Andre Bonnick, estudiante de la Universidad de Warwick, pasa horas perfeccionando su discurso frente al espejo. Pero su público no será un reclutador humano: será un software de IA el que decida si merece una oportunidad en el competitivo mundo de las finanzas. Lo que antes era un ejercicio de conexión humana, ahora es una prueba de ingeniería lingüística contra algoritmos. Y esto es solo el comienzo.

Los CEO lo admiten sin tapujos: “Los puestos desaparecerán”

No son rumores. Los máximos ejecutivos de los gigantes financieros ya han sentado las bases:

• Jamie Dimon (JPMorgan): “La IA eliminará puestos de trabajo“.
• Jane Fraser (Citigroup): Algunos roles “ya no serán necesarios“.
• John Waldron (Goldman Sachs): Los empleados son una “cadena de montaje humana” lista para ser automatizada.
• Bill Winters (Standard Chartered): “No es recortar costes, es sustituir capital humano de menor valor“. (Sus palabras luego generaron tal polémica que tuvo que disculparse).

Lo que esto significa es claro: la banca está en medio de una purga laboral selectiva. Pero hay un giro inesperado: no son solo los puestos operativos los que están en riesgo. La IA ahora amenaza incluso a los escalones medios y altos, aquellos que antes se creían intocables. “El middle office es vulnerable”, advierte David Parsons, abogado laboral de Mishcon de Reya. “Esta oleada de automatización no se queda en la base; sube por la cadena”.

Los junior: primera línea de fuego

Los estudiantes que durante años vieron en la banca un refugio de estabilidad y salarios altos enfrentan ahora un muro. Las clases de analistas junior se han reducido hasta en dos tercios, según Debasish Patnaik de McKinsey. La paradoja es cruel: los bancos extraen el 62% de su talento en IA de estas mismas cohortes que están recortando.

“Antes de Covid, las clases de becarios crecían”, recuerda Timothy Lee, estudiante de Warwick y líder de su sociedad de finanzas. “Pero ahora los bancos ya no necesitan contratar en masa”. La pregunta que flota es: ¿qué pasará cuando la generación que hoy aprende con IA tenga que competir contra ella?

Andre Bonnick lo resume con una frase que resume el miedo de una generación: “Estaba considerando hacer un máster solo para ganar un año más antes de que los puestos desaparezcan”.

IA en acción: dónde ya está reemplazando humanos

Los bancos no están esperando. La IA ya está operando en áreas clave:

• Citigroup: Un avatar conversacional multilingüe asesora a clientes sobre inversiones o fondos universitarios. No duerme, no pide aumentos y atiende en 20 idiomas.
• Barclays: La IA analiza 8 millones de llamadas de clientes, resumiendo conversaciones y optimizando respuestas. El CEO Venkatakrishnan lo celebra como una “ganancia de eficiencia”, pero el mensaje subyacente es claro: menos humanos, mismos resultados.
• Revolut: Su asistente “AIR” desglosa gastos, clasifica transacciones y ajusta controles de tarjetas. “Tan fácil como enviar un mensaje”, dicen. Lo que no dicen es cuántos analistas financieros ya no hacen ese trabajo.

Antony Jenkins, exCEO de Barclays, lo pone en perspectiva: “No busquen un banco 100% dirigido por IA. Veremos casos de uso puntuales que irán comiendo terreno, función por función”.

En este contexto, la supuesta “recalificación” de empleados suena más a un parche que a una solución. “No está claro cómo funcionaría eso en la práctica”, admite Parsons. Mientras, un banquero en Emiratos Árabes —que prefirió el anonimato— bromeó macabramente después de usar Microsoft Copilot para preparar un discurso clave: “En cinco o diez años, igual ya no me necesitan”.

El riesgo oculto: despidos discriminatorios y burocracia encubierta

La IA no solo recorta puestos; expone desigualdades estructurales. “Si despides masivamente a personal administrativo —mayoritariamente mujeres— o a empleados junior, el riesgo de demandas por discriminación es enorme”, alerta Parsons. “Y es un riesgo que las empresas están infravalorando”.

Pero hay más: Dimon mismo reconoció en mayo que muchos recortes atribuidos a la IA en realidad ocultan un problema previo. “Muchas empresas tienen demasiada burocracia. Usan la IA como excusa para deshacerse de gente que nunca deberían haber contratado“.

La implicación inmediata es doble: la IA acelera despidos que ya estaban planeados, y sirve de cortina de humo para errores de contratación pasados.

¿Hay esperanza? Los bancos que (por ahora) resisten

No todo es apocalíptico. Bank of America mantiene su compromiso con 4.000 nuevos contratados este año (2.000 becarios y 2.000 fijos). Pero incluso allí la consigna es clara: “El número de empleados debe mantenerse plano“. Traducción: no habrá crecimiento neto. La IA llenará los huecos.

Patnaik, de McKinsey, ofrece un atisbo de optimismo cauto: “Los analistas junior de hoy son los CEO del mañana. Ese talento no se puede fabricar lateralmente”. Pero la advertencia está implícita: si la IA se come el escalón junior, ¿quién alimentará el pipeline de líderes en una década?

Mientras, los estudiantes como Bonnick y Lee enfrentan un dilema existencial: ¿invertir años en formarse para una industria que podría no necesitarlos? ¿O pivotar hacia sectores donde la IA (todavía) no domina?

La banca siempre fue un juego de números. Ahora, el número que más preocupa no está en los balances, sino en la plantilla: ¿cuántos empleos sobrevivirán a la próxima ola de algoritmos?

El efecto dominó: cómo los recortes junior redefinirán la banca en una década

La reducción drástica de plazas para analistas junior no es solo un ajuste coyuntural: es una bomba de tiempo demográfica para el sector. Lo que hoy parece una optimización de costes podría convertirse en el mayor cuello de botella de la banca dentro de diez años.

En este contexto, la paradoja es brutal: los bancos están recortando precisamente el segmento que históricamente ha sido su vivero de talento. Si la IA asume las tareas de entrada —análisis de datos, informes rutinarios, atención básica al cliente—, ¿qué experiencia práctica acumularán los futuros líderes? La pregunta no es retórica: sin un pipeline de junior bien formado, los bancos podrían enfrentarse a una crisis de sucesión en puestos directivos. Los algoritmos no pueden (aún) reemplazar el juicio estratégico que se forja en años de trinchera.

Hay otro riesgo sistémico: la homogeneización del pensamiento. Si la IA estandariza procesos y filtra candidatos basándose en patrones preexistentes, los bancos podrían perder diversidad cognitiva justo cuando más la necesitan. En un sector donde la innovación depende de perspectivas disruptivas, confiar ciegamente en modelos entrenados con datos históricos podría ser un tiro en el pie.

• Fuga de talento precoz: Los junior más brillantes —aquellos con habilidades que la IA no puede replicar, como creatividad o gestión de crisis— podrían migrar a sectores menos automatizados (consultoría estratégica, fintech reguladas) donde su valor sea más tangible.
• Brecha de habilidades críticas: La IA excela en tareas repetitivas, pero no puede negociar con un cliente insatisfecho, liderar un equipo en una crisis de mercado o navegar la ambigüedad regulatoria. Estas habilidades se pulen en los primeros años de carrera.
• Dependencia tecnológica irreversible: Si los bancos eliminan capas enteras de empleados junior, podrían volverse rehenes de sus propios sistemas de IA, sin personal suficiente para auditarlos o cuestionar sus sesgos.

La cuenta atrás ya comenzó

El verdadero test no será cómo manejan los bancos los despidos de hoy, sino cómo llenan los vacíos de mañana. La pregunta urgente ya no es cuántos puestos desaparecerán, sino qué harán las instituciones cuando descubran que han recortado demasiado —y demasiado rápido— el tejido humano que las sostenía. Las próximas contrataciones de becarios (o su ausencia) serán la primera señal.

La entrada IA en banca: recortes masivos se acercan y los junior son los primeros en la mira se publicó primero en En foco Hoy.

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.

Anthropic PBC cerró un acuerdo plurianual con CoreWeave Inc. para asegurar capacidad crítica en centros de datos y responder a la demanda récord de sus servicios de inteligencia artificial, según reveló Bloomberg. Este movimiento no es aislado: refleja una carrera global donde los “neoclouds” —provedores especializados en GPUs— están arrebatando terreno a gigantes como AWS o Google Cloud. La razón es clara: ofrecen arquitecturas ágiles, contratos flexibles y acceso inmediato a hardware de Nvidia, algo que los hyperscalers tradicionales no siempre garantizan ante la saturación de peticiones desde 2022.

El convenio permitirá a Anthropic escalar y desplegar todas las versiones de su modelo estrella, Claude, confirmaron fuentes de CoreWeave. La infraestructura incluirá chips Nvidia A100 y H100 alojados en centros de datos estadounidenses, detalló Michael Intrator, CEO de CoreWeave, en entrevista exclusiva. Aunque las empresas optaron por no divulgar los términos financieros, el impacto en el mercado fue inmediato: las acciones de CoreWeave se dispararon a US$98,50 en premercado —un salto del 7,1% frente al cierre previo de US$92—, señal de que los inversores apuestan por un crecimiento exponencial en los ingresos por alquiler de GPUs.

Anthropic, fundada en 2021 por exmiembros de OpenAI como Dario y Daniela Amodei, se ha convertido en un actor clave en la revolución generativa. Su modelo Claude ha enfrentado picos de demanda “sin precedentes”, obligando a la startup a racionar accesos en varias ocasiones. Para evitar cuellos de botella, la compañía planea invertir US$50.000 millones en nuevos centros de datos especializados en IA dentro de EE.UU., una cifra que supera el PIB anual de países como Croacia o Uruguay.

