceso sin cambios.

De igual forma, cuando apareció la máquina de vapor, los dueños de las fábricas solo reemplazaron las ruedas de agua por vapor, sin cambiar nada más—la fábrica seguía en la orilla del río, seguía siendo un edificio de varias plantas, y la línea de producción seguía siendo movida por un eje central. Hemos integrado ChatGPT en Slack, Copilot en Office, y ventanas de chat de IA en los flujos de trabajo—todo lo mismo. La herramienta se ha actualizado, pero el taller no ha cambiado.

Pero cambiar la máquina no equivale a cambiar el taller. McLuhan lo dijo bien:

Conducimos hacia el futuro a través del espejo retrovisor. Usar viejos procesos para acomodar nuevas herramientas es como si las primeras películas solo fueran obras de teatro filmadas. La verdadera innovación llegará cuando alguien logre deshacerse por completo de la máquina de vapor en los ríos y rediseñe toda la producción en torno a la nueva energía.

Al comparar la línea temporal de la Revolución Industrial con la de la IA, podemos ubicar aproximadamente dónde estamos en el mapa:

Hoy, la línea temporal se ha comprimido muchísimo. La Revolución Industrial tomó 60 años desde la máquina de vapor hasta la fiebre del ferrocarril; la IA, desde Transformer hasta la ola de construcción de centros de datos, solo ha tomado 7 años.

La velocidad no es el problema; el problema es dónde estamos atascados—los primeros cuatro pasos siguen siendo viejos talleres con nuevas máquinas, la máquina de vapor instalada, el ferrocarril en marcha, pero la forma de producir sin cambios. La sexta línea es la verdadera divisoria. Probablemente estamos atrapados entre estos dos pasos.

La máquina de vapor ya está en nuestras manos, pero el taller sigue siendo viejo.

2. Todo el capital en la capa más alejada de la fábrica

La infraestructura siempre se sobreconstruye. Quien termina en quiebra no es la infraestructura, sino los inversores.

En 1846, el Parlamento británico aprobó 263 leyes ferroviarias, autorizando la construcción de 9,500 millas de nuevas vías. La inversión en ferrocarriles alcanzó en su apogeo el 13% del PIB del Reino Unido. Las acciones ferroviarias solo requerían un 10% de depósito, y la clase media se volcó a comprar. La burbuja estalló en 1847. Un tercio de las líneas aprobadas nunca se construyeron, y muchos inversores perdieron todo. Darwin perdió un 60% en acciones ferroviarias, aunque su suerte fue mejor que la de la mayoría.

Pero los ferrocarriles quedaron.

Hoy, la infraestructura de IA sigue ese mismo camino. Goldman Sachs estima que en 2026, el gasto en infraestructura de IA a nivel global alcanzará los 765 mil millones de dólares, y para 2031, se espera que sea de 1.6 billones anuales. La proporción del gasto de capital de los grandes proveedores de la nube respecto a su flujo de caja operativo subirá del 40% en 2023 a casi el 70% en 2025. La inversión en IA ya representa aproximadamente una cuarta parte de toda la inversión en EE. UU. La cifra de Aschenbrenner, 13.68 mil millones, apuesta por esa capa—no por qué aplicación ganará, sino por la infraestructura de cálculo en sí.

Este ciclo de capital es análogo al desarrollo inmobiliario. Construir centros de datos es como edificar edificios: la tierra es la electricidad, los materiales son GPU y almacenamiento, los contratistas son los constructores de centros, los desarrolladores son los proveedores de la nube, los inquilinos son las empresas de IA, y los alquileres son los ingresos por API. El modelo de negocio de los proveedores de la nube es financiarse con los alquileres—usando los ingresos por API para cubrir los gastos de capital, esperando que la explosión de las aplicaciones de IA eleve su valoración.

(La inmobiliaria del cálculo: una generación construye su infraestructura)

El riesgo principal también es el mismo: ¿la caída en el precio de las API se compensa con el crecimiento en su uso? Si los alquileres caen por debajo de la línea de pago de la deuda—esto es lo que más temen los desarrolladores inmobiliarios. La lección de 2008 no fue construir demasiadas casas, sino que la estructura de esas casas no coincidía con la demanda real. El riesgo equivalente en IA es: exceso de capacidad de cálculo general, pero escasez de capacidades especializadas para manejar escenarios de alto valor como cumplimiento financiero o diagnósticos médicos.

Ferrocarriles, bienes raíces, IA—las inversiones en infraestructura de estas eras comparten una misma regla: la sobreconstrucción es la norma, los proveedores de materiales siempre pierden el poder de fijar precios, y las rentas a largo plazo siempre las obtienen los propietarios en las mejores ubicaciones. Basta mirar las carteras de fondos de Wall Street en el primer trimestre: probablemente el 80% está en esa capa de infraestructura—NVIDIA, centros de datos, infraestructura en la nube. Pero la fiebre del ferrocarril nos enseñó que esto no representa toda la revolución de la IA, ni siquiera la capa con mayores retornos.

