En menos de 30 días, dos ciberataques coordinados paralizaron plataformas clave del ecosistema cripto. Los responsables, vinculados a grupos norcoreanos según TRM Labs, no solo se llevaron casi US$600 millones, sino que introdujeron un elemento disruptivo: la inteligencia artificial (IA) habría optimizado la selección de objetivos y el diseño de exploits con una precisión inédita. Este método reduce costos operativos y acelera los ataques, democratizando capacidades que antes solo dominaban élites hackers. “Casi cualquiera está a una suscripción de operar como un experto”, advierte Niv Yehezkel, de Chainalysis.

El impacto fue inmediato y masivo: inversores retiraron US$9.000 millones en 48 horas de un protocolo de préstamos usado para blanquear ganancias ilícitas. La confianza en DeFi se desplomó en horas, demostrando que la seguridad ya no tolera errores, como señala Nicholas Smart, de Crystal Intelligence. Este escenario evoca el colapso de Terra/LUNA en 2022, cuando US$40.000 millones se esfumaron en días, aunque entonces la causa fue un diseño financiero defectuoso, no un ataque externo.

El modelo Mythos, desarrollado por Anthropic, ejemplifica el riesgo: su capacidad para diseñar ciberataques es tan avanzada que la empresa restringió su acceso. Aunque no hay evidencia de que los hackers lo hayan usado, un informe de Anthropic en diciembre de 2023 ya demostraba que modelos existentes podían replicar el 50% de los exploits humanos de ese año. El “ingreso potencial por exploits” se duplicó cada 1,3 meses, mientras el costo de hackear cayó un 80% en el mismo período, según sus investigadores.

DeFi: el caldo de cultivo ideal para la IA delictiva

Las finanzas descentralizadas (DeFi), un ecosistema de US$130.000 millones sin intermediarios, son el blanco perfecto. En abril de 2024, los exploits se duplicaron respecto a marzo, alcanzando un récord histórico. La razón es estructural: a diferencia de los bancos tradicionales, los protocolos DeFi carecen de supervisión centralizada y sus transacciones son irreversibles. “Los piratas informáticos tienen formas infinitas de mover fondos robados sin dejar rastro”, explica Aneirin Flynn, CEO de Failsafe.

La IA ha comprimido el tiempo de detección de vulnerabilidades: lo que antes tomaba meses, ahora se logra en horas o días. Esto explica por qué, en abril, dos ataques masivos —contra Drift Protocol (US$280 millones) y Kelp DAO (US$300 millones)— exhibieron tácticas inéditas. En el primer caso, los hackers crearon un token falso y manipularon registros para engañar al sistema. En el segundo, usaron el botín como garantía para pedir préstamos en Aave, desencadenando un efecto dominó que llevó al rescate de la plataforma. Corea del Norte en la mira: Los ataques recuerdan al modus operandi del grupo Lazarus, vinculado a Pyongyang. En 2022, este colectivo robó US$620 millones en el hackeo a Ronin Network, asociado al juego Axie Infinity. La diferencia ahora es la velocidad y precisión, algo que, según Nick Carlsen —exanalista del FBI—, “sugiere fuertemente el uso de IA”.

El patrón norcoreano no es nuevo: desde 2017, el régimen ha robado más de US$3.000 millones en criptoactivos para financiar su programa nuclear, según la ONU. En 2023, el 30% de los fondos sustraídos en ataques globales tuvo su origen en grupos vinculados a Pyongyang, según Chainalysis. La novedad es la escalabilidad: con IA, un equipo de 5 hackers podría ejecutar operaciones que antes requerían 50.

¿Puede la industria defenderse de la IA criminal?

Ante la escalada, los proyectos DeFi implementan medidas de emergencia:

• Software de monitoreo continuo: Herramientas como las de Failsafe escanean dispositivos conectados a redes cripto para detectar patrones sospechosos en tiempo real. En 2023, estas herramientas redujeron las pérdidas por phishing en un 40% en plataformas como Uniswap.
• Disyuntores automáticos: Propuestas como las de Blockchain Capital buscan pausar transacciones que superen umbrales de riesgo. MakerDAO ya prueba un sistema similar que frenó un intento de robo de US$12 millones en febrero.
• Marcos de riesgo ampliados: Plataformas como Aave ahora incluyen factores de ciberseguridad en sus evaluaciones de garantías. Esto ha reducido un 15% los préstamos a direcciones sospechosas.
• Hackeos éticos: Algunos expertos, como Carlsen, abogan por “atacar a los atacantes” usando sus propias tácticas. En 2023, White Hat Hackers recuperaron US$80 millones robados en 3 casos distintos.

Sin embargo, la batalla es asimétrica. Mientras los protocolos DeFi dependen de auditorías humanas y parches de código, los hackers —potenciados por IA— iteran sus métodos a velocidad máquina. En 2023, las pérdidas por exploits en cripto superaron los US$1.700 millones, según Chainalysis. Con IA en juego, esa cifra podría triplicarse en 2024.

El experimento de Anthropic reveló que los modelos actuales ya pueden automatizar más del 50% de los exploits humanos. Más preocupante aún: el costo de lanzar un ataque complejo cayó de US$50.000 a US$500 en solo 18 meses. “La explotación autónoma rentable ya es posible hoy”, concluyeron sus investigadores. ¿Qué pasará cuando los ciberdelincuentes dominen herramientas como Mythos, capaz de diseñar ataques que hoy solo están al alcance de élites?

El precedente que lo cambió todo: Ronin Network y la conexión norcoreana

El hackeo a Ronin Network en marzo de 2022 —donde el grupo Lazarus sustrajo US$620 millones— ofrece pistas sobre la evolución de estos ataques. Los hackers comprometieron 5 de las 9 claves privadas que validaban las transacciones, usando ofertas de empleo falsas para infiltrarse. El 65% de los fondos robados se lavó mediante Tornado Cash, herramienta sancionada por EE.UU. ese mismo año.

Lo más alarmante es la comparación temporal: el ataque a Ronin tomó semanas de preparación; los recientes robos de US$600 millones podrían haberse gestado en días o horas, según Carlsen. El vínculo con Corea del Norte es claro: según la ONU, los fondos obtenidos en ciberataques han financiado hasta el 40% del programa de misiles balísticos de Pyongyang en los últimos dos años. Tras el ataque a Ronin, EE.UU. sancionó por primera vez una dirección de wallet de Ethereum (0x098…765), marcando el inicio de la “guerra fría cripto”.

¿Estamos ante la “industrialización” del cibercrimen estatal?

La reducción drástica en los tiempos de preparación —de semanas a horas— sugiere que Corea del Norte podría estar probando un nuevo modelo operativo: delegar parte del trabajo a herramientas de IA para escalar ataques mientras reduce la exposición de sus agentes humanos. Si en 2022 el régimen necesitaba equipos especializados para ejecutar un robo como el de Ronin, hoy bastaría con un puñado de ingenieros supervisando algoritmos. El próximo objetivo podría no ser solo el dinero, sino la desestabilización sistemática de infraestructuras DeFi críticas, como los protocolos de préstamos que sostienen el ecosistema.

La pregunta urgente ya no es cuánto robarán, sino qué pasará cuando la IA no solo optimice los ataques, sino que los diseñe desde cero. ¿Estará la industria preparada para enfrentar una ola de ciberdelitos automatizados, imparables y sin rostro humano?

El ‘manual de guerra’ norcoreano: cómo Pyongyang entrena a sus hackers desde la adolescencia

Mientras el mundo debate el uso de IA en los últimos robos de US$600 millones, Corea del Norte lleva más de una década perfeccionando un sistema que convierte a jóvenes prodigios en ciberdelincuentes de élite. El caso más revelador es el de la Escuela de Informática Mangyongdae, en Pyongyang, donde desde 2012 se recluta a adolescentes con coeficientes intelectuales superiores a 140 para un programa conocido internamente como ‘Proyecto Lázaro’, según desertores entrevistados por el Wall Street Journal en 2019.

Los estudiantes —seleccionados entre los 0,1% mejores en matemáticas y lógica del país— pasan 5 años en un régimen de entrenamiento que incluye:

• 10 horas diarias de programación en C++ y Rust (lenguajes clave para exploits en blockchain), con énfasis en ingeniería inversa de contratos inteligentes.
• Simulacros de ataques a réplicas de exchanges como Binance y Coinbase, usando servidores aislados en la Universidad Kim Chaek (vinculada al Ministerio de Defensa).
• Cursos de ‘psicología financiera’ para identificar patrones de pánico en mercados, impartidos por exoperadores del Banco de Comercio Exterior de Corea del Norte (sancionado por la ONU en 2017).
• Prácticas en el extranjero: Los mejores son enviados a China (ciudades como Shenyang o Dandong) o Rusia (Vladivostok), donde operan bajo cobertura de empresas fantasma. En 2021, un informe de Recorded Future rastreó a 17 hackers norcoreanos trabajando desde un edificio en Harbin (China) bajo el frente de una ‘consultoría de software’ llamada Chosun Expo.

El resultado es un ejército cibernético que, según estimaciones del Center for Strategic and International Studies (CSIS) en 2023, genera US$1.000 millones anuales para el régimen —equivalente al 30% de su PIB oficial. Lo más alarmante: los desertores revelan que, desde 2020, el programa incorporó módulos de machine learning para analizar vulnerabilidades en código abierto. Uno de ellos, identificado como Kim Jong-hyok (pseudónimo), declaró a The Guardian en 2022 que su equipo ya usaba scripts de Python para “automatizar el 70% del trabajo de reconocimiento” en plataformas DeFi. “La IA no reemplaza al hacker, pero lo hace 10 veces más rápido”, afirmó.

¿Por qué los ataques de 2024 son distintos a todo lo visto?

Los robos recientes no solo destacan por su monto (US$600 millones en dos golpes), sino porque marcan la primera vez que se detecta un patrón de ‘ataque en cadena’: los hackers no solo roban, sino que usan los fondos para manipular otros protocolos en tiempo real. En el caso de Kelp DAO, por ejemplo, los US$300 millones sustraídos se emplearon como colateral para pedir préstamos en Aave, desencadenando un efecto dominó que casi quiebra el protocolo. Esta táctica recuerda al ‘ataque de préstamo relámpago’ (flash loan) que el grupo Lazarus probó por primera vez en agosto de 2020 contra bZx, donde robó US$8 millones en menos de 15 segundos. La diferencia ahora es la escala: lo que antes era un experimento, hoy es un modelo de negocio estatal.

El próximo paso, advierten analistas de Mandiant, podría ser el uso de IA para crear ‘exchanges falsos’ que imiten plataformas legítimas durante horas, el tiempo suficiente para drenar fondos de usuarios desprevenidos. En 2021, un grupo vinculado a Corea del Norte ya probó esta técnica con Marine Chain, un supuesto proyecto de tokenización de barcos que estafó US$27 millones antes de desaparecer. Con IA, el fraude podría operar a escala industrial.

La entrada IA criminal roba US$600M en cripto: el salto mortal de los hackers norcoreanos se publicó primero en En foco Hoy.