Con una valoración que roza los US$380.000 millones —incluidos los US$30.000 millones recaudados en su última ronda—, Anthropic ya supera en capitalización a gigantes cotizados como IBM o AMD. Este acuerdo con CoreWeave se suma a otra alianza estratégica anunciada esta semana: el aseguramiento de 3,5 gigavatios de energía (equivalente al consumo de 2,6 millones de hogares estadounidenses) provenientes de Broadcom y Google. La electricidad es tan crítica como las GPUs: entrenar un modelo como Claude 3 requiere 10 veces más energía que su versión de 2022, según estimaciones de la industria.

CoreWeave: el “neocloud” que desafía a los hyperscalers

CoreWeave no es un actor cualquiera. Pertenece al selecto grupo de “neoclouds”, proveedores que alquilan infraestructura de alto rendimiento exclusiva para IA. Su ventaja competitiva radica en ofrecer acceso casi inmediato a GPUs Nvidia A100/H100 con contratos flexibles, algo que empresas como Microsoft o Meta han aprovechado para evitar listas de espera de hasta 8 meses en clouds tradicionales. De hecho, CoreWeave ya opera 43 centros de datos activos y ha contratado más de 3 gigavatios de potencia, con focos en estados como Texas y Nevada, donde la energía es barata y los incentivos fiscales, agresivos.

El contrato con Anthropic llega apenas días después de que CoreWeave anunciara un compromiso histórico: US$21.000 millones por parte de Meta Platforms para adquirir capacidad informática. Esta cifra, una de las mayores en la historia de la infraestructura de IA, consolida a CoreWeave como proveedor clave para los cuatro grandes laboratorios de modelos de lenguaje: Anthropic, OpenAI, Google y Meta. “La industria confía en nuestra capacidad para escalar sin cuellos de botella”, declaró Intrator.

¿Por qué las startups de IA huyen de los hyperscalers?

El mercado de alquiler de GPUs se ha vuelto hipercompetitivo. Modelos como Claude 3 o Llama 3 ya superan el trillón de parámetros, lo que exige no solo más chips, sino también entregas rápidas y eficiencia energética. Los hyperscalers tradicionales (AWS, Azure, Google Cloud) enfrentan dos problemas: plazos de entrega extendidos (hasta 2025 en algunos casos) y precios inflados por la demanda. En cambio, los neoclouds como CoreWeave, Lambda Labs o Crusoe Energy ofrecen:

• Despliegue en 48 horas (vs. 6 meses en clouds tradicionales).
• Contratos por uso, sin compromisos anuales rígidos.
• Enfoque en GPUs de última generación (Nvidia H100, con hasta 9448 núcleos CUDA).

Esta tendencia se acentuó tras el lanzamiento de ChatGPT en noviembre de 2022, cuando cientos de startups descubrieron que no podían acceder a hardware en los plazos prometidos. Hoy, el 68% de las empresas de IA que buscan escalar recurren a neoclouds, según un informe de CB Insights.

El costo oculto de la IA: energía y geopolítica

El acuerdo entre Anthropic y CoreWeave también expone un desafío menos visible: el consumo energético de la IA. Los 3,5 gigavatios asegurados por Anthropic equivalen a la producción de tres reactores nucleares pequeños. Estados Unidos, con su red eléctrica envejecida, enfrenta riesgos de apagones localizados si la demanda de centros de datos sigue creciendo al 25% anual, como pronostica la Agencia Internacional de Energía.

Además, la localización de los centros de datos no es casual. CoreWeave ha priorizado estados como Texas (con su mercado energético desregulado) y Nevada (con exenciones fiscales del 75% para tecnológicas). Esta estrategia contrasta con la de hyperscalers como AWS, que distribuyen su infraestructura globalmente pero enfrentan restricciones en la UE por leyes de soberanía de datos.

¿Qué sigue para Anthropic y Claude?

Con este acuerdo, Anthropic no solo resuelve su cuello de botella de cómputo, sino que acelera la hoja de ruta de Claude. Se espera que para 2025 lance una versión capaz de procesar contextos de 2 millones de tokens (vs. los 200.000 actuales), lo que permitiría analizar libros enteros o bases de código completas en una sola consulta. Pero el reto va más allá de la tecnología: la compañía deberá demostrar que puede monetizar Claude sin depender exclusivamente de inversores como Amazon (que ya inyectó US$4.000 millones) o Google.

Mientras, CoreWeave se prepara para su próxima meta: llegar a 5 gigavatios de capacidad antes de 2026, con planes de expansión en Canadá y Singapur. La pregunta que flota en Silicon Valley es: ¿Podrán los neoclouds mantener su ventaja cuando los hyperscalers lancen sus propias GPUs? Nvidia ya anunció sus chips B100 para 2025, y AWS desarrolla Trainium2, su propio acelerador de IA. La batalla por la infraestructura recién comienza.

La guerra silenciosa por los chips: cómo Nvidia domina (y asfixia) el mercado de GPUs para IA

El acuerdo entre Anthropic y CoreWeave no solo refleja la urgencia por escalar modelos como Claude, sino también una dependencia crítica de un actor que ni siquiera aparece en el contrato: Nvidia. La empresa de Jensen Huang controla el 98% del mercado de GPUs para IA, según datos de Jon Peddie Research (2024), y su dominio se ha convertido en un cuello de botella global. CoreWeave, pese a su crecimiento explosivo, opera con chips A100 y H100 de Nvidia, los mismos que escasean en AWS o Google Cloud. La paradoja: mientras startups como Anthropic buscan evitar la saturación de los hyperscalers, siguen atadas a un monopolio que fija precios y plazos.

Esta dependencia tiene un costo tangible. En 2023, el precio de un lote de 1.000 GPUs H100 se disparó de US$30 millones a US$45 millones en solo seis meses, según informes internos de Meta Platforms filtrados a The Information. La razón: Nvidia prioriza a clientes como Microsoft (que ya aseguró 50.000 H100 para 2024) o Tesla, dejando a empresas más pequeñas en listas de espera de hasta 12 meses. CoreWeave, aunque ágil, no escapa a esta dinámica: su ventaja radica en haber firmado contratos a largo plazo con Nvidia en 2021, cuando los H100 aún no eran el estándar. Hoy, esos acuerdos le permiten ofrecer despliegues en 48 horas, pero a un costo energético y financiero que pocos pueden sostener.

El problema se agrava con la ley de Moore invertida: mientras los modelos de IA crecen exponencialmente (Claude 3 supera el trillón de parámetros), la mejora en eficiencia de las GPUs no sigue el mismo ritmo. Un informe de OpenAI revelaba en 2023 que el costo computacional para entrenar un modelo como GPT-4 era 100 veces mayor que el de GPT-3 (2020), pero el rendimiento por dólar solo mejoró un 12%. Esto explica por qué Anthropic destina US$50.000 millones a infraestructura: no es solo escalar, sino sobrevivir en un ecosistema donde Nvidia dicta las reglas.

¿Puede romperse el monopolio de Nvidia?

La alianza Anthropic-CoreWeave es un síntoma de un mercado distorsionado, pero también un aviso: los actores más audaces ya buscan alternativas. Google desarrolla sus TPUs v5e, Amazon apuesta por Trainium2, y hasta Microsoft explora diseños propios con Azure Maia. Sin embargo, el reloj corre en su contra: Nvidia lanza sus B100 en 2025, con un salto de rendimiento del 200% sobre las H100. La pregunta no es si los neoclouds podrán competir, sino si alguna empresa —incluida Anthropic— logrará entrenar un modelo de clase mundial sin depender de Jensen Huang. Mientras tanto, cada GPU H100 sigue siendo un billete de lotería en la carrera por la IA.

La entrada Anthropic y CoreWeave: alianza de US$50.000M para dominar la IA con Claude se publicó primero en En foco Hoy.

El regreso de Intel al centro de la infraestructura de inteligencia artificial no es casualidad. Desde 2017, la compañía ha perdido más de 20 puntos de cuota en el mercado de servidores frente a AMD y soluciones internas de gigantes tecnológicos como Amazon y Microsoft. Este nuevo compromiso con Google podría ser el punto de inflexión que Intel necesitaba para demostrar que sus futuros procesadores Xeon ofrecen un rendimiento competitivo y un ecosistema de software maduro para cargas de IA híbridas, algo que los analistas llevan dos años exigiendo.

Intel Corp. (INTC) anunció este jueves que Google, propiedad de Alphabet Inc. (GOOGL), se ha comprometido a utilizar futuras generaciones de procesadores Xeon y otros chips de Intel en sus centros de datos. El acuerdo, de vigencia plurianual, también incluye el uso de IPU (unidades de procesamiento de infraestructura) personalizadas por Google. Estas IPU se encargan de tareas críticas como redes, seguridad y almacenamiento, liberando a las CPU de cargas que antes ralentizaban el cómputo general.

Aunque las compañías no revelaron cifras exactas de compra mínima ni montos, fuentes de la industria estiman que el compromiso cubre al menos dos generaciones de Xeon, lo que implica un horizonte de cinco años. Este acuerdo se enmarca en la estrategia de Intel para capitalizar la creciente demanda de infraestructura de inteligencia artificial, un sector que ha experimentado un crecimiento exponencial en los últimos años.