¿Y cuál es la capa más valiosa de la IA? Son los datos únicos de cada industria y los flujos de trabajo profundamente integrados. Para las personas, la verdadera "zona central" no son las acciones que poseen, sino su juicio insustituible y su conocimiento del sector—si ya han reconstruido la forma en que usan la IA.

La verdadera recompensa está en la siguiente capa. Pero entre infraestructura y creación de valor no hay una conexión perfecta. Hay una brecha—que en la historia ha devorado décadas.

3. ¿Quién está desmontando el taller?

Desmontar el taller y "mejorar con IA" no es lo mismo.

El cofundador de Zhao Yiwan, Simon, antes era un "programador diez veces más rápido", y ahora rara vez escribe código él mismo—maneja tres o cuatro agentes de codificación de IA simultáneamente, logrando una eficiencia de 30 a 40 veces mayor. Notion ahora tiene 1,000 empleados y más de 700 agentes de IA. La diferencia no está en las herramientas, sino en que Simon ha desmontado su viejo taller, mientras que la mayoría solo ha cambiado la rueda de agua.

600 millones de usuarios en China han usado herramientas de IA generativa, un crecimiento del 142%—el mayor mercado de demanda de IA en el mundo. Pero casi ninguna empresa china ha reconstruido sus procesos centrales en torno a la IA. La mayor demanda global, con una oferta casi inmóvil. Esa contradicción en sí misma es una señal: no es que falten herramientas, sino que las organizaciones no han podido seguir el ritmo. El contexto del trabajo del conocimiento está disperso en decenas de herramientas y en las mentes de muchas personas, y los resultados no son verificables; nadie sabe si un memorando estratégico es efectivo o no.

(Los impactos en el mercado laboral de la IA: una nueva métrica y evidencia temprana)

Anthropic ya está actuando a mayor escala. Lanzaron el Índice Económico, que con datos reales muestra qué tareas y sectores son los primeros en ser sustituidos por IA, y luego construyen en base a esa visión: junto con Goldman Sachs, Blackstone y Hellman & Friedman, crean empresas de servicios nativos en IA; con KPMG, establecen alianzas globales, con 276,000 empleados usando Claude; y con Accenture, forman un grupo de negocios, capacitando a 30,000 personas en finanzas, ciencias de la vida y salud.

El papel de estas consultoras no es ser usuarios de IA, sino ingenieros de ferrocarril para la IA—no construyen máquinas de vapor ni colocan vías, sino que ayudan a las empresas a desmontar viejas fábricas y reconstruir sus líneas de producción en torno a la nueva energía. Sin ese rol, la mayoría de los dueños de fábricas no sabrían por dónde empezar.

Las señales ya parpadean. La más aguda viene del mercado laboral.

Los jóvenes de 22 a 25 años en profesiones altamente expuestas a IA tienen un 14% menos de probabilidad de conseguir empleo que sus pares en profesiones menos expuestas. Los puestos básicos ya están siendo desplazados.

Si yo fuera un recién graduado, esa cifra afectaría directamente mi búsqueda de empleo. Si fuera un gerente, la próxima generación de puestos iniciales que contrate probablemente no serán personas.

¿Y la organización, qué? ¿Y la persona? Mi formación, mi currículum, mi experiencia acumulada—todo eso es mi rueda de agua. Antes impulsaba toda mi línea de producción, pero la máquina de vapor ya llegó. Los títulos de las universidades 985 y 211 ya no son un escudo, solo prueban que alguna vez construí una buena fábrica en la orilla del río.

El problema ahora es si tenemos la capacidad de alejarnos de ese río.

Los datos de Anthropic muestran que los usuarios que llevan más de 6 meses usando IA tienen un 10% más de éxito en sus tareas que los nuevos. Los que empezaron hace medio año ya llevan esa ventaja, y esa diferencia se acumula con el tiempo.

Pero, por ahora, ninguna empresa ha quebrado por no usar IA, al menos en mi firma de abogados todavía seguimos avanzando con ella. Los ganadores aún no están definidos en el mercado. La curva de aprendizaje es real—los que empezaron antes ya están acumulando ventajas, pero la mayoría todavía está en el punto de partida.

4. Mi próximo trabajo aún no tiene nombre

¿Existirá mi título profesional dentro de diez años? ¿Cuántas de las herramientas que usaba hace cinco años todavía tengo? La respuesta probablemente sea ninguna. Pero no sé cómo se llamará lo que las reemplace—porque esas cosas todavía no existen.

En la historia, siempre ha sido así. Lo nuevo no se planifica, surge cuando las viejas restricciones desaparecen.

Antes de que se construyeran los ferrocarriles, Reino Unido era un conjunto de economías locales aisladas. El precio del algodón en Manchester podía diferir en un 30% respecto a Londres. Cada ciudad tenía su propio horario, y nadie pensaba que eso fuera un problema. Pero en los veinte años posteriores a la construcción del ferrocarril, todo cambió. Apareció un mercado nacional unificado, los precios se igualaron; el horario estándar fue impuesto por el ferrocarril, no inventado; y trabajos como el de jefe de estación, telégrafo o agente de viajes, simplemente no existían antes del ferrocarril.