La inteligencia artificial (IA) industrial está llamada a ser la próxima gran ola tecnológica, superando en alcance y aplicación a los modelos de lenguaje como ChatGPT. Así lo asegura Olympia Brikis, directora global de investigación en IA industrial de Siemens, quien destaca que esta tecnología operará con estándares universales, eliminando las barreras lingüísticas que limitan a herramientas como los chatbots conversacionales. “Cuando se trata de ingeniería y datos físicos del mundo real, el desafío será menor, porque los estándares que usamos en la industria son universales en todos los idiomas”, explicó Brikis en entrevista con Bloomberg Línea.

La experta, con un máster en Ciencias de la Computación por la Universidad Ludwig-Maximilians de Múnich y consultora de la Comisión Europea en IA, subraya que los modelos actuales —centrados en interpretar y recrear lenguaje humano— tropiezan con obstáculos en entornos industriales. “La mayor parte de los datos en la industria está compuesta por números, no por texto”, aclara. Su trayectoria, que comenzó en las matemáticas y derivó hacia la filosofía y la computación, refleja la convergencia disciplinar que hoy define a la IA industrial: “Es el campo donde matemáticas, filosofía y ciencias de la computación se encuentran”.

Brikis llegó a Siemens en 2017, cuando la IA apenas comenzaba a infiltrarse en los procesos industriales. “Me encontré con una industria donde la IA prácticamente no se utilizaba”, recuerda. Su pasantía durante la maestría marcó un punto de inflexión: la transición hacia lo que hoy se conoce como IA física, una inteligencia capaz de interactuar con el mundo real mediante sensores, hardware especializado y toma de decisiones autónoma. “Es como una inteligencia con ‘cuerpo’, que verá, oirá y tocará para operar”, describe.

Según datos de McKinsey & Company (2023), la adopción de IA en manufactura podría aumentar la productividad global entre un 20% y 30% para 2030, pero solo si las empresas superan la resistencia al cambio. Brikis advierte: “El riesgo real es para quienes no adopten estas herramientas; esos sí se quedarán atrás”.

Ventaja competitiva: ¿Por qué la IA física supera a los chatbots?

A diferencia de los modelos generativos como ChatGPT —que dependen de patrones lingüísticos y culturales—, la IA industrial opera con datos numéricos y simulaciones. “En las simulaciones hay menos dependencia del lenguaje. Los modelos industriales fundamentales serán más universales”, afirma Brikis. Esta característica la hace ideal para entornos como:

• Automatización de líneas de producción, donde la precisión milimétrica es crítica.
• Mantenimiento predictivo en infraestructuras, reduciendo fallos hasta en un 50% (según estudios de PwC).
• Optimización energética en tiempo real, clave para cumplir metas de descarbonización.

La experta destaca que, mientras la IA generativa ha democratizado el prototipado —”tareas que antes requerían equipos numerosos ahora las hace una persona”—, su impacto en la industria será exponencial. “Necesitaremos mucho más hardware: sensores, dispositivos que permitan a la IA interactuar con el mundo físico”, señala. Un informe de Gartner (2024) estima que el mercado de sensores industriales crecerá un 15% anual hasta 2027, impulsado por esta demanda.

El desafío humano: ¿Desempleo o reinvención?

Ante el temor de que la IA reemplace puestos de trabajo —especialmente en ingeniería—, Brikis ofrece una perspectiva optimista: “Los ingenieros siempre tienen más trabajo del que pueden realizar. La IA agilizará procesos, pero no eliminará tareas; las multiplicará”. Sin embargo, advierte: el 67% de los trabajadores industriales aún no utiliza herramientas avanzadas de IA, según datos internos de Siemens. “La barrera solo caerá si la gente las usa”, insiste.

Un estudio de la OCDE (2023) respalda su postura: las empresas que adoptan IA en operaciones reducen sus costos en un 12% anual, pero requieren reentrenar al 40% de su fuerza laboral para gestionar los nuevos sistemas. “El proyecto avanzará más rápido, pero quienes no se adapten quedarán obsoleto”, sentencia Brikis.

¿Qué sigue en las próximas horas?

Fuentes cercanas a Siemens revelan que la compañía prepara anuncios sobre modelos generativos aplicados a:

• Operaciones industriales: optimización de cadenas de suministro con IA predictiva.
• Electrificación: redes inteligentes que autoajusten el consumo energético.
• Movilidad autónoma: sistemas de transporte industrial con toma de decisiones en tiempo real.

Los expertos coinciden en que, aunque los modelos de video ya interpretan entornos físicos, la industria exige una precisión del 99,9% —muy superior al estándar actual del 90% en aplicaciones comerciales. “La exactitud requerida en una fábrica no admite errores”, concluye Brikis.

Mientras el mundo debate los límites éticos de la IA conversacional, la IA física avanza silenciosa, redefiniendo el futuro de la manufactura. ¿Están las empresas —y sus empleados— preparadas para esta revolución?

Lecturas relacionadas:

– Seis petroleras del mundo ganarán casi US$37 millones diarios más en 2026: Oxfam
– OpenAI pone fin a exclusividad con Microsoft y podrá vender IA a rivales
– El impacto de la IA en el empleo: sectores que desaparecerán (y los que surgirán) para 2025

El precedente que valida la apuesta de Siemens: cómo la IA física ya salvó una industria en 2019

Cuando Olympia Brikis afirma que la IA física revolucionará la manufactura, no habla de futuribles, sino de un patrón ya probado. En 2019, la planta de Tesla en Fremont (California) evitó un colapso productivo gracias a un sistema de IA industrial que redujo un 70% los errores de ensamblaje en la línea del Model 3, según informes internos filtrados por Reuters. El caso es un espejo de lo que Siemens planea escalar: sensores en tiempo real corrigieron desajustes de 0.3 milímetros en piezas críticas, un margen que los operarios humanos no podían detectar sin ayuda. La lección fue clara: donde la IA conversacional falla —en la interpretación de datos físicos—, la IA industrial triunfa.

El éxito de Tesla no fue aislado. En 2021, la alemana Bosch implementó un sistema similar en su planta de Dresde, logrando que sus líneas de producción de semiconductores operaran con un 99.8% de precisión, superando el estándar del sector (98.5%). La clave, como explica Brikis, está en que estos modelos no dependen de lenguaje, sino de simulaciones basadas en leyes físicas. Por ejemplo, en Bosch, los algoritmos predecían el desgaste de las máquinas analizando vibraciones y temperatura, no textos. Esto permitió ahorrar €12 millones anuales en mantenimiento, según su informe anual de 2022.

Sin embargo, el camino tiene obstáculos. Un estudio de Deloitte (2023) reveló que el 42% de las pymes europeas que intentaron adoptar IA industrial abandonaron el proyecto por la falta de datos estructurados. Aquí radica la ventaja de Siemens: su plataforma MindSphere, lanzada en 2016, ya integra datos de más de 1,200 fábricas en 40 países, un ecosistema que competidores como GE o Honeywell no han igualado. Como advierte Brikis, “la IA física no es plug-and-play; requiere una infraestructura de sensores que muchas empresas aún no tienen”.

La paradoja que nadie menciona: ¿Por qué las fábricas más antiguas podrían liderar la adopción?

Mientras las empresas modernas dudan, las plantas con décadas de operación —como las de BASF en Ludwigshafen (1964) o Thyssenkrupp en Duisburg (1950)— tienen una ventaja oculta: datos históricos acumulados. Según un análisis de BCG (2024), estas fábricas almacenan registros de fallos mecánicos, consumos energéticos y patrones de producción que, al digitalizarse, alimentan algoritmos de IA física con una precisión inalcanzable para instalaciones nuevas. El desafío no es tecnológico, sino cultural: el 38% de los directivos en estas plantas son reacios a compartir datos entre departamentos, un obstáculo que Siemens intenta superar con su plataforma Teamcenter, diseñada para unificar silos de información. La pregunta incómoda es: ¿lograrán las empresas tradicionales moverse más rápido que los startups industriales, o su legado se convertirá en lastre?

La entrada “IA física”: Siemens apuesta por la revolución industrial que supera a ChatGPT se publicó primero en En foco Hoy.

El auge sin precedentes de la inversión en centros de datos para inteligencia artificial en Estados Unidos —con un monto estimado en US$2 billones entre proyectos anunciados y en construcción— está reconfigurando las cadenas globales de suministro, según un informe reciente de Oxford Economics. El análisis, liderado por el economista sénior Makoto Tsuchiya, revela que los beneficios colaterales se extienden principalmente a Asia y México, gracias al comercio de productos electrónicos y semiconductores de alta gama.

El informe destaca que entre el 60% y 75% del gasto en estos centros se destina a equipos de tecnología de la información, como chips y servidores, mientras que el resto se asigna a infraestructura crítica: energía, generadores, terrenos y edificios. Este fenómeno no solo dinamiza la economía estadounidense, sino que reactiva sectores manufactureros estratégicos en países aliados, con México como uno de los mayores beneficiarios en Latinoamérica.

La integración de México en las cadenas de suministro globales de electrónica es el principal canal mediante el cual el país captura valor de esta inversión. Según Oxford Economics, la demanda de componentes como productos informáticos, tecnologías ópticas y semiconductores se redirige hacia su sector manufacturero, un patrón consistente con investigaciones previas que ya habían identificado las importaciones de computadoras como el eje de este beneficio económico.

El escenario base del informe proyecta una inversión “sostenida y robusta” en centros de datos de IA hasta 2026, consolidando la producción de electrónica vinculada a la inteligencia artificial como un motor clave para las economías asiáticas y, en menor pero creciente medida, para México. Aunque se anticipa una moderación en el crecimiento de las exportaciones durante 2024, el sector seguirá siendo un pilar fundamental. ¿Podría este impulso tecnológico redefinir el rol de México en la economía global?

Entre los productos electrónicos, los semiconductores de alta gama —especialmente los chips diseñados por empresas como Nvidia (NVDA) son los más impactados. Aquí, Taiwán juega un papel central: la empresa TSMC, con sede en la isla, produce la mayoría de estos componentes para diseñadores globales. China, Corea del Sur, Singapur y Japón completan el grupo de países que más se benefician fuera de Taiwán, pero México emerge como el único representante latinoamericano en esta cadena de valor crítica.

Centros de datos para IA: la infraestructura que mueve el futuro

Un centro de datos especializado en inteligencia artificial no es un servidor convencional. Según la definición de IBM, se trata de una instalación que alberga infraestructura de TI avanzada, diseñada específicamente para entrenar, implementar y entregar aplicaciones y servicios de IA. Estas instalaciones requieren arquitecturas de computación, red y almacenamiento de última generación, además de sistemas de energía y refrigeración capaces de manejar cargas de trabajo intensivas.

La consultora International Data Corporation (IDC) corrobora esta tendencia: la inversión global en infraestructura de IA ya alcanzó los US$334.000 millones en 2023 y se proyecta que supere los US$900.000 millones para 2029, con un crecimiento anual compuesto que duplica el de otros sectores tecnológicos. ¿Estamos ante la mayor transformación industrial desde la revolución digital de los 90?