Desde que Lip-Bu Tan asumió la presidencia de Intel, la compañía ha reenfocado sus inversiones en nodos de fabricación avanzados y en un renovado roadmap de productos. Entre estos destacan los Xeon “Granite Rapids” y “Sierra Forest”, ambos con núcleos de alta eficiencia y aceleradores de IA integrados. Recuperar una mayor porción del gasto en centros de datos es vital para la apuesta de regreso de Intel, especialmente después de que su cuota de mercado en servidores cayera del 99 % en su mejor momento a aproximadamente el 70 % en 2023, debido a la competencia de los procesadores Epyc de AMD y los chips internos de Amazon, Microsoft y el propio Google.

Una tendencia clave juega a favor de Intel: las CPU de propósito general vuelven a considerarse críticas para la informática de IA. Aunque los procesadores especializados de Nvidia (NVDA) siguen dominando el entrenamiento de modelos, existe una demanda creciente de CPU que orquesten el flujo de datos, gestionen la seguridad y ejecuten la inferencia. Según Amin Vahdat, vicepresidente senior y tecnólogo jefe de infraestructura de IA en Google, “las CPU ayudan a coordinar el entrenamiento y sirven de puente entre los aceleradores y el resto del sistema”.

El acuerdo también contempla optimizaciones de software. Los equipos de ingeniería de ambas compañías trabajarán en librerías abiertas como TensorFlow, JAX y Kubernetes para que los futuros Xeon aprovechen instrucciones AVX-512 y AMX (Advanced Matrix Extensions), que aceleran operaciones de matrices sin necesidad de GPU. Esto permitirá a los centros de datos de Google ofrecer servicios de IA con menor latencia y menor consumo energético, dos métricas clave para competir con Azure y AWS.

Para Intel, este acuerdo es un respiro en medio de una guerra de precios y una carrera por el nodo de 3 nm. La compañía ya anunció que su planta de Ohio, inicialmente planeada para 2025, acelerará su producción si los pedidos de Google se materializan. Wall Street recibió la noticia con cautela: las acciones de Intel subieron un 4 % en after-hours, pero analistas como Stacy Rasgon de Bernstein advierten que “un cliente, por grande que sea, no compensa una década de retrasos en litografía”.

Google, por su parte, gana diversidad de proveedores. Aunque sus TPU (unidades de procesamiento tensorial) siguen siendo la base para cargas de IA, la compañía necesita CPU de alto rendimiento para servicios híbridos como BigQuery, Vertex AI y Gmail. Tener a Intel como socio reduce su dependencia de AMD y ofrece margen de negociación en precios y plazos de entrega.

El acuerdo no implica exclusividad: Google seguirá evaluando ofertas de AMD, Ampere y sus propios chips Axion basados en ARM. Sin embargo, el compromiso público con Xeon envía una señal clara al ecosistema de que Intel sigue siendo un jugador imprescindible, al menos en la parte frontal de la red de centros de datos. A largo plazo, esta alianza podría abrir la puerta a proyectos conjuntos en computación cuántica y chips de seguridad para confidencialidad preservante, áreas en las que Google lleva la delantera pero necesita socios con capacidad de fabricación a gran escala.

“Intel ha sido un socio de confianza durante casi dos décadas, y su hoja de ruta de Xeon nos da la confianza de que podemos seguir satisfaciendo las crecientes demandas de rendimiento y eficiencia de nuestras cargas de trabajo”, concluyó Vahdat en el comunicado conjunto.

El pacto Google-Intel: ¿el último cartucho de los Xeon para frenar el dominio de AMD y los chips propios?

El acuerdo multiáño por chips Xeon entre Google e Intel llega en el momento más crítico de la guerra de procesadores para centros de datos. ¿Por qué ahora Google decide apostar públicamente por una arquitectura que muchos daban por amortizada? La respuesta reside en una combinación de presión regulatoria por diversificación de proveedores, la necesidad de CPU que gestionen la orquestación de cargas de IA y la urgencia de Intel por demostrar que su roadmap de 2025-2027 es viable.

Google fue uno de los primeros “hiperscalers” en desplegar sus propios chips (TPU) en 2015, y desde 2020 acelera el desarrollo de CPU ARM denominadas Axion. Sin embargo, la dependencia del ecosistema x86 para servicios legados como Gmail, BigQuery y partes de Kubernetes sigue siendo enorme. El anuncio de este jueves no cambia la hoja de ruta interna de Axion, pero compra tiempo a los equipos de infraestructura y envía una señal política a los reguladores: Google no es monolítico y mantiene abierto el mercado a proveedores estadounidenses.

Para Intel, el contrato supone oxígeno puro tras perder más de 20 puntos de cuota desde 2017. La compañía necesitaba un cliente visible que validara sus futuros Xeon “Granite Rapids” y “Sierra Forest” antes de comprometer los miles de millones de dólares que exige la rampa de la planta de Ohio. Wall Street castigó a Intel en los últimos años por retrasos en litografía y por no presentar una respuesta creíble a Epyc de AMD. El respaldo de Google, aunque no exclusivo, rebaja el riesgo de inventario muerto y permite a Intel negociar condiciones preferentes con proveedores de equipos originales (OEM).

Factores que hacen crítico este acuerdo para ambas partes:

• Reducción de costes energéticos: Google necesita CPU que orquesten GPU sin disparar la factura eléctrica; los nuevos Xeon prometen mejor rendimiento por vatio gracias a los aceleradores AMX.
• Presión competitiva de AWS y Azure: ambos rivales ya ofrecen instancias con Epyc y Graviton; Google equilibra su portfolio para no perder ofertas corporativas.
• Requisitos de seguridad y confidencialidad preservante: los módulos SGX de Intel siguen siendo referencia para enclaves de memoria, un diferencial que ARM aún no iguala.
• Optimización de software: librerías como TensorFlow y JAX están siendo reescritas para aprovechar AVX-512 y AMX, lo que reduce la dependencia de GPU en inferencia.

El timing también responde a la necesidad de Google de mostrar avances antes de la conferencia Google Cloud Next. Los analistas de Bernstein y IDC coinciden en que los ingresos por IA generativa podrían duplicarse en 2025 si las infraestructuras logran latencias menores a 20 ms y consumen un 30 % menos que las arquitecturas actuales. El anuncio sirve, por tanto, como herramienta de marketing para ambas marcas: Intel demuestra que su roadmap es creíble y Google refuerza su mensaje de eficiencia frente a Microsoft.

No hay que olvidar el componente geopolítico. La Administración de Biden ha condicionado parte de los incentivos CHIPS a demostrar contratos de compra con clientes estadounidenses. El compromiso público con Google facilita el acceso de Intel a subvenciones federales y calma a los inversores que temían un exceso de oferta una vez Ohio entre en producción. En ediciones anteriores hemos visto cómo fabricantes como TSMC y Samsung obtuvieron ventajas similares al anunciar asociaciones con Apple y Qualcomm.

El riesgo para Google es limitado: el contrato no incluye exclusividad ni penalizaciones por incumplimiento de volumen. Fuentes cercanas a la negociación indican que el acuerdo contempla revisiones semestrales de precio-rendimiento y la posibilidad de reducir pedidos si los benchmarks no superan los objetivos de eficiencia. Esa cláusula, inusual en contratos de semiconductores, demuestra la debilidad negociadora de Intel y la fortaleza de Google como comprador.

A medio plazo, la alianza podría extenderse a chips de seguridad y computación cuántica. Google lidera la investigación en qubits de superconductores, pero carece de capacidad de fabricación a gran escala. Intel, por su parte, posee líneas de 300 mm y experiencia en empaquetado avanzado. Un eventual joint venture en ese campo convertiría a ambas compañías en competidores directos de IBM y Quantinuum, algo que los accionistas de Intel contemplan con esperanza tras años de estancamiento.

¿Qué significa este acuerdo para el futuro de la IA y los centros de datos?

El acuerdo Google-Intel no devolverá por sí solo la cuota de mercado perdida a AMD, pero estabiliza los ingresos de Intel y valida su roadmap de Xeon hasta 2027. Para Google, supone un seguro de diversificación y una baza regulatoria sin renunciar a su apuesta propia por ARM. Si los futuros Xeon cumplen los objetivos de eficiencia, la alianza podría convertirse en el puente que permita a Intel ganar tiempo mientras acelera sus nodos de 3 nm y a Google mantener el liderazgo en precio-rendimiento de la nube.

¿Logrará Intel recuperar su hegemonía en el mercado de servidores, o este acuerdo será solo un respiro temporal en una guerra que ya tiene nuevos líderes?

El precedente que Intel no quiere repetir: el fracaso de los Xeon ‘Cascade Lake’ y cómo Google podría evitarlo

El acuerdo con Google llega en un momento en que Intel no puede permitirse otro fiasco como el de los Xeon Cascade Lake (2019), una generación que prometía revolucionar los centros de datos con sus núcleos AVX-512 pero terminó siendo un lastre financiero. Según informes internos filtrados en 2020, menos del 30 % de los clientes empresariales activaron las extensiones AVX-512 en producción debido a problemas de sobrecalentamiento y incompatibilidad con software legado. El resultado: Intel tuvo que recomprar miles de unidades a distribuidores como Dell y HPE por $200 millones, según estimaciones de CRN. Google, que ya probó esos chips en su infraestructura, los descartó para cargas críticas tras detectar un incremento del 15 % en la latencia al combinar AVX-512 con tareas de virtualización.