Nadie predijo los grandes almacenes antes de construir los ferrocarriles. Nadie imaginó el horario estándar antes de inventar la máquina de vapor.

(El vapor, el acero y la inteligencia infinita de la IA)

La historia de las ciudades repite la misma narrativa. Hace siglos, las ciudades eran a escala humana—cuarenta minutos a pie para recorrer Florencia. La estructura de acero hizo posible los rascacielos, los ferrocarriles conectaron ciudades con el interior, y luego llegaron los ascensores, metro y autopistas. Tokio, Chongqing, Dallas—no son versiones más grandes de Florencia, sino nuevos estilos de vida.

El trabajo del conocimiento actual también es a escala humana. Equipos de unas decenas de personas, reuniones y correos que marcan el ritmo; con más de cien, ya no se puede. Estamos construyendo Florencia con piedra y madera. La IA hace posible "Tokio"—organizaciones con miles de agentes y personal, flujos de trabajo que operan en diferentes zonas horarias. Las viejas reuniones semanales, planificaciones trimestrales y revisiones anuales quizás ya no tengan sentido.

Simon ya no escribe código—su trabajo ahora es "gestionar agentes de IA". Hace dos años, ese puesto no existía. Mi próximo título profesional quizás todavía no tenga nombre. Pero ya hay quienes están construyendo ese futuro que aún no podemos nombrar.

5. Cómo será el nuevo taller

¿Y qué construimos después de desmontar lo viejo? La respuesta de YC es: que la propia empresa se mejore a sí misma.

Sus sistemas internos ahora se actualizan por sí mismos durante la noche. Un empleado envía una consulta por la mañana, falla. Un agente supervisa esa falla, deduce la causa, escribe código para arreglarlo, lo somete a revisión y lo despliega. Al día siguiente, esa misma consulta funciona. Todo en silencio, mientras todos duermen.

No es que la IA produzca un 30% más, sino que el sistema completo cierra un ciclo, aprende a mejorar por sí mismo.

Tom Blomfield, socio de YC, llama a esta forma de organización "el ciclo recursivo de auto-mejora de IA". Su juicio es directo: la mayoría de las empresas siguen siendo como el ejército romano—todo pasa por capas, la información fluye arriba y abajo, y las personas actúan como conductos. La IA no solo mejora la eficiencia de un eslabón, sino que destruye la estructura jerárquica que la sostiene.

Su lógica es: gastar tokens, no personas. El cuello de botella pasa de la mano de obra a la potencia de cálculo. YC observa que las empresas que presentaron en Demo Day tienen un ingreso per cápita unas cinco veces mayor que hace 18 meses. La gestión intermedia es reemplazada por IA—la "colaboración" ya no requiere personas. Cada uno debe ser un IC, un creador, un operador, con un responsable claro, no un comité.

Y hay una condición: la empresa debe ser "legible" para la IA. Lo que no quede registrado, para la IA no existió. YC ahora archiva todos los correos de los socios, todos los mensajes de Slack y grabaciones de horas de oficina. Un socio usó 2,000 horas de grabaciones en tres meses para que la IA generara un manual interno de 150 páginas—mucho mejor que la versión original. Ese manual se actualiza automáticamente cada mes, convirtiéndose en un "cerebro vivo" siempre fresco.

Blomfield deja una pregunta:

Si hoy empezaras desde cero a construir tu empresa, ¿seguirías este modelo? Si ya tienes una estructura jerárquica, la pregunta más difícil sería: ¿el dolor de reconstruir sería menor que seguir funcionando como un ejército romano?

Las personas ya no están en el centro del taller, sino en la periferia—responsables de aquellas áreas donde la IA aún no puede entrar: decisiones offline, escenarios nuevos, momentos de alto riesgo y emoción. El "cerebro" de la empresa está formado por datos, registros y conocimientos del sector. El software que corre sobre él es consumible, puede ser reemplazado y mejorado. Lo valioso está en la mente humana—cómo funciona el negocio, qué pasos involucran juicio, esas comprensiones son el verdadero activo.

Lo que Zhao Yiwan describe en "Steam, Steel, and Infinite Minds" es precisamente esa otra cara—una organización con 1,000 empleados y más de 700 agentes de IA colaborando, donde las personas toman decisiones y los agentes ejecutan. Aschenbrenner apuesta por la infraestructura de cálculo, Zhao Yiwan por la reestructuración organizacional. Ambos caminos conducen al mismo destino: una nueva forma de producción basada en la IA.

6. Epílogo

Entre los años 1840 y 1850—los ferrocarriles ya estaban en marcha, pero las fábricas aún no se habían reconstruido.

¿Dónde estamos? Simon ya no escribe código. Su rueda de agua la desmontó él mismo.

El problema nunca fue si la máquina de vapor era suficientemente buena, sino quién fue el primero en desmontar el viejo taller.

No quiero predecir qué será el gran almacén del futuro, solo quiero hacer bien lo que hago—asegurándome de estar en la línea del ferrocarril, no aferrado a un río que se seca.

¿Y tú?