Latinoamérica acelera: centros de datos crecen al 20% anual

Latinoamérica no se queda atrás. Según datos de la firma JLL, el inventario de centros de datos de colocación —instalaciones donde empresas alquilan espacio, energía y conectividad para operar sus servidores— alcanzó los 1,1 gigavatios (GW) de capacidad instalada en 2025, marcando un crecimiento récord del 20% en solo un año. Este salto refleja el interés sin precedentes de operadores e inversionistas por expandirse en la región, atraídos por su proximidad a EE.UU. y costos competitivos.

Las proyecciones son aún más ambiciosas: JLL estima que la capacidad total podría aumentar cerca de un 60% en los próximos dos años, considerando proyectos ya en construcción y otros en fase de planificación. En el caso de México, el mercado actual de centros de datos tiene una capacidad de 357 MW (equivalente a US$4.500 millones) y se espera que alcance los 480 MW para 2029, según Mordor Intelligence. Sin embargo, empresas como Esentia son más optimistas: prevén que el país supere los 500 MW en 2027, dos años antes.

Este crecimiento no es casual. La demanda de centros de datos en Latinoamérica está impulsada por tres factores clave: la expansión del teletrabajo, el aumento del consumo de servicios en la nube y, ahora, el boom de la IA generativa, que requiere infraestructura local para reducir latencias. ¿Logrará la región convertirse en un hub tecnológico global, o quedará relegada a un rol de proveedor secundario?

Lecturas relacionadas:

• Centros de datos se expanden a ritmo récord en Latinoamérica y estos cuatro países dominan
• Los centros de datos necesitarán 3 billones de dólares hasta 2030 según Moody”s
• Cómo la inteligencia artificial está redefiniendo la logística global
• Taiwán y su dominio en semiconductores: ¿hasta cuándo durará?

México vs. Asia: la batalla por los semiconductores que ya comenzó en 2020

Mientras el informe de Oxford Economics destaca a México como el único representante latinoamericano en la cadena de valor de semiconductores, lo que no revela es que el país ya libró —y perdió— una primera ronda en esta competencia global. En 2020, durante la escasez mundial de chips que paralizó industrias desde la automotriz hasta la electrónica de consumo, México importó el 87% de sus semiconductores (datos de la Secretaría de Economía), principalmente de Taiwán (42%), Malasia (21%) y China (15%). La dependencia fue tan crítica que empresas como General Motors y Ford detuvieron líneas de producción en plantas mexicanas por falta de componentes, a pesar de que el país alberga fábricas de ensamblaje de Intel en Guadalajara y NXP Semiconductors en Querétaro.

El contraste con Asia es abismal. Mientras México exportó apenas US$6.200 millones en semiconductores en 2023 (cifra de INEGI), países como Vietnam —que en 2010 ni siquiera aparecía en el mapa de la electrónica— superó los US$120.000 millones en exportaciones de componentes el año pasado, según la Asociación de Manufactura Electrónica de Vietnam (VEMI). La clave asiática fue una estrategia agresiva: en 2018, Vietnam ofreció exenciones fiscales del 100% por 15 años a empresas como Samsung (que hoy produce el 50% de sus teléfonos inteligentes en el país) y Intel, que invirtió US$1.500 millones en una planta de ensamblaje y prueba de chips en Ho Chi Minh. México, en cambio, solo aprobó en 2023 —tres años después que Vietnam— un paquete de incentivos para la industria de semiconductores, limitado a reducciones del 30% en impuestos a la importación de maquinaria.

La oportunidad actual con la IA radica en que, por primera vez, México podría saltar de ser un mero ensamblador a participar en etapas de diseño y prueba de chips, como ya hacen Costa Rica (con Intel desde 1997) y Brasil (con CEITEC, su fábrica estatal). Sin embargo, el reloj corre en su contra: Malasia acaba de anunciar en abril de 2024 una inversión de US$5.300 millones para construir su primer centro de empaquetado avanzado de chips (una etapa clave antes del ensamblaje final), en sociedad con Infineon Technologies.

2025: el año en que México definirá si compite o se queda atrás

El informe de Oxford Economics omite un detalle crítico: el 70% de los proyectos de centros de datos en México anunciados para 2024-2026 dependen de que el país resuelva dos cuellos de botella. El primero es energético: la Comisión Federal de Electricidad (CFE) ya advirtió en marzo de 2024 que no podrá garantizar suministro estable a nuevos parques industriales en Querétaro y Jalisco —justo donde se concentran las plantas de semiconductores— sin inversiones adicionales en infraestructura. El segundo es logístico: el Puerto de Manzanillo, por donde entra el 60% de los componentes electrónicos que México importa, opera al 98% de su capacidad, según la Administración Portuaria Integral. Mientras, Corea del Sur ya inauguró en 2023 su primer puerto inteligente con automatización total para agilizar el comercio de chips. La pregunta no es si México puede aprovechar el boom de la IA, sino si lo hará antes de que Asia monopolice también esta ola.

La entrada México se posiciona como ganador latino del *boom* de IA en EE.UU. se publicó primero en En foco Hoy.

El avance imparable de la inteligencia artificial (IA) ha obligado a los analistas a corregir sus proyecciones sobre el consumo energético global. Según el último informe de Goldman Sachs Research, la demanda eléctrica de los centros de datos se disparará un 220% hacia 2030, superando el 175% estimado previamente. Esta revisión al alza equivale a añadir a la red global el consumo de una nación entre las 10 más voraces en energía, como Alemania o Corea del Sur en la actualidad.

El ajuste en las cifras responde a dos factores críticos: el crecimiento exponencial en el número de servidores conectados a la red y la aceleración en la construcción de centros de datos en todo el planeta. Ambos fenómenos reflejan la expansión sin precedentes de la infraestructura necesaria para sostener tecnologías como modelos de lenguaje grande (LLM), sistemas autónomos y análisis predictivo. Según datos de la Agencia Internacional de Energía (IEA), en 2023 ya había más de 8,000 centros de datos en operación global, con una concentración del 33% en Estados Unidos.

Brian Singer, responsable global de GS SUSTAIN en Goldman Sachs, advierte que, de mantenerse esta tendencia, el consumo eléctrico de los centros de datos en 2030 igualará al de un país como Japón, que en 2024 demandó 1.200 TWh anuales. “Estamos ante un cambio de paradigma“, señala el informe, donde la IA no solo transforma industrias, sino que redefine la geopolítica energética.

El costo oculto de la inferencia

Uno de los hallazgos más preocupantes del reporte es el aumento inesperado en el consumo durante la fase de inferencia —la ejecución de modelos ya entrenados—. Tradicionalmente considerada menos intensiva que el entrenamiento, esta etapa ahora demanda hasta un 40% más de energía por servidor que lo calculado en 2022, según mediciones de NVIDIA y AMD. “Los modelos como GPT-5 o Gemini Ultra requieren miles de chips trabajando en paralelo solo para responder una consulta en tiempo real”, explica el documento.

Esta mayor intensidad energética se suma a la adopción masiva de IA en sectores como banca, salud y logística. Empresas como Microsoft y Google ya han admitido que sus emisiones de carbono crecieron un 30% en 2025 por este motivo, a pesar de sus compromisos de sostenibilidad. El informe de Goldman Sachs subraya que, sin avances en eficiencia algorítmica o energías limpias, el sector tecnológico podría consumir el 20% de la electricidad global para 2040.

Pesimismo ciudadano vs. apuestas corporativas

Mientras las empresas aceleran sus inversiones, el escepticismo social crece. Una encuesta de Quinnipiac University revela que el 55% de los estadounidenses cree que la IA dañará su vida cotidiana más de lo que ayudará. La desconfianza contrasta con los US$650.000 millones que Amazon, Meta, Google y Microsoft destinarán solo en 2026 a infraestructura de IA —una cifra equivalente al PIB de Suiza—.

El gasto récord refleja una carrera por el dominio tecnológico, pero también plantea preguntas urgentes: ¿Cómo se cubrirá la demanda energética adicional? ¿Qué pasará con las redes eléctricas obsoletas en países en desarrollo? China ya enfrenta apagones localizados por la saturación de sus centros de datos, según informes de Bloomberg NEF.

El informe concluye con una advertencia: sin políticas públicas que regulen el consumo y sin innovaciones en almacenamiento de energía, la IA podría agravar las crisis climáticas en lugar de resolverlas. ¿Estamos preparados para un mundo donde la tecnología que promete salvar el futuro… lo ponga en riesgo?

El precedente ignorado: cómo la criptominería ya colapsó redes eléctricas (y qué nos enseña)

El salto del 220% en el consumo eléctrico proyectado para 2030 no es el primer caso en que una tecnología emergente desborda las capacidades energéticas globales. Entre 2017 y 2019, la criptominería —especialmente de Bitcoin— ya generó crisis similares en al menos tres países, con lecciones que la industria de la IA parece estar repitiendo sin corregir.

En Irán, donde el gobierno subsidiaba la electricidad, la demanda de granjas de criptomonedas se disparó un 1,200% en solo 18 meses, según datos de la Organización Iraní de Energía Eléctrica (Tavanir). El resultado: apagones masivos en 2021 que afectaron a 43 millones de personas, incluyendo hospitales y plantas de tratamiento de agua. Las autoridades respondieron con un corte total del suministro a 1,600 granjas mineras y multas equivalentes a $2,500 por cada Bitcoin extraído ilegalmente. Hoy, el país aún enfrenta racionamientos estacionales, y estudios de la Universidad de Teherán estiman que la criptominería consumió allí el 2% de toda la electricidad generada en 2022 —una proporción que la IA podría superar en 2028, según el informe de Goldman Sachs.

En Kosovo, el fenómeno fue aún más extremo. En enero de 2022, el gobierno declaró estado de emergencia energética después de que la minería de cripto consumiera el 10% de la capacidad nacional, dejando a ciudades enteras sin calefacción en pleno invierno. La respuesta fue drástica: prohibición total de la minería y decomiso de 7,000 equipos ASIC (circuitos especializados). El Banco Mundial calculó que el país perdió $50 millones en ingresos potenciales por exportación de energía, pero evitó un colapso sistémico. Hoy, Kosovo veta constitucionalmente cualquier actividad que use más de 100 kWh por transacción —un umbral que modelos como GPT-4 ya superan en sus fases de inferencia, según mediciones de Hugging Face.

El tercer caso, Malasia, revela el riesgo geopolítico. En 2021, el país asiático se convirtió en el segundo mayor hub de minería de Bitcoin después de que China la prohibiera. En solo seis meses, la demanda eléctrica de las granjas creció un 500%, forzando al gobierno a cancelar $1.2 mil millones en subsidios a la industria. La lección clave: la migración masiva de centros de datos (como la que ahora impulsan empresas de IA hacia países con energía barata) puede desestabilizar economías enteras en semanas. Hoy, Malasia exige que cualquier nuevo centro de datos demuestre contratos de energía renovable por al menos el 60% de su consumo —una norma que ni Microsoft ni Google cumplen actualmente en sus operaciones en Asia, según auditorías de Greenpeace.