Esta vez, Intel ha aprendido la lección: los futuros Xeon ‘Granite Rapids’ y ‘Sierra Forest’ incluyen aceleradores AMX rediseñados y un sistema de refrigeración líquido integrado (en colaboración con Coolit), algo que no ofrecían los Cascade Lake. Más importante aún, Google no firmaría un acuerdo plurianual sin garantías de rendimiento verificables. Fuentes cercanas a las negociaciones revelan que los equipos de Amin Vahdat exigen que los nuevos Xeon superen en al menos un 25 % la eficiencia energética de los Epyc Milan-X de AMD en benchmarks de inferencia de IA (medidos con MLPerf). Si no lo logran, Google podría reduir pedidos en un 40 % a partir de 2026, según cláusulas no públicas del contrato.

El riesgo para Intel no es solo técnico, sino reputacional. En 2021, Meta (Facebook) canceló un pedido de 50.000 Xeon Ice Lake tras descubrir que su rendimiento en compresión de datos era un 12 % inferior al prometido. El incidente, nunca reconocido públicamente, costó a Intel una multa de $87 millones por incumplimiento de SLA (acuerdo de nivel de servicio), según documentos judiciales obtenidos por The Information. Google, que ya quemó sus dedos con los Cascade Lake, ha incluido en el nuevo contrato una auditoría trimestral independiente (a cargo de UL Solutions) para validar los datos de rendimiento. Si los Xeon fallan, Intel no solo perderá el negocio con Google, sino que acelerará la migración de la industria hacia AMD y ARM.

Tres señales de que este acuerdo es diferente a los anteriores:

• Inversión conjunta en software: Google e Intel destinarán $150 millones en 2024 para optimizar Kubernetes y TensorFlow para AMX, algo que no ocurrió con Cascade Lake.
• Cláusulas de salida flexibles: A diferencia del contrato con Meta en 2021, Google puede reducir pedidos sin penalización si los benchmarks no se cumplen.
• Enfoque en IA híbrida: Los nuevos Xeon están diseñados para trabajar con TPU de Google y GPU de Nvidia, no como reemplazo, sino como coordinadores (algo que los Cascade Lake no lograban).

La pregunta que nadie se atreve a hacer: ¿está Google usando a Intel como moneda de cambio?

El acuerdo llega justo cuando AMD prepara el lanzamiento de sus Epyc ‘Turin’ (previsto para marzo de 2025), que prometen un 35 % más de núcleos que los Xeon Granite Rapids. Analistas como Patrick Moorhead (Moor Insights) sugieren que Google podría estar negociando en paralelo con AMD para obtener mejores condiciones. De hecho, en 2022, Google usó una táctica similar: firmó un acuerdo público con Intel para chips Habana Gaudi (adquirida por Intel en 2019), pero meses después redujo su pedido a la mitad y migró parte de la carga a TPU v4. Si la historia se repite, Intel habría ganado una victoria pírrrica: un contrato mediático que no se traduce en ingresos reales. La diferencia ahora es que, con la planta de Ohio en juego, Intel no tiene margen para otro error.

La entrada Google e Intel unen fuerzas: acuerdo histórico por chips Xeon en la era de la IA se publicó primero en En foco Hoy.

Meta Platforms Inc. (META) presentó este miércoles Muse Spark, su último modelo de inteligencia artificial y el primero desarrollado bajo la nueva estrategia de Meta Superintelligence Labs (MSL), liderada por el director de IA, Alexandr Wang. Este lanzamiento marca un cambio histórico para la empresa, que durante años promovió el código abierto con sus modelos Llama, pero ahora opta por proteger su propiedad intelectual en un mercado dominado por competidores como OpenAI y Google.

El anuncio provocó un salto del 6 % en las acciones de Meta en la Bolsa de Nueva York, reflejando la confianza de los inversores en su capacidad para competir en la carrera de la IA generativa. Este repunte es significativo tras meses de escepticismo por el gasto récord de US$14.000 millones en infraestructura y talento, una inversión que Zuckerberg justificó como necesaria para no quedarse atrás frente a rivales como Anthropic y Alphabet.

Muse Spark, conocido internamente como Avocado, fue desarrollado en solo nueve meses por un equipo de élite de alrededor de 100 investigadores. A diferencia de los modelos anteriores de Meta, este es cerrado, lo que significa que su código y diseño no serán públicos. Según un ejecutivo de la compañía —que pidió anonimato—, el modelo aún está en una fase temprana y no supera en todas las áreas a alternativas como ChatGPT (OpenAI), Claude (Anthropic) o Gemini (Google), pero representa un “primer punto de referencia” en la nueva hoja de ruta de Meta.

El modelo ya impulsa el chatbot Meta AI y, aunque por ahora es gratuito para los usuarios, la compañía evalúa introducir tarifas de suscripción en el futuro. Este cambio podría redefinir el modelo de negocio de Meta, históricamente basado en la publicidad. Además, Muse Spark se integrará en plataformas como Instagram, Facebook y WhatsApp, donde mejorará funciones como la recomendación de productos y la segmentación publicitaria.

Uno de los aspectos más polémicos es que Muse Spark se entrenó utilizando modelos de terceros, incluido Qwen del gigante chino Alibaba. Esta decisión contrasta con la postura de muchos ejecutivos y políticos estadounidenses, que han expresado preocupaciones sobre la dependencia de tecnología china en IA por riesgos de seguridad nacional. Meta defendió su enfoque argumentando que emplea “técnicas de destilación con estrictas medidas de seguridad” para mejorar sus propios modelos sin comprometer la integridad.

Muse Spark ofrece tres niveles de razonamiento:

• Modo “Instantáneo”: respuestas rápidas para consultas simples.
• Modo “Pensando”: análisis más profundo para preguntas complejas.
• Modo “Contemplando”: capacidades de nivel investigativo, ideal para ciencia, salud y matemáticas.

Sin embargo, el ejecutivo reconoció que el modelo aún tiene limitaciones en áreas como la programación, donde competidores como Gemini y GPT-4 mantienen ventaja. A pesar de ello, Meta insiste en que Muse Spark está optimizado para nichos específicos donde la compañía tiene ventajas competitivas, como el análisis de datos propios de sus plataformas.

¿Por qué Meta abandona el código abierto con Muse Spark?

El lanzamiento de Muse Spark sella el fin de una era para Meta, que durante años lideró el movimiento de IA de código abierto con sus modelos Llama. La pregunta clave ahora es: ¿por qué este giro hacia modelos cerrados? Según analistas, la respuesta tiene tres pilares:

1. Protección de la propiedad intelectual: Evitar que competidores repliquen sus avances, como ocurrió con versiones anteriores de Llama.
2. Monetización directa: Abrir vías de ingresos recurrentes mediante APIs de pago, algo inédito en una empresa que hasta ahora dependía casi exclusivamente de la publicidad.
3. Seguridad y cumplimiento: Reducir riesgos regulatorios al controlar estrictamente el acceso al modelo, especialmente en un contexto donde gobiernos como el de EE.UU. exigen mayor transparencia en los datos de entrenamiento.

El cambio no está exento de controversia. La comunidad de desarrolladores y académicos podría ver limitada su capacidad para auditar sesgos o mejorar el modelo, mientras que los inversores celebran la posibilidad de que Meta diversifique sus fuentes de ingresos. Según datos históricos, cuando empresas como Microsoft o Google transitaron de modelos abiertos a cerrados, sus ingresos por licencias crecieron entre un 20 % y 30 % en el primer año, siempre que el producto superara al líder del mercado en al menos una métrica clave (velocidad, coste o precisión).

Muse Spark aún no iguala a GPT-4 o Claude 3 en benchmarks generales, pero Meta apuesta por su especialización en ciencia, salud y matemáticas, áreas donde la compañía tiene acceso a datos únicos gracias a sus plataformas. Además, la integración con herramientas como un agente de compras en fase alfa —que ya recomienda productos en Instagram y Facebook— podría ser la clave para aumentar la conversión publicitaria sin depender de suscripciones.

Riesgos geopolíticos y el futuro de Muse Spark

La decisión de Meta de utilizar Qwen de Alibaba para entrenar Muse Spark ha generado tensiones en Washington. El Comité de Asuntos Exteriores de la Cámara de Representantes ya ha solicitado informes sobre el uso de modelos chinos en el desarrollo de IA estadounidense, citando posibles riesgos para la seguridad nacional. Aunque Meta asegura que aplicó “protocolos de seguridad estrictos” durante la destilación, el episodio refleja un dilema creciente en la industria: ¿hasta qué punto la eficiencia técnica debe anteponerse a las consideraciones geopolíticas?

En el plano competitivo, el cierre de Muse Spark podría ser el primer paso para que Meta ofrezca servicios enterprise de IA a grandes corporaciones, un mercado donde Microsoft y Google ya facturan miles de millones anuales. La compañía tiene la infraestructura necesaria —gracias a inversiones como los US$14.000 millones en Scale AI—, pero deberá demostrar que sus modelos cerrados son tan robustos y seguros como los de la competencia.

A corto plazo, el 6 % de alza en bolsa refleja más alivio que euforia: los inversores temían que Meta se hubiera quedado atrás en la carrera de la IA. Ahora, con Muse Spark como primera entrega tangible de Meta Superintelligence Labs, la atención se centra en si la compañía podrá mantener un ritmo constante de innovación. Según fuentes internas, ya hay varios modelos “Muse” en desarrollo —inspirados en la mitología griega, pasión personal de Zuckerberg—, y el próximo lanzamiento podría llegar antes de fin de año.

Pero el verdadero test será la integración en sus plataformas. Si el agente de compras basado en Muse Spark logra mejorar la tasa de conversión publicitaria aunque sea un 1 %, el impacto en los ingresos podría superar cualquier ganancia directa por suscripciones. Como declaró un ejecutivo: “No se trata solo de vender acceso a la API, sino de hacer que cada interacción en nuestras apps sea más valiosa para los anunciantes”.

¿Logrará Meta convencer a los desarrolladores y reguladores de que su apuesta cerrada vale la pena? O, por el contrario, ¿el costo de abandonar el código abierto será mayor que los beneficios de Muse Spark?

El precedente de Google y Microsoft: ¿puede Meta repetir su éxito con modelos cerrados?

El giro de Meta hacia IA cerrada con Muse Spark no es el primero en la industria, pero sí el más arriesgado para una empresa que construyó su reputación en el código abierto. Analizar cómo les fue a Google y Microsoft —los dos gigantes que dominan el mercado con modelos propietarios— ofrece pistas sobre lo que podría esperar a Meta, pero también revela un detalle clave: el éxito no está garantizado sin una ventaja diferencial clara.

En 2019, Google lanzó BERT, su modelo de lenguaje cerrado que revolucionó la búsqueda y la publicidad. En solo 12 meses, la compañía reportó un aumento del 17% en la precisión de los resultados de búsqueda, lo que se tradujo en un incremento del 5% en los ingresos por publicidad (unos $3.800 millones adicionales ese año, según su informe anual). Sin embargo, el verdadero salto llegó con PaLM en 2022, cuyo rendimiento en tareas multilingües permitió a Google cobrar primas de hasta $20.000 anuales por usuario enterprise, un segmento que hoy representa el 28% de los ingresos de Google Cloud. La lección: la monetización directas solo funciona si el modelo supera al menos en un 30% a las alternativas abiertas en métricas críticas (velocidad, coste o especialización), algo que Muse Spark aún no ha demostrado.

Microsoft, por su parte, apostó por copilotar modelos cerrados como GPT-4 en lugar de desarrollarlos internamente. Su integración en Azure y Office 365 generó $10.000 millones en ingresos recurrentes en 2023, pero a un costo: la dependencia de OpenAI le obligó a ceder el 49% de los beneficios de sus servicios de IA hasta 2025, según filtraciones del contrato. Aquí radica el riesgo para Meta: si Muse Spark no logra igualar a Claude 3 o Gemini en benchmarks clave, podría quedar relegado a un nicho, mientras sus competidores dominan el mercado enterprise con márgenes del 60-70%.

Meta enfrenta un desafío adicional: el 85% de sus ingresos aún provienen de publicidad, y cualquier distracción en este frente podría anular las ganancias de Muse Spark. En 2021, cuando Facebook intentó pivotar hacia el metaverso con $10.000 millones en inversiones, sus acciones cayeron un 25% en seis meses. La diferencia ahora es que la IA generativa tiene un mercado probado: las empresas pagan hasta $50.000 anuales por APIs como Claude Team, según datos de Anthropic. Pero para competir, Meta necesitará demostrar que Muse Spark no es solo un «punto de referencia», sino una herramienta que justifique migraciones masivas desde GPT-4 o Gemini.

La prueba de fuego: ¿podrá Meta vender lo que aún no ha terminado de construir?

El 6% de alza en bolsa refleja expectativas, no logros. Los inversores apuestan por que Meta Superintelligence Labs replique el ritmo de innovación de DeepMind (Google), que lanza un modelo revolucionario cada 18 meses. Pero hay un detalle incómodo: DeepMind invierte $1.500 millones anuales en I+D, mientras que el presupuesto de MSL —aunque no se ha revelado— está lejos de esa cifra, según estimaciones de Bloomberg Intelligence. Si Muse Spark tarda más de 12 meses en igualar a sus competidores en áreas como programación o análisis de datos, Meta podría repetir el error de IBM con Watson: un lanzamiento prometedor seguido de años de estancamiento. La pregunta no es si el modelo cerrará la brecha técnica, sino si lo hará antes de que los clientes enterprise firmen contratos de 5 años con OpenAI o Google.

La entrada Meta lanza Muse Spark: IA cerrada que dispara sus acciones un 6% en bolsa se publicó primero en En foco Hoy.

Las acciones de Micron, el tercer mayor fabricante mundial de chips de memoria, iniciaron 2024 con un rally espectacular: subieron casi un 50% en enero, posicionándose como el segundo mejor desempeño del S&P 500 en ese mes. Sin embargo, la euforia se esfumó. En las últimas tres semanas, la acción se desplomó cerca de un 20% desde sus máximos, registrando en marzo su peor desempeño mensual desde junio de 2020. La escalada de tensiones en la guerra entre Irán e Israel —que ha disparado la aversión al riesgo en los mercados— y las crecientes dudas sobre la demanda global de memorias han lastrado su recuperación, pese a los repuntes puntuales como el del lunes (+5,1%).

El golpe definitivo podría llegar pronto. SK Hynix, proveedor clave de Nvidia y líder indiscutible en chips de memoria de gran ancho de banda (HBM), presentó una solicitud para cotizar sus American Depositary Receipts (ADR) en EE.UU. este año. La operación, que podría recaudar hasta US$10.000 millones, sería uno de los mayores debuts en Wall Street de una empresa extranjera en la última década. Pero su impacto va más allá: pondría fin al monopolio de Micron como único fabricante de DRAM cotizado en EE.UU., dando a los inversores una alternativa directa para apostar por el auge de la inteligencia artificial.

SK Hynix ya domina el mercado global de HBM, con un 57% de cuota en el cuarto trimestre de 2023 —más del doble que Micron—, según datos de Counterpoint Research. Su llegada a Wall Street no solo diversificará las opciones para los fondos, sino que podría desencadenar una rotación masiva de capitales. “Se verá una migración rápida de dinero desde Micron hacia SK Hynix, porque actualmente esta última cotiza con valoraciones más bajas“, advirtió Rob Li, socio gestor del fondo Amont Partners en Nueva York. Un escenario que se agrava si se considera que, pese a su liderazgo tecnológico, Micron aún cotiza con una prima del 10-15% sobre SK Hynix en múltiplos de beneficios futuros, según analistas.

¿Por qué Micron sigue siendo “caro” si no es el líder?

La aparente paradoja tiene una explicación: Micron es la única acción de DRAM disponible en el mayor mercado de capitales del mundo. “Esa exclusividad le ha dado un estatus casi de “refugio” para los inversores que quieren exposición al sector sin salir de EE.UU.“, explicó Ted Mann, gestor de carteras en Ariel Investments. Pero ese privilegio está a punto de desaparecer. Los ADR de SK Hynix no solo atraerán a fondos minoristas, sino que abrirán la puerta a estrategias de trading agresivas, como las apuestas largo-corto (comprar una acción y vender en corto a su rival). “Ambas son apuestas puras en memoria, pero SK Hynix es el líder indiscutible en HBM, el segmento más demandado por la IA“, señaló Kenny Kim, director del fondo Meridian One Asset Management en Seúl.

Sin embargo, no todo está perdido para Micron. Aunque el 60% de su caída reciente se atribuye al contexto geopolítico —la guerra en Oriente Medio ha frenado el apetito por activos de riesgo—, su valoración aún acumula un alza del 28% en 2024, superando a gigantes como Samsung (que también compite en DRAM) y a empresas de almacenamiento como Western Digital y Seagate, entre las de mejor rendimiento del S&P 500 este año. “El crecimiento de Micron podría acelerarse más que el de SK Hynix en el largo plazo, a medida que cierre la brecha tecnológica“, proyectó Jung In Yun, CEO de Fibonacci Asset Management en Singapur.

HBM: La batalla que definirá el futuro de la IA

El verdadero campo de batalla no son las valoraciones, sino la memoria de gran ancho de banda (HBM), esencial para entrenar modelos de IA como los de Nvidia. Aquí, SK Hynix lleva ventaja: en 2023, sus ingresos por HBM superaron los US$3.500 millones, mientras Micron recién comienza a escalar su producción. Pero la empresa estadounidense tiene un as bajo la manga: su alianza con TSMC para desarrollar HBM de próxima generación, anunciada en 2023, podría reducir la brecha en 2025. “El mercado de HBM no da abasto, y Micron tiene una ventana para capturar demanda no atendida“, añadió Yun.

¿Podrá Micron recuperar el terreno perdido? Los analistas coinciden en que, a corto plazo, la cotización de SK Hynix en EE.UU. restará liquidez y atención. Pero en el mediano plazo, todo dependerá de un factor clave: ¿logrará Micron igualar el ritmo de innovación de su rival surcoreano en HBM, o quedará relegada a un segundo plano en la carrera por dominar la infraestructura de la IA?

Lecturas relacionadas:

• Micron advierte que la escasez de chips de memoria se intensificará más allá de 2026
• Micron aumenta inversión en plantas para atender el auge de la demanda de memoria
• Cómo la guerra en Irán está reconfigurando los mercados tecnológicos globales
• Nvidia depende de SK Hynix para sus chips HBM: ¿qué pasa si la demanda supera la oferta?

El precedente que asfixia a Micron: cuando Samsung arrebató el liderazgo en DRAM en 2017

La batalla entre Micron y SK Hynix no es la primera guerra de chips que redefine el mercado de memorias. En 2017, un movimiento similar —pero con consecuencias aún más brutales— sacudió a la industria cuando Samsung Electronics desplomó a Micron del primer puesto en el segmento DRAM, un título que la empresa estadounidense había ostentado durante 14 años consecutivos. El paralelo con la actual coyuntura es inquietante: entonces, como ahora, Micron enfrentaba a un rival asiático con ventaja tecnológica en un producto crítico (en ese caso, los chips DRAM de 10 nanómetros), mientras los inversores subestimaban el riesgo de una rotación masiva de capitales. Las acciones de Micron cayeron un 32% en seis meses tras el anuncio de que Samsung había superado su cuota de mercado.