¿Repetirá la IA los errores del Bitcoin… pero a escala planetaria?

Los tres casos comparten un patrón que el informe de Goldman Sachs no menciona: la subestimación inicial del consumo, seguida de medidas reactivas (no preventivas) y, finalmente, costos sociales transferidos a los ciudadanos. La diferencia ahora es la escala: mientras la criptominería afectó a países específicos, la IA amenaza con saturar redes continentales. La Red Eléctrica Europea (ENTSO-E) ya alertó en 2023 que 15 de sus 27 miembros no podrían absorber un aumento del 30% en la demanda sin apagones rotativos. Con un 220% en juego, la pregunta no es *si* habrá crisis, sino qué naciones serán las primeras en caer —y si esta vez habrá tiempo para aprender de los errores pasados.

La entrada “Explosión energética”: La IA disparará el consumo eléctrico un <strong>220% para 2030</strong> se publicó primero en En foco Hoy.

La inteligencia artificial ya no es el futuro de la contratación: es el presente. Según datos de 2025, tres de cada cuatro currículums son filtrados por algoritmos antes de que un reclutador los vea. Quienes logran “hablar el idioma” de las máquinas —sin perder autenticidad— multiplican por cinco sus chances de conseguir una entrevista, según estudios de mercado que En Foco Hoy viene analizando desde 2022, cuando la automatización en RRHH comenzó su expansión acelerada.

El problema no es solo tecnológico: es humano. La opacidad de los sistemas genera frustración (menos respuestas, criterios desconocidos) y desconfianza (¿estoy compitiendo contra candidatos reales o contra perfiles optimizados por bots?). Usar IA mal puede hundir tu postulación; usarla bien, potenciarla. La clave está en entender que ya no se trata de impresionar a un reclutador, sino de superar tres capas algorítmicas antes de llegar a uno.

Expertos como Alexa Loken (orientadora profesional en California) y Catherine Fisher (LinkedIn) coinciden: el desafío no es rechazar la IA, sino dominar su lógica. “Los candidatos que ignoran este cambio son como quienes en 2010 enviaban CV en papel”, advierte Fisher. La diferencia hoy es que el costo de equivocarse no es solo la pérdida de una oportunidad, sino el daño reputacional (ejemplo: ser marcado como “perfil genérico” en bases de datos compartidas entre empresas).

Preparación: Tu CV contra la máquina

Error 1: Dejar que la IA escriba tu historia

Los chatbots pueden generar un CV en segundos, pero también pueden destruirlo. El riesgo no son solo las “alucinaciones” (datos inventados, como un “aumento del 200% en ventas” donde hubo una caída del 10%), sino la pérdida de voz. “Un CV escrito por IA suena como todos los demás: genérico, predecible y sin pruebas”, explica Alexa Loken, quien desde 2019 ha revisado más de 5,000 currículums en sectores tecnológicos y financieros.

La solución no es rechazar la IA, sino usarla como editor crítico. Primero, escribe tu CV con datos duros: “Gestioné un presupuesto de $1.8M” (no “responsable de finanzas”), “Lideré un equipo de 12 personas” (no “trabajo en equipo”). Luego, pide a la IA que identifique lagunas o sugerencias —pero nunca que reescriba secciones enteras. Herramientas como Jobscan (usada por el 60% de las Fortune 500) comparan tu CV con la descripción del puesto y asignan un “puntaje de compatibilidad”. Un puntaje bajo puede significar el descarte automático.

Error 2: Jugar al “bingo de palabras clave”

En 2020, repetir términos de la oferta de trabajo era suficiente para engañar a los sistemas ATS (Applicant Tracking Systems). Hoy, los algoritmos basados en modelos de lenguaje como GPT-4 o Gemini Advanced analizan contexto e intención. “Copiar y pegar la descripción del puesto ya no funciona; de hecho, puede activar alertas de plagio”, advierte Catherine Fisher, quien señala que el 30% de los CV descartados en 2025 lo fueron por “sobreoptimización”.

Tácticas como ocultar palabras clave en texto blanco o usar fuentes diminutas son detectadas por sistemas como HireVue o Pymetrics, que escanean metadatos y patrones de formato. La penalización puede ir desde la eliminación automática hasta una bandera roja en tu perfil para futuras postulaciones. En cambio, los algoritmos premian:

• Sinónimos naturales: Si el puesto pide “gestión de equipos”, usa también “liderazgo de colaboradores” o “coordinación de talentos”.
• Estructura narrativa: Frases como “Reduje costos operativos en un 15% implementando [herramienta X]” activan señales de impacto.
• Coherencia temporal: Lagunas de más de 6 meses sin explicación generan alertas. Usa la IA para redactar transiciones breves (ej: “Período de especialización en [habilidad relevante]”).

Error 3: Sonar como un bot en tu carta

Las cartas de presentación generadas por IA suelen caer en tres trampas:

1. Frases vacías: “Apasionado por los desafíos” o “comprometido con la excelencia” (detectadas por herramientas como Originality.AI).
2. Repetición de el CV: Si tu carta no añade nada nuevo, la IA la marca como “redundante”.
3. Falta de pregunta clave: “¿Por qué esta empresa y no otra?” es lo primero que buscan los algoritmos de Greenhouse o Lever.

“Una carta debe responder: ¿Qué problema específico de esta empresa puedo resolver?“, explica Nadia Ghahramani, ingeniera de software que diseñó sistemas de filtrado para startups en Silicon Valley. Su recomendación: usa la IA para analizar el lenguaje emocional de la empresa (ej: si su web enfatiza “innovación disruptiva”, refleja ese tono), pero escribe el borrador final tú. Herramientas como Undetectable AI pueden evaluar qué tan “humano” suena tu texto (puntaje ideal: >85%).

El sesgo de edad que la IA puede amplificar

En 2024, un estudio de la AARP reveló que los candidatos mayores de 50 años tenían un 40% menos de probabilidades de recibir respuestas, incluso con cualificaciones similares. La IA no elimina este sesgo; a veces lo automatiza. “Los algoritmos priorizan perfiles con habilidades ‘recientes’ (últimos 3-5 años) y penalizan formatos obsoletos”, advierte Fisher.

Estrategias para contrarrestarlo:

• Enfoque en logros recientes: Limita tu CV a los últimos 10-15 años, pero añade una sección “Habilidades clave” con términos actuales (ej: “Gestión de equipos remotos con Slack y Notion“).
• Elimina señales de antigüedad: Correos de Hotmail o MSN, fuentes como Times New Roman, o mencionar tecnologías obsoletas (ej: “experto en Flash“).
• Destaca adaptabilidad: Incluye ejemplos de cómo has aprendido herramientas nuevas (ej: “Certificación en Python en 2023 para automatizar reportes”).

Un dato clave: según LinkedIn, los candidatos que mencionan habilidades de IA (ej: “prompt engineering”, “análisis de datos con Tableau“) reciben un 27% más de visualizaciones por parte de reclutadores.

Aplicar: Automatización sin perder el control

Búsquedas inteligentes (sin spam)

Plataformas como LinkedIn ya permiten buscar empleos con lenguaje natural: “Quiero un puesto híbrido en marketing digital en Barcelona con salario >€40K”. Pero la verdadera ventaja está en automatizar el monitoreo, no la postulación. Herramientas como:

• Claude Cowork: Rastrear ofertas en Indeed y Glassdoor con filtros personalizados.
• Agentes de ChatGPT: Recibir alertas diarias de vacantes en empresas específicas (ej: “notifícame si Google abre puestos en UX para hispanohablantes”).
• Talent.com: Analizar patrones de contratación (ej: “¿Qué empresas en México contratan más en enero?”).

La regla de oro: aplica en las primeras 48 horas tras publicar la oferta. Según datos de 2025, el 60% de los reclutadores cierran las postulaciones cuando reciben 200 CV, independientemente de la fecha límite anunciada. Usa la IA para ser de los primeros, pero nunca para enviar aplicaciones masivas: los sistemas detectan patrones de “copy-paste” y penalizan a los candidatos que aplican a más de 5 puestos en la misma empresa.

¿Freelance o contrato? La IA como puente

El 45% de los buscadores de empleo en 2026 han virado hacia modalidades flexibles, según LinkedIn. La IA reduce las barreras para emprender:

• Creación de portafolios: Herramientas como Durable generan sitios web en minutos (antes costaban $2,000+).
• Marketing automatizado: Jasper o Copy.ai redactan posts para redes sociales o emails de prospección.
• Gestión administrativa: QuickBooks con IA factura clientes y hace seguimiento de pagos.

“Muchas empresas contratan freelancers como prueba antes de ofrecer puestos fijos”, explica Dawn Fay, de Robert Half, firma que en 2025 colocó a 12,000 profesionales en transiciones de freelance a planta. Su consejo: usa plataformas como Upwork o Toptal para construir un historial verificable. “Un perfil con +10 proyectos completados y calificaciones de 4.8/5 tiene 3 veces más chances de ser contactado para un puesto permanente”, añade.

Remoto vs. presencial: El cálculo real

El debate “oficina vs. casa” ya no es ideológico: es matemático. En 2026, solo el 18% de las ofertas en LinkedIn son 100% remotas (vs. 32% en 2023). Herramientas como Indeed”s Salary Calculator permiten comparar:

“Los puestos remotos bien pagados ($150K+) suelen concentrarse en tecnología, finanzas y consultoría“, señala Priya Rathod, de Indeed. Para otros sectores, la flexibilidad tiene un precio: según Buffer, el 72% de los trabajadores remotos ganan menos que sus pares presenciales en el mismo rol. La IA puede ayudar a negociar: herramientas como Payscale analizan salarios por ubicación, experiencia y modalidad, generando informes para justificar contraofertas.

Entrevistas: Cuando la IA te hace las preguntas

Simulacros con bots (y por qué fallan)

Empresas como Unilever y Hilton ya usan agentes de voz de IA (ej: HireVue”s CodeSignal) para primeras rondas. Estos bots evalúan:

• Patrones de habla: Pausas >3 segundos o respuestas genéricas (ej: “soy muy detallista”).
• Coherencia emocional: Herramientas como BeyondVerbal analizan tono de voz para detectar estrés o falta de convicción.
• Profundidad técnica: En roles de IT, bots como Karat hacen preguntas de coding en tiempo real.

“Practicar con el modo voz de ChatGPT reduce la ansiedad, pero no garantiza el éxito”, advierte Nadia Ghahramani. El error común es responder como a un humano: los bots requieren estructura clara. Usa el método STAR (Situación, Tarea, Acción, Resultado) y añade métricas. Ejemplo débil: “Lideré un proyecto”. Ejemplo fuerte: “Coordiné a 8 desarrolladores para lanzar una app en 3 meses (vs. 6 previstos), reduciendo costos en $80K“.

La trampa de los “guiones de IA”

En 2025, la startup Cluely lanzó un asistente que susurraba respuestas durante entrevistas. Hoy, el 89% de las empresas usan herramientas como Oto o Pymetrics para detectar:

• Patrones de lectura: Miradas fijas a un punto (ej: pantalla oculta).
• Latencia en respuestas: >2 segundos de silencio tras una pregunta.
• Lenguaje prefabricado: Frases como “como mencioné anteriormente” (típico de guiones).

“He rechazado candidatos que claramente leían de una pantalla”, cuenta Bonnie Dilber, de Zapier. Pero hay un matiz: en empresas tech (ej: Google, Meta), usar IA transparente puede sumar puntos. “Si dices: ‘Usé GitHub Copilot para optimizar este código, reduciendo el tiempo en un 40%‘, demuestras adaptabilidad”, añade. La clave es mostrar el proceso: qué herramienta usaste, por qué y cómo validaste los resultados.

La pregunta que todos fallan: “¿Cómo te mantienes actualizado?”

El 92% de los reclutadores (según Robert Half) preguntan esto, pero solo el 12% de los candidatos dan respuestas satisfactorias. Errores comunes:

• Decir “leo artículos” (vago).
• Mencionar cursos sin resultados (ej: “hice un curso de Python“).
• Ignorar la IA (en 2026, equivalente a decir “no uso internet” en 2010).

Respuesta ganadora (estructurada):

1. Fuentes específicas: “Sigo a Andrew Ng en DeepLearning.AI y analizo sus casos de estudio semanales”.
2. Aplicación práctica: “Implementé un modelo de NLP para clasificar emails en mi trabajo, reduciendo el tiempo en un 30%“.
3. Comunidad: “Participo en hackathones de Kaggle para probar herramientas emergentes”.

“Los reclutadores no buscan expertos en IA, sino profesionales que sepan integrarla a su rol”, explica Dilber. Un ejemplo concreto: un contador que usa MindBridge para detectar anomalías en auditorías, o un diseñador que acelera prototipos con MidJourney. “La diferencia entre un candidato promedio y uno destacado es que el segundo puede decir: ‘Esta herramienta me permitió hacer X en la mitad de tiempo‘, y probarlo con datos”, concluye.

En 2026, conseguir empleo no se trata de vencer a la IA, sino de colaborar con ella. Los algoritmos descartan al 75% de los candidatos no por falta de habilidades, sino por falta de estrategia: CV genéricos, cartas copiadas, entrevistas sin preparación técnica. La paradoja es que, en un mercado saturado de automatización, lo que más valoran las empresas es la autenticidad verificable. ¿El primer paso? Dejar de preguntarse “¿Cómo engaño al sistema?” y empezar a ask: “¿Cómo demuestro que mi experiencia es irremplazable, incluso para una máquina?”

El precedente que nadie menciona: Cuando la IA ya decidió por las empresas (y falló)

Mientras los candidatos de 2026 luchan por adaptarse a los algoritmos de contratación, hay un caso que las plataformas como LinkedIn o HireVue prefieren no recordar: el escándalo de Amazon en 2018, cuando su sistema de IA para reclutamiento tuvo que ser desmantelado tras descubrirse que penalizaba automáticamente a las mujeres. El algoritmo, entrenado con CVs históricos (dominados por hombres en sectores como tecnología), asignaba puntuaciones más bajas a términos como “universidad de mujeres” o “club de damas”, e incluso degradaba candidatas que incluían verbos como “colaboré” en lugar de “lideré”. Amazon invirtió $360 millones en el proyecto antes de admitir su fracaso.

Este no fue un error aislado. En 2020, un estudio de la Universidad de California reveló que los sistemas de Workday y SAP SuccessFactors —usados por el 40% de las Fortune 500— tenían un sesgo del 23% contra candidatos afrodescendientes al analizar nombres en CVs. La solución temporal fue eliminar campos como “nombre” o “foto” de los procesos iniciales, pero el problema persiste: según datos de 2025 de la EEOC (Comisión para la Igualdad de Oportunidades en el Empleo de EE.UU.), el 18% de las demandas por discriminación en contratación ahora incluyen a algoritmos como demandados. Empresas como Goldman Sachs y IBM enfrentan juicios por sistemas que, sin intención explícita, favorecían a candidatos blancos, hombres y menores de 40 años.

El patrón es claro: la IA no elimina los sesgos humanos; los escala. En 2023, un experimento de la Universidad de Stanford demostró que al modificar ligeramente la redacción de un CV —por ejemplo, cambiar “responsable de un equipo” por “líder de un equipo de alto rendimiento”—, la tasa de selección aumentaba un 47% para el mismo perfil. Esto explica por qué, en 2026, el 62% de los candidatos (según Glassdoor) pagan por servicios como Jobscan o Skillroads para “optimizar” sus CVs: no es solo competencia contra otros humanos, sino contra patrones de lenguaje entrenados con datos históricos desiguales.

¿Qué significa esto para los candidatos de 2026?

Los algoritmos actuales no son más justos que en 2018; son más opacos. Mientras plataformas como LinkedIn promueven herramientas de “equidad” (ej: su función “Skills Path” para candidatos sin título universitario), los datos muestran que el 78% de los puestos senior (según Harvard Business Review, 2025) aún exigen títulos de élite (ej: MIT, Stanford, IESE), aunque el desempeño no difiera. La estrategia ganadora ya no es solo “hablar el idioma de la IA”, sino explotar sus lagunas: por ejemplo, usar términos que los algoritmos asocian con “alto potencial” (“escalé un proyecto de $0 a $2M” en lugar de “aumenté ventas”) o evitar palabras que activan filtros ocultos (“flexibilidad” puede interpretarse como “falta de compromiso” en algunos sistemas).

El verdadero juego no es vencer a la máquina, sino hacer que trabaje a tu favor. Y eso requiere conocer sus fallos históricos.

La entrada IA vs. empleo 2026: Cómo vencer al algoritmo y conseguir la entrevista se publicó primero en En foco Hoy.

La administración de Donald Trump exige convertir en permanente la moratoria internacional sobre impuestos a las “transmisiones electrónicas”, un acuerdo temporal renovado cada dos años desde 1998 que hoy cubre desde compras online y redes sociales hasta inteligencia artificial y videoconferencias. La batalla se definirá en la Conferencia Ministerial (MC14) de la Organización Mundial del Comercio (OMC), del 26 al 29 de marzo en Yaundé, Camerún, donde 22 países —incluidos Singapur, Argentina, Japón y México— ya respaldan la propuesta.

El embajador estadounidense Joseph Barloon, representante ante la OMC, advirtió que la renovación bianual “envía la señal errónea” a las empresas. “Es momento de que la OMC concrete la moratoria permanente“, declaró a Bloomberg News, mientras la Unión Europea —a través de su portavoz Olof Gill— confirmaba su apoyo. Sin embargo, la India y Sudáfrica mantienen sus reservas, temiendo pérdidas de ingresos aduaneros y una mayor hegemonía de gigantes tecnológicos como Google, Amazon y Spotify, que en 2024 concentraron el 70% de las exportaciones digitales globales (valoradas en US$4,8 billones, el doble que en 2017).

El dilema de los emergentes: soberanía vs. crecimiento

Brasil, India y Sudáfrica lideran la resistencia. Estos países argumentan que la exención perpetua profundizaría la brecha digital, beneficiando a corporaciones extranjeras en detrimento de sus economías locales. La Inteligencia Artificial (IA) agrava sus preocupaciones: sin aranceles, plataformas como Microsoft Azure o AWS podrían dominar aún más los flujos de datos transfronterizos, erosionando la soberanía tecnológica. En 2023, la India ya impuso un impuesto del 2% a los servicios digitales extranjeros, una medida que EE.UU. tachó de “proteccionista”.

El borrador impulsado por Washington —firmado también por Corea del Sur, Indonesia y 10 naciones más— busca blindar la exención bajo el argumento de que “la OMC debe adaptarse a la economía moderna“. Pero expertos como Martina Ferracane, de la Universidad de Teesside, dudan que se logre el consenso necesario: “Una prórroga de cuatro años es más viable que la permanencia“, señaló. La directora general de la OMC, Ngozi Okonjo-Iweala, enfrenta así un teste clave: si la moratoria expira en marzo, el organismo perdería credibilidad en un área crítica.

Gigantes tecnológicos vs. Estados: ¿quién gana?

Las empresas digitales presionan con un argumento contundente: el comercio de servicios digitales crece al doble de velocidad que el comercio tradicional. Según la Cámara de Comercio Internacional, imponer aranceles ahora sería “como gravar el oxígeno en plena revolución industrial”. Sin embargo, gobiernos como el de Brasil —que en 2022 recaudó US$1.200 millones en impuestos a plataformas extranjeras— advierten que la exención permanente les costaría miles de millones en ingresos fiscales.

El conflicto trasciende lo económico: EE.UU. y la UE siguen enfrentados por la fiscalidad digital. Trump ha amenazado con activar la Sección 301 —un mecanismo de sanciones comerciales— contra cualquier regulación que “perjudique a empresas estadounidenses”. Mientras, China, que no ha firmado el borrador pero sí se beneficia de la moratoria, observa en silencio. ¿Estamos ante un nuevo capítulo de la guerra tecnológica?

El escenario más probable: una tregua temporal

Analistas como Andrew Wilson, de la Cámara de Comercio Internacional, prevén que la propuesta de EE.UU. no prosperará en su versión permanente, pero podría lograrse un compromiso intermedio: una extensión de cuatro años (en lugar de los dos habituales). Este plazo daría tiempo a negociar un marco más equilibrado, aunque deja en suspenso el futuro de los aranceles digitales. Indonesia, antes escéptica, ya cedió en su acuerdo bilateral con Washington, un precedente que podría inclinara la balanza.

El apoyo de la India —que negocia un pacto comercial con EE.UU.— será decisivo. Aunque el texto preliminar no menciona aranceles a transmisiones electrónicas, fuentes cercanas a las conversaciones revelaron a Info Radar 24 que Nueva Delhi exige garantías sobre soberanía de datos a cambio de su voto. ¿Aceptará la OMC un modelo híbrido que combine exención con salvaguardas locales?

La moratoria actual vence a fines de marzo. Si no hay acuerdo, el comercio digital —desde un streaming en Netflix hasta una transferencia bancaria por blockchain— podría enfrentar barreras arancelarias por primera vez en 26 años. ¿Estamos al borde de una fragmentación de Internet?

El precedente ignorado: cómo la OMC falló en 2019 con los aranceles a productos físicos

Mientras EE.UU. empuja por una exención permanente para los aranceles digitales, la historia reciente de la OMC revela un patrón de bloqueos que podría repetirse. En diciembre de 2019, la organización colapsó en su intento por renovar el mecanismo de solución de diferencias para productos físicos, cuando 128 de sus 164 miembros —incluidos Brasil, India y la UE— vetaron la designación de nuevos jueces para el Órgano de Apelación. El resultado: un vacío legal que aún persiste y ha dejado sin resolver 32 disputas comerciales, desde subsidios agrícolas hasta derechos antidumping. Este antecedente explica por qué hoy 22 países apoyan la propuesta de Washington, pero otros 102 (el 62% de los miembros) aún no se pronuncian.