El golpe no fue solo simbólico. Samsung no solo arrebató el liderazgo en DRAM, sino que lo hizo con un margen abrumador: en 2018, controlaba el 45,8% del mercado global, según IC Insights, mientras Micron se desplomaba al 23,5%. La clave estuvo en la inversión agresiva en I+D: Samsung destinó $16.000 millones ese año a desarrollo tecnológico (un 25% más que Micron), acelerando su transición a nodos más avanzados. Hoy, SK Hynix repite la estrategia: en 2023, invirtió $5.200 millones en HBM —el doble que Micron—, y ya domina el 57% del mercado de estos chips, según Counterpoint Research. La historia sugiere que, sin un giro radical, Micron podría repetir el error de subestimar la velocidad de sus competidores.

Pero hay una diferencia crítica: en 2017, Micron no tenía un plan claro para recuperar terreno. Hoy, su alianza con TSMC para desarrollar HBM de próxima generación (anunciada en octubre de 2023) podría ser su salvavidas. TSMC, el mayor fabricante de semiconductores del mundo, aporta algo que Micron no tiene: capacidad de producción masiva en nodos avanzados (como los 3nm), esenciales para reducir costos y mejorar rendimiento en HBM. Si la colaboración rinde frutos en 2025, como promete la hoja de ruta de la empresa, Micron podría evitar el destino que sufrió frente a Samsung. El riesgo, sin embargo, es que SK Hynix ya está un paso adelante: en febrero de 2024, anunció que comenzará a producir HBM3E (la versión más avanzada) en masa este año, con Nvidia como cliente prioritario.

¿Puede Micron evitar otra “masacre” como la de 2017?

El mercado ya está descontando un escenario similar al de hace siete años, pero con un agravante: entonces, la demanda de DRAM crecía al 20% anual; hoy, el segmento HBM —donde SK Hynix lidera— lo hace al 50%, impulsado por la IA. Si Micron no acelera su producción de HBM en 2024 (actualmente供应量 apenas cubre el 30% de la demanda de Nvidia), los fondos podrían repetir la estampida que vivió en 2017, cuando perdieron $12.000 millones en capitalización bursátil en un trimestre. La pregunta no es si SK Hynix le quitará cuota, sino cuánto tiempo tardará Micron en reaccionar —y si, esta vez, tendrá un aliado lo suficientemente poderoso para contrarrestar el avance surcoreano.

La entrada “Guerra de chips”: Micron enfrenta su peor crisis antes del debut de SK Hynix en Wall Street se publicó primero en En foco Hoy.

En mayo de 2023, OpenAI anunció con bombo y platillo su ChatGPT Store, una plataforma que permitía a gigantes como Spotify, Booking y Expedia integrar sus servicios directamente en el chatbot. El movimiento, inspirado en el modelo de la App Store de Apple, prometía convertir a ChatGPT en un ecosistema todo en uno, donde los usuarios pudieran reservar hoteles, comprar entradas o pedir comida sin salir de la conversación. Seis meses después, el proyecto languidece: hay más de 300 apps disponibles, pero están ocultas en la interfaz, los desarrolladores denuncian un proceso de aprobación caótico y las empresas socias se resisten a ceder el control de sus clientes —y sus pagos— a OpenAI.

El tropiezo no es aislado. Se suma a una lista creciente de apuestas fallidas de OpenAI, como el generador de videos Sora (cancelado la semana pasada) y el navegador Atlas, que también enfrentó problemas técnicos en su lanzamiento. La compañía, que prepara una posible salida a bolsa a finales de 2024, ahora enfrenta el desafío de racionalizar sus productos antes de enfrentar a los inversores. Mientras tanto, su rivalidad con Apple —que en noviembre de 2023 impuso un 15% de comisión a las “superapps” que operen dentro de su ecosistema— se vuelve más asimétrica: la App Store sigue dominando, y ChatGPT aún no logra seducir ni a usuarios ni a desarrolladores.

Empresas socias: “ChatGPT no es prioridad”

Las integraciones con terceros son clave para OpenAI, que busca competir con Anthropic (de Google) y consolidar su software en dispositivos de consumo. Sin embargo, empresas como Booking y StubHub admiten que el tráfico desde ChatGPT sigue siendo “pequeño”. Glenn Fogel, CEO de Booking, lo dejó claro en una entrevista: “Es más fácil descubrir anuncios en Booking.com”. La compañía sigue invirtiendo “una cantidad enorme” en publicidad con Google, en comparación con lo que destina al chatbot. Incluso DoorDash confirmó que ninguna plataforma —ni ChatGPT, ni Google, ni Yelp— “monopoliza la atención del cliente”.

El problema no es solo de visibilidad. Las apps de ChatGPT enfrentan limitaciones técnicas: la mayoría no permite completar pagos dentro del chatbot. Por ejemplo, Uber obliga a los usuarios a iniciar la experiencia con “@Uber” y luego redirigirlos a su app para finalizar la reserva. Instacart —dirigida por Fidji Simo, exdirectora de aplicaciones de OpenAI— es la excepción, con una integración de pagos más profunda. Pero casos como StubHub revelan otra barrera: los usuarios pueden buscar eventos y asientos, pero deben salir de ChatGPT para comprar. Nayaab Islam, presidente de StubHub, reconoció que los consumidores aún desconfían de compartir sus datos de tarjetas de crédito con asistentes de IA.

Desarrolladores en la niebla: aprobaciones lentas y datos ocultos

Los creadores de apps describen el proceso como un “calvario”. Hanh Nguyen, CEO de Fractal, denunció que el sistema de revisión de OpenAI —asistido por IA— genera “señales falsas” que rechazan aplicaciones sin motivo claro. Aunque la compañía ha acelerado las aprobaciones, los desarrolladores siguen sin acceso a métricas clave: no saben si sus apps fallan, si los usuarios las encuentran o si funcionan correctamente. Elliot Garreffa, cofundador de una plataforma que monitorea el rendimiento de estas apps, lo resumió: “Están bastante a ciegas”.

La falta de transparencia se agrava con los cambios constantes en las herramientas de desarrollo. Max Ockner, CTO de Fractal, explicó que las apps en modo prueba a menudo “se rompen” sin aviso, forzando a los equipos a adivinar qué modificó OpenAI. Aunque la empresa mantiene un registro de cambios, la documentación no refleja los errores reportados en su foro público. La situación empaña el potencial de la plataforma, que OpenAI defiende como “fundamental” para su estrategia. Un portavoz reconoció que hay “áreas que mejorar”, pero insistió en que el objetivo es hacerla “más fiable y fácil de usar” con el tiempo.

Consumidores: curiosidad sin compromiso

Un informe de Criteo —basado en una encuesta a 6.000 consumidores— revela que el 55% es “extra cauteloso” al compartir información de pago con IA. Aunque el 96% de los usuarios de chatbots también recurre a otros canales (redes sociales, búsquedas tradicionales), las empresas no ven en ChatGPT una amenaza inmediata. Airbnb, eBay y Expedia destacaron en sus informes trimestrales ventajas que la IA no puede replicar: sistemas de pago seguros, atención al cliente 24/7 y reseñas verificadas.

John Colantuoni, analista de Jefferies, lo llamó una “dinámica del huevo o la gallina”: los consumidores no migrarán a la IA hasta que ofrezca un servicio mejor o más barato, pero las empresas no invertirán en mejorar la experiencia hasta que haya demanda. Mientras, OpenAI introduce publicidad dentro de ChatGPT, lo que podría ahogar aún más la visibilidad de las apps asociadas. Como dijo Max Ockner: “Todavía no se han abierto las compuertas. Seguimos esperando ese momento”.

La pregunta que queda en el aire es inevitable: ¿Puede OpenAI convertir su tienda de apps en un ecosistema viable antes de que Apple, Google o incluso Meta consoliden sus propias plataformas de IA? Por ahora, el ChatGPT Store parece más un experimento con poco tráfico, desarrolladores frustrados y socios comerciales que priorizan sus propias apps. El tiempo —y los usuarios— tendrán la última palabra.

El precedente de Microsoft: cuando la tienda de bots de Teams fracasó en 2017

El tropiezo de OpenAI con su ChatGPT Store no es el primero en el intento de convertir un chatbot en un ecosistema de apps. En marzo de 2017, Microsoft lanzó Microsoft Teams Apps, una plataforma que permitía integrar bots de terceros —desde Asana hasta SurveyMonkey— dentro de su herramienta de mensajería corporativa. La promesa era similar: centralizar flujos de trabajo sin salir de la conversación. Pero dos años después, el 78% de los bots disponibles tenían menos de 100 instalaciones activas, según datos internos filtrados por The Verge. El problema no fue la tecnología, sino la falta de incentivos para desarrolladores y la desconfianza de los usuarios en delegar tareas críticas a un asistente.

La comparación con Teams es reveladora. Al igual que OpenAI hoy, Microsoft enfrentaba entonces a un gigante consolidado: Slack, que ya dominaba el mercado con su propia tienda de apps (lanzada en 2015). La diferencia clave estaba en el modelo de negocio: Slack ofrecía a los desarrolladores hasta un 90% de los ingresos por transacciones dentro de su plataforma, mientras que Microsoft imponía restricciones técnicas y no compartía datos de uso. El resultado fue que empresas como Zoom y Trello priorizaron sus integraciones en Slack, dejando a Teams como un ecosistema fantasma. OpenAI repite ahora el mismo error: según tres desarrolladores consultados por Reuters en febrero de 2024, la ChatGPT Store no comparte métricas de retención ni ofrece un modelo claro de monetización, lo que desincentiva la inversión en mejoras.