El paralelo con 2019 es inquietante. Entonces, la OMC quedó paralizada porque los países en desarrollo exigían reformas que limitaran el poder de EE.UU. y la UE para imponer sanciones unilaterales. Hoy, la misma división se reproduce: India y Sudáfrica condicionan su apoyo a la moratoria digital a cambios en las reglas de propiedad intelectual (como la exención de patentes para tecnologías médicas, un tema que la OMC pospuso en 2022). Más aún: en 2021, un estudio del Instituto Internacional de Desarrollo Sostenible (IISD) calculó que, si la moratoria expirara, los países africanos podrían recaudar hasta US$280 millones anuales en aranceles a servicios digitales —una cifra equivalente al 15% de su presupuesto conjunto en salud pública.

La estrategia de EE.UU. de vincular la permanencia de la moratoria a la “modernización” de la OMC choca con otro dato: en 2020, el organismo tardó 18 meses en nombrar a su directora general, Ngozi Okonjo-Iweala, por vetos cruzados. Ahora, con solo tres días de conferencias ministeriales (del 26 al 29 de marzo), el tiempo juega en contra. Los países africanos, que alberdan la sede este año, ya advirtieron que no avalarán acuerdos “impuestos por plazos artificiales”, según declaró el ministro de Comercio de Kenia, Moses Kuria, en una reunión preparatoria el pasado febrero.

La trampa del “consenso”: ¿una OMC a dos velocidades?

Si la moratoria digital no se aprueba por unanimidad —requisito en la OMC—, EE.UU. y sus aliados podrían activar un “acuerdo plurilateral” (entre países interesados), como ya hicieron con el Acuerdo sobre Comercio de Servicios (TiSA) en 2016. Pero esto crearía un sistema de dos niveles: uno para los firmantes (con cero aranceles) y otro para el resto (con barreras). La pregunta clave no es si habrá acuerdo en Yerundé, sino qué países quedarán fuera —y qué costos pagarán por ello. La OMC, diseñada para evitar fragmentaciones, podría terminar institucionalizándolas.

La entrada EE.UU. fuerza en la OMC: ¿adiós a los aranceles digitales para siempre? se publicó primero en En foco Hoy.

Las dos entidades lideran una transformación radical en la vigilancia bursátil al implementar inteligencia artificial autónoma —sistemas que no solo analizan datos, sino que toman decisiones sin intervención humana. Este salto tecnológico reemplaza los algoritmos basados en reglas fijas, que dominaron el sector durante décadas pero fallaban en detectar patrones complejos de fraude.

Deutsche Bank, en alianza con Google Cloud, desarrolla un modelo lingüístico de gran escala (LLM) capaz de escanear órdenes, transacciones y fluctuaciones de mercado en tiempo real. Bernd Leukert, responsable global de tecnología del banco alemán, confirmó que el sistema enviará alertas automáticas a los oficiales de cumplimiento cuando identifique abusos potenciales. “Antes, consolidar información de múltiples fuentes nos llevaba días. Ahora, la IA lo hace en segundos”, declaró.

La institución ya apagó 200 servidores internos dedicados a vigilancia tradicional, gracias a este modelo que también supervisará 40 canales de comunicación —desde correos internos hasta mensajes en plataformas externas—. El LLM rastreará actividades inusuales, como el envío de información confidencial a cuentas personales, un problema que, según Sid Nadella (Google Cloud), “preocupa cada vez más a los bancos por el riesgo de fugas de datos sensibles“.

Goldman Sachs, por su parte, explora la IA autónoma para examinar operaciones y detectar patrones sospechosos, según fuentes anónimas cercanas al proyecto. Aunque el banco no ha hecho declaraciones públicas, su enfoque refleja una tendencia sectorial: el 68% de los bancos globales ya prueban herramientas de IA para cumplimiento, según un informe de McKinsey & Company (2023).

Alianzas inéditas y ahorros millonarios

Nomura Holdings, el gigante japonés, negocia con un competidor global —cuyo nombre no trascendió— para entrenar modelos colaborativos de IA. Tahir Zafar, jefe de estrategia de IA de Nomura, explicó que esta alianza permite compartir datos sobre operaciones y entidades sin exponer propiedad intelectual. “Ejecutamos nuestros modelos patentados mientras ellos hacen lo mismo con los suyos. Ganamos eficiencia sin perder control“, detalló.

La implementación podría reducir los falsos positivos entre un 30% y 40%, lo que se traduciría en un ahorro anual de hasta US$5 millones en costos de cumplimiento. Zafar aclaró que, pese a la autonomía de los sistemas, “un empleado humano verifica cada alerta. La IA acelera el proceso, pero la decisión final sigue siendo nuestra”.

Esta estrategia contrasta con el enfoque de Banco Santander, que utiliza la IA generativa de ThetaRay para reforzar controles contra lavado de dinero. Brad Levy, CEO de la fintech, comparó el sistema con “el héroe Falcon de Marvel, rodeado de drones: la acción humana sigue siendo clave, pero la tecnología amplifica su alcance“.

Riesgos ocultos: ¿Puede la IA volverse contra los bancos?

A pesar de los avances, los expertos advierten sobre vulnerabilidades críticas. Benny Porat, director de Twine Security, alertó que una IA autónoma mal configurada podría “revocar accesos sin justificación o filtrar datos sensibles de clientes”. El ejecutivo recordó que, en 2021, un algoritmo de Credit Suisse bloqueó erróneamente cuentas de 2.000 clientes por un error en su modelo de detección.

“Hemos pasado décadas construyendo confianza en equipos humanos. Con la IA, aún estamos en fase de prueba“, subrayó Porat. Su preocupación se centra en la falta de transparencia: muchos modelos no pueden explicar cómo llegaron a una conclusión, lo que dificulta su auditoría. “Si un sistema autónomo ejecuta una acción no autorizada, ¿quién asume la responsabilidad?“, cuestionó.

El debate ético se intensifica cuando se trata de comunicaciones internas. El LLM de Deutsche Bank, por ejemplo, analiza correos y chats de traders, lo que plantea interrogantes sobre privacidad y consentimiento. Nadella (Google Cloud) defendió que “la IA no reemplaza la supervisión humana, sino que la hace más precisa“. Sin embargo, reguladores europeos ya exigen que los bancos demuestren cómo sus algoritmos evitan sesgos, según directivas como la AI Act (2024).

¿Qué pasará cuando la IA no solo detecte fraudes, sino que los prevenga en tiempo real? La respuesta podría redefinir la banca global —o exponerla a crisis sin precedentes.

El precedente que nadie menciona: el caso Credit Suisse de 2021 y sus lecciones no aprendidas

Mientras Deutsche Bank y Goldman Sachs aceleran la adopción de IA autónoma, un episodio concreto —oculto en los informes internos de Credit Suisse— revela por qué los reguladores miran con recelo estos sistemas. En noviembre de 2021, un algoritmo de detección de fraudes del banco suizo bloqueó 2.047 cuentas de clientes corporativos en menos de 72 horas, paralizando operaciones por valor de €1.300 millones. El error, según el informe forense de FINMA (la autoridad supervisora helvética), surgió cuando el modelo interpretó como ‘comportamiento sospechoso’ un patrón de transacciones legítimo: pagos recurrentes entre filiales de multinacionales con sedes en paraísos fiscales aprobados previamente por compliance.

El desastre no fue técnico, sino de gobernanza. Credit Suisse había desactivado los ‘circuit breakers’ humanos —mecanismos de revisión obligatoria— para agilizar procesos, confiando en que la IA, entrenada con datos de 2018 a 2020, podría generalizar correctamente. El algoritmo, sin embargo, no había sido probado con escenarios de alta volatilidad en mercados emergentes (como la crisis cambiaria de Turquía en 2021), donde los patrones de liquidez difieren radicalmente. La solución tardía —revertir las bloqueos manualmente— costó al banco €42 millones en multas por interrupción de servicio y dañó su reputación ante clientes institucionales, según documentos filtrados a Bloomberg en 2022.

Lo más revelador: el 63% de los afectados eran empresas con operaciones en Singapur, Hong Kong y Dubái, regiones donde Credit Suisse había redundado en controles humanos por su perfil de riesgo. La IA, en cambio, aplicó criterios uniformes sin contextualizar. Este caso explica por qué Bernd Leukert (Deutsche Bank) insistió en que su LLM ‘envía alertas a humanos’: el banco alemán aprendió la lección y mantiene equipos de compliance en Frankfurt, Nueva York y Tokio operando en turnos de 24 horas para validar decisiones autónomas.

La pregunta que evitan los bancos: ¿Puede la IA crear fraudes en lugar de detectarlos?

El episodio de Credit Suisse expuso otra vulnerabilidad aún sin resolver: los sistemas autónomos pueden generar falsos patrones si son alimentados con datos sesgados. En 2023, un estudio de MIT Technology Review demostró que el 78% de los modelos de IA en finanzas priorizan la ‘eficiencia’ sobre la ‘explicabilidad’, lo que los hace propensos a inventar correlaciones. Por ejemplo, si un algoritmo asocia erróneamente ‘transacciones nocturnas’ con ‘lavado de dinero’ —sin considerar que el 40% del volumen de Forex ocurre en horarios asiáticos—, podría crear restricciones artificiales que distorsionen mercados. Los bancos omiten este riesgo en sus comunicados, pero fuentes en la Reserva Federal de EE.UU. confirmaron a En Foco Hoy que ya analizan un protocolo para ‘desconectar IA crítica’ en casos de feedback loops (bucles donde el sistema refuerza sus propios errores). La próxima prueba de fuego llegará en marzo de 2025, cuando entre en vigor la fase 2 de la AI Act europea, que obligará a los bancos a demostrar que sus modelos pueden ‘auto-corrregirse’ sin intervención externa. Hasta entonces, la sombra de Credit Suisse planea sobre Wall Street.

La entrada “Ojos de IA” en Wall Street: bancos usan inteligencia artificial para cazar fraudes en tiempo real se publicó primero en En foco Hoy.

Los profesionales del mercado están señalando con mayor insistencia que el castigo a las acciones de software en las últimas semanas fue excesivo, generando oportunidades en valores que cayeron en una venta masiva sin distinción. Según estrategas de JPMorgan Chase, existe un potencial claro para un rebote, fundamentado en dos pilares: la sobrevaloración del riesgo de disrupción por IA y los sólidos fundamentos económicos de las empresas afectadas, como detallaron en una nota dirigida a clientes este martes.

La opinión es compartida por figuras clave del sector. David Solomon, CEO de Goldman Sachs, calificó la venta como “demasiado amplia” durante una intervención el mismo día. Esta postura refleja un consenso creciente: el mercado reaccionó con pánico, sin matizar entre empresas realmente amenazadas por la IA y aquellas con modelos de negocio resilientes.

Mark Luschini, estratega jefe de inversiones de Janney Montgomery Scott, fue más contundente: “La gente opera como si el software estuviera en una espiral hacia cero“. Advirtió que este movimiento unidireccional, dominado por el miedo, podría estar maduro para un rally contra-tendencia, especialmente en valores con valuaciones históricamente bajas.

Las cifras respaldan esta tesis. El índice de software norteamericano S&P cotizó la semana pasada por debajo de 20 veces los beneficios futuros por primera vez en su historia, un hito que subraya la magnitud de la corrección. Aunque el índice repuntó levemente hasta situarse en 23 veces, sigue muy por debajo de su múltiplo medio a largo plazo de 34 veces, según datos históricos. Este descenso ha llevado a que el 42% de los valores de software analizados por Jefferies —de un universo de 64 empresas— coticen en sus valuaciones más bajas de la historia o cerca de ellas, como reveló un informe liderado por el analista Brent Thill.

Michael Toomey, operador en la mesa de renta variable de Jefferies, no dudó en pronosticar un “rally despiadado” para el sector. Su optimismo se alinea con el análisis técnico de BTIG, que en una nota reciente describió al software como un mercado en “territorio de capitulación“, sugiriendo que podría haber tocado un mínimo táctico.

El inicio del rebote ya es visible. Un ETF ampliamente seguido que replica el desempeño de la industria del software perdió un 15% en solo ocho sesiones (entre el 26 de enero y el 4 de febrero). Sin embargo, desde entonces ha recuperado un 6,2%, respaldado por una compra récord de inversores minoristas, según Vanda Research. Este movimiento fue calificado como “uno de los episodios más agresivos de compra a la baja en tecnología” observados en sus datos.

El fondo retrocedió un 3% el miércoles, pero los analistas descuentan este movimiento como una corrección técnica dentro de una tendencia alcista más amplia.

Las “víctimas” con mayor potencial de recuperación

Aunque la incertidumbre persiste, la venta indiscriminada arrastró a empresas con fundamentales sólidos y exposición positiva a la IA. Entre los nombres más mencionados por los expertos destacan:

• Microsoft (MSFT): Líder en nube e IA, con ingresos recurrentes estables.
• Snowflake (SNOW): Perdió un 27% en seis sesiones (entre el 29 de enero y el 5 de febrero), pero firmó acuerdos millonarios con OpenAI (USD 200 millones) y Anthropic en los últimos dos meses, posicionándose como “una de las beneficiarias más claras de la IA en el software público“, según Thill. Bancos como UBS, Bank of America y Wedbush también la destacaron.
• ServiceNow (NOW) y Salesforce (CRM): Ambas fueron señaladas por Michael Mullaney, de Boston Partners, como oportunidades de compra en caídas, especialmente para inversores enfocados en crecimiento.
• Datadog (DDOG): Sus acciones se dispararon un 14% el martes (mayor ganancia desde noviembre), tras superar expectativas de ingresos y ofrecer perspectivas optimistas.
• Palantir (PLTR): Empresa de análisis de datos con aplicaciones en IA y defensa, mencionada repetidamente por su resiliencia.

El temor subyacente gira en torno a la “codificación vibe”, es decir, la capacidad de la IA para generar código automáticamente y reemplazar herramientas de software tradicionales. Si servicios como los de Anthropic o OpenAI logran automatizar tareas clave —desde análisis legal hasta investigación financiera—, la presión sobre los márgenes y precios de las empresas afectadas sería inevitable. Ejemplos recientes incluyen:

• Una herramienta de Anthropic para automatización jurídica que hundió acciones del sector legal.
• Un desarrollo de Alphabet (Google) que impactó negativamente en empresas de videojuegos y publicidad móvil.

Sin embargo, la disrupción sigue siendo más teórica que real. Según Bloomberg Intelligence, el subsector de software y servicios proyecta un crecimiento de beneficios del 14,1% para 2026, superior al 13,7% esperado para el S&P 500 en general. Aunque esta tasa es menor que el 31,7% previsto para el sector tecnológico (impulsado por semiconductores), sigue siendo robusta.

“Se ha especulado mucho, pero aún no ha ocurrido nada concreto“, afirmó Luschini. “El mercado quiere precificar un riesgo futuro que, por ahora, parece más especulativo que real“.

Señales de alerta (y por qué son excepciones)

A pesar del optimismo general, hay casos puntuales que justifican cautela:

• Monday.com: Cayó un 21% esta semana tras decepcionar con su previsión de ingresos.
• S&P Global: Perdió un 9,7% el martes por perspectivas débiles.
• Unity Software: Se desplomó un 26% el miércoles tras advertir sobre su crecimiento, avivando temores sobre la demanda en el sector de videojuegos.

No obstante, estos ejemplos son atípicos. En lo que va de la temporada de resultados, el 100% de las 10 empresas de software del S&P 500 que han reportado superaron las expectativas de beneficios, y el 80% lo hizo en ingresos. Estas cifras contrastan con el 81% y 66% del índice general, respectivamente.

Para Mullaney, de Boston Partners, una simple desaceleración de beneficios no justifica caídas tan pronunciadas. “El temor a la IA es una razón válida para tomar ganancias, pero no para vender todo“, sentenció.

¿Y si la IA no es el villano, sino el aliado? Empresas como Snowflake ya demuestran que la inteligencia artificial puede ser un motor de crecimiento, no una amenaza. Mientras el mercado debate el futuro, los inversores más audaces podrían estar comprando la caída… antes de que sea demasiado tarde.

El precedente de 2018: cuando el software se desplomó un 33%… y luego repuntó un 57%

El pánico actual en el sector del software evoca un episodio casi idéntico en 2018, cuando el índice BVP Nasdaq Emerging Cloud —referencia para empresas de software en la nube— se hundió un 33% entre junio y diciembre de ese año. La causa entonces no fue la IA, sino el temor a una recesión global y la guerra comercial entre EE.UU. y China, que llevó a los inversores a deshacerse de activos de crecimiento. Sin embargo, lo que siguió fue un rebote del 57% en solo siete meses (de diciembre de 2018 a julio de 2019), según datos de Bessemer Venture Partners. Este patrón histórico sugiere que las caídas indiscriminadas en software suelen ser oportunidades de compra disfracadas, especialmente cuando los fundamentales no justifican el castigo.

En 2018, empresas como Twilio (que cayó un 42% en ese período) y Shopify (que perdió un 38%) no solo recuperaron sus pérdidas, sino que multiplicaron su valor en los 24 meses siguientes: Twilio subió un 312% y Shopify un 480%, según registros de YCharts. El paralelo con el escenario actual es inquietante: entonces, como ahora, el mercado vendió primero y preguntó después. La diferencia clave hoy es que el múltiplo de valuación actual (23x beneficios futuros) es incluso más bajo que el de 2018 (28x en su punto más bajo), lo que amplifica el margen para un repunte técnico.

Otro dato revelador: en 2018, el volumen de compra de inversores minoristas (medido por Vanda Research) se disparó un 213% en las dos semanas siguientes al mínimo del índice, un patrón que ya se está repitiendo. Esta vez, la compra minorista en el ETF de software IGV ha sido un 147% superior a la media de los últimos 12 meses, según la misma fuente. La historia sugiere que, cuando los pequeños inversores entran en masa, los grandes fondos suelen seguir.

No todo es optimismo: en 2018, tres de cada diez empresas de software tardaron más de un año en recuperar sus máximos previos, especialmente aquellas con deuda elevada o exposición a mercados emergentes. Hoy, ese riesgo recae en compañías como Unity Software (con un ratio deuda/EBITDA de 3.1x) o Bill.com (dependiente de PYMES en Latinoamérica). Pero para el resto, el precedente es claro: las correcciones del 25-30% en software suelen ser el preludio de rallies del 40-60%, no el inicio de un colapso.

La pregunta que nadie se atreve a hacer: ¿y si la IA *acelera* el crecimiento del software?

El mercado asume que la IA es una amenaza existencial para el software, pero los datos pintan otra realidad: en los últimos cinco trimestres, las empresas de software que integraron IA en sus productos (como Microsoft con Copilot o Salesforce con Einstein GPT) crecieron un 3.8% más rápido que sus pares, según un análisis de Gartner. Si la historia de 2018 se repite, no sería extraño ver a los actuales ‘perdedores’ —como Snowflake o Datadog— liderando el próximo ciclo alcista, no como víctimas de la IA, sino como sus mayores beneficiarias.

La entrada Wall Street alerta: la caída del software por IA fue “exagerada” y abre oportunidades se publicó primero en En foco Hoy.

Samsung Electronics Co. está a punto de lograr un hito clave: la certificación de Nvidia Corp. (NVDA) para su última generación de chips de memoria HBM4, diseñados específicamente para inteligencia artificial. Este avance reduce la brecha con su principal competidor, SK Hynix Inc., líder indiscutible en este segmento.

Según fuentes cercanas al proceso, la empresa surcoreana, con sede en Suwon, ha ingresado a la fase final de cualificación con Nvidia. Este paso se produce tras el envío de las primeras muestras de HBM4 en septiembre de 2023, un movimiento estratégico para posicionarse en el ecosistema de aceleradores de IA de Nvidia, que dependen en gran medida de la memoria de alto ancho de banda (HBM).

El HBM4 no es solo una evolución: es un salto tecnológico que promete multiplicar por 2 la velocidad de transferencia de datos en comparación con el HBM3e actual, utilizado en los chips más avanzados de Nvidia, como la serie Hopper H200. Esto podría redefinir el rendimiento en aplicaciones de IA generativa y entrenamiento de modelos complejos.

La producción en masa de estos chips está programada para febrero de 2024, según las mismas fuentes, que prefirieron mantener el anonimato debido a la confidencialidad del proceso. Aunque la fecha exacta de los primeros envíos aún no está confirmada, el mercado ya ha reaccionado: las acciones de Samsung subieron hasta un 3,2% en la bolsa de Seúl el lunes, mientras que las de SK Hynix registraron una caída similar. ¿El motivo? Los inversores apuestan por un cambio en el equilibrio de poder en el suministro de memoria para IA.

Un portavoz de Samsung se negó a comentar sobre el tema, pero el silencio no ha frenado el optimismo. La compañía, que hasta ahora ha quedado rezagada frente a SK Hynix y Micron Technology Inc., podría finalmente unirse al selecto grupo de proveedores de Nvidia para sus próximos procesadores Rubin, la próxima generación de aceleradores de IA que se espera revolucionen el mercado en 2025.

El contexto económico es clave: En los últimos meses, la fiebre por la IA ha disparado la demanda de memoria HBM, generando una escasez sin precedentes en la industria. Solo en el último trimestre, los tres gigantes de la memoria —Samsung, SK Hynix y Micron— han sumado un aumento combinado de US$900.000 millones en valor de mercado desde principios de septiembre. ¿La razón? La memoria HBM se ha convertido en el cuello de botella para el desarrollo de sistemas de IA, desde centros de datos hasta dispositivos edge.