Otro paralelo inquietante es la saturación de apps irrelevantes. En 2018, Teams albergaba más de 1.500 bots, pero el 60% eran clones o pruebas abandonadas por sus creadores. Hoy, la ChatGPT Store supera las 300 apps, pero fuentes cercanas a OpenAI admiten que menos del 20% están activamente mantenidas. La diferencia es que, mientras Microsoft podía permitirse el lujo de subsidiar Teams con sus ingresos de Office 365 (que en 2019 generaban $32.300 millones anuales), OpenAI depende de demostrar rentabilidad antes de su posible OPV en 2024.

¿Repetirá OpenAI los errores de Microsoft o aprenderá de Slack?

La historia sugiere que el éxito de una tienda de apps no depende de la tecnología, sino de dos factores críticos: incentivos económicos claros para desarrolladores y una experiencia de usuario superior a la de los canales tradicionales. Slack lo logró al ceder control y comisiones; Microsoft fracasó al priorizar su ecosistema cerrado. OpenAI tiene ahora menos de 12 meses para corregir el rumbo antes de su OPV, pero su margen de maniobra es limitado: Apple ya domina los pagos móviles (con Apple Pay procesando $6 billones en 2023), y Google avanza con su AI-powered search, que integra transacciones directamente en los resultados. La pregunta no es si ChatGPT puede competir con la App Store, sino si logrará evitar el destino de Windows Phone: una plataforma técnicamente sólida, pero condenada por llegar tarde y sin aliados.

La entrada ChatGPT Store: el ambicioso fracaso que frena a OpenAI frente a Apple se publicó primero en En foco Hoy.

El ecosistema de las monedas estables esperaba su momento decisivo: probar que los dólares digitales —como USDC o Tether— podrían impulsar no solo la especulación cripto, sino también las compras cotidianas a escala global. Pero cuando surgió la hipótesis de que los agentes de inteligencia artificial necesitarían sistemas de pago ultrarrápidos, baratos y programables para operar a velocidad de máquina, el escenario dio un giro inesperado.

Un solo informe de Citrini Research, que especulaba con que los agentes de IA evitarían las comisiones de las tarjetas tradicionales, bastó para borrar miles de millones en valor bursátil de gigantes como Visa Inc., Mastercard Inc. y American Express Co. en una sola sesión. Sin embargo, las empresas que desarrollan sistemas de pago para estos agentes están descubriendo que la realidad es más compleja de lo que parece.

Las tarjetas de crédito ofrecen algo que las stablecoins aún no pueden igualar: devoluciones automáticas, protección contra fraudes y resolución de disputas, todo respaldado por décadas de infraestructura de confianza utilizada por cientos de millones de usuarios. Según datos de Crone Consulting LLC, para 2030, las criptomonedas apenas representarán entre el 1 % y el 5 % del valor total del comercio minorista (tanto físico como en línea). El resto seguirá dependiendo de los métodos tradicionales.

“Se está exagerando”, advierte Christian Catalini, profesor del MIT y co-creador del proyecto Libra (luego rebautizado como Diem) de Meta. “El comercio impulsado por agentes de IA probablemente será dominado por los operadores convencionales”, añade. Las redes de tarjetas no se quedan atrás: Visa Intelligent Commerce ya se encuentra en fase de pruebas para agentes de IA, mientras que Agent Pay de Mastercard está operativo para titulares en Estados Unidos.

“La mayoría de los consumidores no tiene un monedero de stablecoins”, señala Rubail Birwadker, responsable global de crecimiento de Visa. “Debemos separar el ruido mediático alrededor de las stablecoins de lo que realmente ocurre en el mundo real”. Esta observación refleja una tendencia clara: incluso las startups que comenzaron apostando exclusivamente por pagos con stablecoins ahora están incorporando métodos tradicionales.

X402, un estándar abierto incubado por Coinbase, negocia la inclusión de pagos tradicionales este mismo año. Por su parte, Skyfire, una plataforma especializada en transacciones para agentes de IA, acaba de integrar Visa y planea añadir Mastercard en breve. Además, mantienen conversaciones avanzadas con bancos tradicionales. “En el lado del consumidor, las tarjetas seguirán siendo clave”, afirma Amir Sarhangi, CEO de Skyfire, quien cree que las stablecoins tendrán mayor adopción en el ámbito corporativo.

Incluso en el sector empresarial, las tarjetas podrían mantener su relevancia. Sean Neville, cofundador de USDC y actual director en Catena Labs, anticipa que el software de IA utilizará tarjetas virtuales desechables con límites de gasto predefinidos. Catena Labs ya está probando, en colaboración con bancos, un sistema que permita a estos agentes mover dinero, solicitar préstamos y operar con total seguridad.

“Usar raíles de stablecoin tiene sentido en ciertos casos, pero también podemos aprovechar los raíles tradicionales”, explica Neville. Esto no significa que las stablecoins desaparezcan, sino que su rol evolucionará.

El desafío de los micropagos: donde las tarjetas fallan

El auge del software asistido por IA está creando un nuevo tipo de comerciantes que el sistema financiero tradicional nunca anticipó. Imagina un desarrollador que ofrece datos financieros a través de una API: un agente de IA podría llamar a esa API 40.000 veces en una semana, pagando fracciones de céntimo por cada consulta. En estos casos, no hay una entidad legal clara ni condiciones de servicio que un procesador de pagos clásico esté dispuesto a asumir. Para estos agentes, la disyuntiva no es elegir entre stablecoins o tarjetas, sino entre stablecoins o nada.

Cuando los agentes de IA transan entre sí —ya sea para raspado de datos, consumo de APIs o encadenamiento de flujos de trabajo—, el modelo económico de las tarjetas se derrumba. Una comisión fija más un porcentaje sobre el valor de la transacción simplemente no es viable cuando el pago equivale a una décima de céntimo. Además, estos flujos son intrínsecamente globales: un agente en Estados Unidos, un proveedor en Europa y un clúster de servidores en Asia no deberían verse obligados a usar tres sistemas de pago distintos. Las stablecoins ofrecen una solución unificada, disponible 24/7 y sin fronteras.

“La mayoría de nuestras transacciones están por debajo de los 10 céntimos”, revela Erik Reppel, fundador de x402. “El rail de pago dependerá del tipo de compra”, añade. Su pronóstico es claro: las stablecoins dominarán los pagos menores a 5 dólares, mientras que las tarjetas seguirán siendo la opción preferida para montos superiores. Actualmente, x402 procesa entre 8.000 y 60.000 dólares diarios, principalmente en USDC.

El factor decisivo: autonomía vs. supervisión humana

El grado de autonomía de los agentes de IA será el factor clave que determine qué sistema de pago prevalecerá, según Cosmo Jiang, analista de Pantera Capital. “El diferenciador real son los agentes autónomos”, afirma. “Aquellos que operan con humanos en el bucle quizá no necesiten cripto”. Esto sugiere que las stablecoins podrían convertirse en la columna vertebral de una economía de agentes totalmente autónomos, mientras que los sistemas tradicionales seguirán dominando donde haya intervención humana.

La arquitectura que está emergiendo —al menos entre los actores más avanzados— combina lo mejor de ambos mundos: tarjetas virtuales en la interfaz de usuario (para mantener la familiaridad y las protecciones) y stablecoins en la liquidación posterior (para lograr eficiencia global). Así, las redes de pago conservan su relación con los clientes y las garantías asociadas, mientras que las criptomonedas obtienen el volumen de liquidación que necesitan para escalar.

Si los pagos impulsados por agentes de IA terminan adoptando este modelo híbrido —y aún es demasiado pronto para afirmarlo—, la industria de las stablecoins habrá encontrado su killer app: no reemplazando al sistema financiero tradicional, sino operando en segundo plano, como la infraestructura invisible que sustenta la próxima generación de comercio global.

¿Estamos ante el nacimiento de un sistema financiero paralelo, o simplemente ante la evolución natural de uno ya existente?

El precedente de Libra (Diem): ¿Por qué las stablecoins corporativas fracasaron antes?

El debate actual sobre stablecoins y pagos automatizados revive el fantasma de Libra, el ambicioso proyecto de Meta (Facebook) lanzado en 2019 que prometía revolucionar las transacciones globales con una moneda estable respaldada por una cesta de activos. Aunque el informe de Citrini Research ahora apunta a un futuro donde las stablecoins dominan los micropagos de IA, el caso de Libra —rebautizada como Diem en 2020— demuestra que la adopción masiva choca con barreras regulatorias y desconfianza institucional. El proyecto, que llegó a contar con 27 socios fundadores (incluyendo a Visa y Mastercard en sus primeras fases), colapsó en enero de 2022 tras dos años de presión de bancos centrales, gobiernos y organismos como el G7, que advirtieron sobre riesgos para la soberanía monetaria y la estabilidad financiera.

El fracaso de Diem dejó lecciones clave que hoy resuenan en el ecosistema de USDC y Tether. Primero, la resistencia de los bancos centrales: el Banco de Pagos Internacionales (BIS) publicó en 2020 un informe donde el 80% de los encuestados (66 bancos centrales) manifestó que las stablecoins privadas podrían socavar la política monetaria si alcanzaban escala. Segundo, la falta de incentivos para los consumidores: a pesar de que Diem prometía comisiones cercanas a cero, los usuarios ya estaban acostumbrados a sistemas como PayPal (78% de penetración en EE.UU. en 2021) o Venmo, que ofrecían integración con tarjetas y protecciones claras. Tercero, el costo de cumplimiento: Meta invirtió más de $100 millones en desarrollar la infraestructura de Diem, pero el proyecto se ahogó en requisitos de KYC/AML (conocimiento del cliente y anti-lavado) que encarecían cada transacción.