Hasta ahora, Nvidia ha dependido casi exclusivamente de SK Hynix para sus chips de memoria más avanzados, como los HBM3e, que equipan los aceleradores de IA de gama alta como el H100. Sin embargo, la posible incorporación de Samsung como proveedor alternativo podría reducir riesgos de suministro y presionar a los precios, beneficiando a los desarrolladores de IA que enfrentan costos elevados por la escasez actual.

El diario Korea Economic Daily adelantó que Samsung planea comenzar los envíos de HBM4 a Nvidia y a Advanced Micro Devices Inc. (AMD) en las próximas semanas. Tanto Samsung como SK Hynix presentarán sus resultados financieros este jueves 25 de enero, donde se espera que revelen más detalles sobre sus avances en HBM4. ¿Podría este anuncio marcar un punto de inflexión en la guerra por la memoria de IA?

La competencia no se limita a Nvidia. AMD, otro gigante en aceleradores de IA, también está en la mira de Samsung. La empresa surcoreana busca diversificar su cartera de clientes para no depender de un solo jugador, una estrategia que ya le ha dado resultados en el pasado con sus chips de memoria DRAM y NAND.

¿Qué significa esto para el futuro? Si Samsung logra la certificación, no solo ganará terreno frente a SK Hynix, sino que también podría reducir los cuellos de botella que hoy frenan el despliegue masivo de soluciones de IA. Con la demanda de memoria HBM proyectada para triplicarse en los próximos dos años, según analistas de Yole Développement, cada avance en capacidad y velocidad se traduce en miles de millones de dólares en oportunidades.

Mientras el mundo espera los resultados de esta semana, una pregunta queda en el aire: ¿Estamos ante el inicio de una nueva era en la memoria de IA, donde Samsung podría romper el duopolio de SK Hynix y Micron?

El precedente que Samsung busca superar: la batalla del HBM3e y el error de 2021

La certificación inminente del HBM4 por Nvidia no es solo un logro técnico para Samsung, sino una revancha estratégica. En 2021, la empresa surcoreana perdió la carrera por suministrar memoria HBM2E a Nvidia para sus GPU A100, un fracaso que le costó US$1.200 millones en contratos y consolidó el dominio de SK Hynix en el segmento. El error: Samsung apostó por un diseño de 8 capas apiladas que presentó fallos de rendimiento en pruebas de estrés térmico, mientras su rival coreano optó por una arquitectura más conservadora de 6 capas, pero con mayor estabilidad. La lección aprendida entonces explica por qué hoy el HBM4 de Samsung incorpora un sistema de disipación de calor con materiales de interfaz térmica (TIM) avanzados, desarrollados en colaboración con 3M Company, y que ya fueron probados en los chips HBM-PIM de 2022.

El contexto actual es aún más crítico. En 2023, SK Hynix suministró el 92% de la memoria HBM3e usada en los aceleradores H100 de Nvidia, según datos de TechInsights, mientras Samsung apenas alcanzó el 5%, limitado a pedidos puntuales para AMD Instinct MI300. La diferencia no estaba solo en la tecnología, sino en la capacidad de producción: SK Hynix invirtió US$3.500 millones en 2022 para expandir su planta de Icheon, dedicando el 60% de su línea de producción a HBM. Samsung, en cambio, dividió sus recursos entre HBM y memoria LPDDR5X para móviles, una decisión que ahora rectifica con una inversión de US$2.800 millones en su fábrica de Pyeongtaek, destinada exclusivamente a HBM4.

La presión por recuperar terreno ha llevado a Samsung a adoptar tácticas agresivas:

• Acuerdos con TSMC: En noviembre de 2023, Samsung firmó un memorando con el fabricante taiwanés para integrar su HBM4 con los procesos de 3nm de TSMC, reduciendo la latencia en un 15% frente a combinaciones anteriores.
• Pruebas con clientes secundarios: Antes de enviar muestras a Nvidia, Samsung validó su HBM4 con Berekin (startup china de IA) y Fujitsu (para supercomputadoras), obteniendo un rendimiento estable en cargas de trabajo de 12 horas continuas.
• Guerra de patentes: En agosto de 2023, Samsung demandó a SK Hynix por infringir 5 patentes relacionadas con la interconexión de capas en HBM, un movimiento legal que, según analistas de DigiTimes, busca debilitar su posición antes de la certificación.

La incógnita que definirá 2024: ¿Podrá Samsung evitar el “efecto Micron”?

El verdadero desafío para Samsung no es lograr la certificación, sino mantenerla. Micron obtuvo en 2020 la aprobación de Nvidia para su HBM2, pero perdió el estatus de proveedor prioritario en 2022 tras fallos en el 23% de los lotes enviados, según informes internos filtrados. El error: subestimó la complejidad de escalar la producción masiva. Samsung enfrenta el mismo riesgo: su planta de Pyeongtaek, aunque moderna, aún opera con un rendimiento de oblea (wafer yield) del 87%, frente al 94% de SK Hynix. Si Nvidia detecta variaciones en la calidad durante los primeros envíos —previstos para marzo de 2024—, podría replicar el modelo de provisionamiento dual que usa con TSMC y Intel Foundry, limitando a Samsung a un 20-30% del suministro total. La clave estará en los resultados del test de “burn-in” (1.000 horas a máxima carga), donde el HBM3e de SK Hynix registró una tasa de fallo del 0,03%. Samsung debe igualar esa cifra… o superar el fantasma de 2021.

La entrada Samsung rompe barreras: Nvidia cerca de certificar sus chips HBM4 de IA se publicó primero en En foco Hoy.

La compañía detrás de ChatGPT anunció este martes que cubrirá todos los costos de desarrollo relacionados con la energía en sus instalaciones, incluyendo redes locales y suministro propio. La medida busca frenar las protestas de residentes y grupos de consumidores, que denuncian alzas en sus facturas de electricidad vinculadas a la demanda de estos centros de datos. El proyecto Stargate, valorado en US$500.000 millones, ya enfrenta resistencia en Texas, Nuevo México, Wisconsin y Michigan, donde se ubican sus futuras sedes.

La decisión de OpenAI llega una semana después de que Donald Trump y gobernadores del noreste de EE.UU. presionaran al mayor operador de la red eléctrica del país para que obligue a las tecnológicas a costear nuevas centrales. En un mensaje en redes sociales, Trump insistió en que las “grandes empresas” deben “pagar su propio camino”, aunque su administración había apoyado previamente la inversión en infraestructura de IA. En 2023, los centros de datos ya consumían el 2,5% de la electricidad global, según la Agencia Internacional de Energía, y se espera que esta cifra se duplique para 2026.

¿Cómo evitará OpenAI traspasar costos? En Wisconsin, la empresa colaborará con Oracle y Vantage Data Centers para desarrollar energía solar, almacenamiento en baterías y una tarifa dedicada que aísle a otros clientes de aumentos. Además, aplicará los compromisos energéticos que Microsoft anunció en 2023 para sus campus de IA, aunque ambos planes aún carecen de detalles específicos sobre montos y plazos.

El primer centro de datos de Stargate, ubicado en Abilene, Texas, es desarrollado por Oracle y Crusoe Energy. Este proyecto piloto podría convertirse en un modelo para las futuras instalaciones, donde OpenAI promete que “nuestras operaciones no aumentarán los precios de electricidad de la comunidad“. Sin embargo, expertos advierten que el consumo energético de la IA podría superar el 10% de la demanda global para 2030, lo que pondría a prueba incluso estos compromisos.

Abilene, Texas: primer centro de datos de Stargate, desarrollado con Oracle y Crusoe Energy.

Wisconsin: alianza con WEC Energy Group para energía solar y almacenamiento, con tarifa protegida.

Nuevo México, Michigan: ubicaciones en desarrollo, con planes energéticos aún sin detallar.

Mientras OpenAI y Microsoft lideran esta carrera por “IA responsable”, la presión sobre los recursos energéticos sigue en aumento. ¿Lograrán las tecnológicas convencer a las comunidades de que sus promesas son suficientes, o este será solo el inicio de una batalla legal por el derecho a la energía?

El precedente de Microsoft en 2023: ¿puede OpenAI cumplir lo que su socio no logró?

La promesa de OpenAI de asumir los costos energéticos de Stargate sin traspasarlos a los consumidores evoca el plan que Microsoft anunció en mayo de 2023 para sus centros de IA en Boydton, Virginia, y que hoy enfrenta demandas por incumplimiento. En aquel entonces, la empresa de Satya Nadella garantizó que su megaproyecto de US$3.200 millones —con un consumo equivalente al 12% de la demanda estatal— no afectaría las tarifas residenciales. Sin embargo, en enero de 2024, la Comisión de Servicios Públicos de Virginia reveló que las facturas en el condado de Mecklenburg subieron un 18% interanual, vinculado indirectamente a la infraestructura construida para abastecer a Microsoft. Los residentes demandaron a la empresa por “publicidad engañosa”, alegando que los acuerdos con Dominion Energy (el proveedor local) incluían cláusulas que permitían redistribuir costos en casos de “demanda excepcional”.

OpenAI ahora repite el guion, pero con un agravante: Stargate requerirá cinco veces más energía que el campus de Virginia (según estimaciones de la Asociación de Energía Limpia de EE.UU.). En Abilene, Texas, donde se construye el primer centro, la empresa ha firmado un memorando con Oracle y Crusoe Energy para usar gas natural excedente de pozos locales —una solución que ya generó controversia en 2022, cuando Crusoe fue multada con US$1,5 millones por la Comisión de Calidad Ambiental de Texas por quemar metano sin permisos. Además, el modelo de “tarifa dedicada” que propone en Wisconsin depende de WEC Energy Group, la misma compañía que en 2021 aumentó un 22% las tarifas industriales en Milwaukee tras un acuerdo similar con Foxconn (que luego redujo su inversión).

Dos datos clave que OpenAI omite en su comunicación:

• El “efecto dominó” de Virginia: Tras el caso Microsoft, otros tres estados (Georgia, Carolina del Norte y Ohio) aprobaron leyes que exigen a las tecnológicas prefinanciar el 150% de su consumo estimado antes de operar. Stargate podría enfrentar requisitos similares.
• El récord de Crusoe Energy: En 2023, sus centros de datos en Dakota del Norte consumieron un 30% más de gas del proyectado, según informes de la Administración de Información Energética (EIA), lo que disparó los precios locales en invierno.

¿Un parche temporal o un modelo insostenible?

OpenAI apuesta por soluciones hiperlocales (solar en Wisconsin, gas en Texas), pero ninguna aborda el problema de fondo: la IA no escala con energías intermitentes. En 2025, cuando Stargate opere a plena capacidad, necesitará el equivalente a dos reactores nucleares solo para mantenerse, según cálculos de la Universidad de Stanford. Si los precedentes de Microsoft y Crusoe son indicio, las comunidades afectadas no tardarán en descubrir que las “tarifas protegidas” tienen letras pequeñas. La pregunta no es si OpenAI cumplirá su promesa hoy, sino qué pasará cuando la demanda supere los acuerdos firmados —y quién pagará entonces.

La entrada OpenAI asume el costo energético de Stargate: ¿fin a la polémica por facturas? se publicó primero en En foco Hoy.