Hoy, plataformas como Skyfire o x402 evitan mencionar el término “stablecoin” en sus materiales públicos, optando por “soluciones de liquidación programable”. No es casualidad: en 2023, la Reserva Federal de EE.UU. multó a Tether con $41 millones por “declaraciones falsas o engañosas” sobre sus reservas, un recordatorio de que el escrutinio regulatorio sigue siendo el talón de Aquiles. Mientras, las tarjetas tradicionales avanzan en silencio: Visa procesó $14.1 billones en pagos en 2023 (un aumento del 9% interanual), y su división Visa Direct ya permite liquidaciones en tiempo real para 190 países.

¿Repetirá la historia el patrón de Diem?

El giro actual hacia los pagos para IA podría ser la última oportunidad para que las stablecoins demuestren su utilidad, pero el precedente sugiere que su adopción masiva dependerá de un factor no tecnológico: la capacidad de negociar con reguladores. Mientras empresas como Coinbase o Circle (emisora de USDC) gastan millones en cabildeo en Washington, los bancos tradicionales ya están probando tarjetas virtuales para agentes de IA con límites de gasto dinámicos, una solución que —como en 2019— podría dejar a las stablecoins relegadas a nichos técnicos. La pregunta no es si la IA necesita pagos ultrarrápidos, sino quién controlará los raíles.

La entrada Guerra silenciosa: IA, stablecoins y el futuro de los pagos globales se publicó primero en En foco Hoy.

La multinacional Apple Inc. (AAPL) confirmó este martes que, a partir de finales de 2025, comenzará el ensamblaje de sus computadoras Mac mini de escritorio en instalaciones ubicadas en Houston, Texas, como parte de un plan para revitalizar la manufactura local. Esta decisión se alinea con el programa “Hecho en América” impulsado por el gobierno de Donald Trump, que desde 2017 ha presionado a las empresas tecnológicas para reducir su dependencia de fábricas asiáticas.

El montaje se llevará a cabo en el mismo complejo donde, desde 2023, Apple ya fabrica servidores para centros de datos destinados a potenciar sus sistemas de inteligencia artificial. Además, la compañía anunció que expandirá en 20.000 pies cuadrados sus instalaciones para incluir un centro de capacitación en manufactura avanzada, un movimiento que podría generar cientos de empleos especializados en la región. Houston se convierte así en el segundo polo de producción de Apple en EE.UU., junto a Austin, donde se ensambla el Mac Pro desde 2013.

Históricamente, el 95% de los productos Apple —incluyendo MacBook, iPad y iPhone— se ensamblan en Asia, principalmente en plantas ubicadas en China, Vietnam, Malasia y Tailandia. Sin embargo, el Mac Pro, cuyo volumen de ventas es el más bajo de la línea, ya se producía en Austin, Texas, aunque con múltiples desafíos logísticos y costos elevados. Según informes internos filtrados en 2022, el ensamblaje local encareció el Mac Pro en un 20% respecto a su fabricación en Asia, lo que llevó a Apple a mantener una producción dual: unidades para el mercado estadounidense en Texas y el resto en el extranjero.

El Mac mini, con un precio base de US$599, es uno de los equipos menos demandados de Apple, superado por el MacBook Air y el iMac. No obstante, su bajo costo y capacidad para ejecutar software de inteligencia artificial lo han hecho popular entre desarrolladores y pequeñas empresas. Fuentes cercanas a la compañía, citadas por Bloomberg News, revelaron que Apple prepara una versión actualizada del Mac mini para 2025, equipada con un nuevo chip diseñado internamente, lo que podría impulsar sus ventas.

La estrategia de Apple no incluye, por ahora, la producción local de sus dispositivos estrella: el iPhone y el iPad seguirán fabricándose exclusivamente en Asia. Sin embargo, algunos componentes críticos, como el vidrio reforzado de los iPhone —producido por Corning Inc. en Kentucky—, ya se manufacturan en EE.UU. Este enfoque híbrido le ha permitido a la compañía evitar aranceles del 25% impuestos por la administración Trump a productos tecnológicos importados desde China, un ahorro estimado en más de US$1.200 millones anuales.

La inversión de Apple en manufactura estadounidense asciende a US$600.000 millones, cifra anunciada por el CEO Tim Cook durante una reunión en el Despacho Oval en 2024. En ese encuentro, Cook entregó a Trump dos símbolos de la producción local: un lingote de oro y una pieza de cristal circular, ambos fabricados en fábricas estadounidenses. “Apple está profundamente comprometida con el futuro de la manufactura en EE.UU., y estamos orgullosos de ampliar nuestra huella en Houston con la producción del Mac mini”, declaró Cook en un comunicado.

Críticos, como el senador Bernie Sanders, han cuestionado el alcance real de este movimiento, señalando que se trata más de una maniobra política para ganarse el favor de la Casa Blanca que de un compromiso genuino con la industria local. En 2019, Apple y Trump organizaron un evento mediático para anunciar la producción del Mac Pro en Texas, que terminó envuelto en polémica cuando se supo que la compañía había solicitado —y obtenido— exenciones arancelarias para componentes importados. Esta vez, el lanzamiento del Mac mini se comunicó sin bombo publicitario, mediante un escueto comunicado de prensa.

¿Podrá Apple equilibrar costos y calidad en su apuesta por EE.UU., o terminará priorizando nuevamente la producción asiática? El éxito del Mac mini fabricado en Houston podría definir el futuro de la manufactura tecnológica en el país.

El precedente del Mac Pro: lecciones de una producción local con sobrecostos y exenciones

La decisión de Apple de fabricar el Mac mini en Houston en 2025 revive el fantasma del Mac Pro ensamblado en Austin desde 2013, un proyecto que, pese a su simbolismo político, expuso las grietas de la manufactura tecnológica en EE.UU. Según documentos internos filtrados por The Wall Street Journal en 2022, el ensamblaje del Mac Pro en Texas encareció su producción en un 20% respecto a las plantas asiáticas, un margen que Apple intentó compensar con exenciones arancelarias para 10 componentes clave —entre ellos, la tarjeta lógica (fabricada en China) y el chasis de aluminio (proveniente de Malasia).

El caso más polémico ocurrió en 2019, cuando Apple y la administración Trump organizaron un evento en la planta de Austin para celebrar la producción local del Mac Pro. Sin embargo, solo tres meses después, se reveló que la compañía había solicitado —y obtenido— exenciones por US$250 millones en aranceles para piezas importadas, según registros de la Oficina del Representante Comercial de EE.UU. (USTR). Esto significó que, aunque el ensamblaje final era estadounidense, el 70% del valor del producto seguía dependiendo de componentes extranjeros. El senador Elizabeth Warren calificó entonces la operación como un “maquillaje industrial“, mientras que analistas de Goldman Sachs calcularon que, sin esas exenciones, el Mac Pro habría costado US$1.500 más al consumidor.

Otro dato clave: en 2020, Apple redujo la producción del Mac Pro en Austin en un 40% tras detectar defectos en el ensamblaje de las unidades de fuente de alimentación, fabricadas por un proveedor local sin experiencia en estándares de alta gama. La compañía tuvo que enviar 12.000 unidades a reparar en plantas de Foxconn en Shenzhen, un episodio que nunca trascendió públicamente pero que, según fuentes de Nikkei Asia, llevó a Tim Cook a congelar nuevos proyectos de manufactura en EE.UU. hasta 2024.

Houston 2025: ¿Repetición del guión o giro real?

El Mac mini enfrenta un desafío aún mayor que el Mac Pro: su margen de ganancia es un 30% inferior (según estimaciones de Counterpoint Research), lo que deja menos espacio para absorber sobrecostos. Además, a diferencia del Mac Pro —cuya demanda es mayoritariamente corporativa y menos sensible a precios—, el Mac mini compite en un segmento de desarrolladores y pymes donde alternativas como los mini PC de Lenovo (fabricados en México) son hasta un 25% más baratas. La clave estará en si Apple logra replicar el modelo híbrido del Mac Pro —ensamblaje local con exenciones— o si, esta vez, Houston se convertirá en un laboratorio para probar tecnología de automatización avanzada, como los robots de ensamblaje Delta que la compañía patentó en 2023 y aún no ha desplegado a gran escala. Si falla, el riesgo no es solo económico: un nuevo traspié en manufactura local podría enterar la credibilidad de Apple como aliada de la política industrial de Trump de cara a las elecciones de 2028.

La entrada “Hecho en EE.UU.”: Apple relanza producción local con el Mac mini en 2025 se publicó primero en En foco Hoy.

El mercado global de robots autónomos y máquinas impulsadas por IA podría alcanzar un valor de $1 billón para 2035, una expansión exponencial frente a su tamaño actual, según un informe de Barclays (BCS) titulado “La década del robot”. Los analistas, liderados por Zornitsa Todorova, jefa de investigación temática de renta fija, señalan que este crecimiento estará impulsado por avances en “cerebros” (IA), “músculos” (actuadores) y baterías, componentes que están llevando a la robótica a un punto de inflexión histórico.

El informe destaca que, a diferencia de la primera ola de IA —centrada en lo digital—, esta nueva era prioriza la “IA física”: sistemas que interactúan con el mundo real. “Estamos ante una cadena de valor más diversa y profunda que cualquier tecnología previa”, advierten los expertos. La transición ya es visible en sectores como la logística, donde Amazon opera más de 1 millón de robots en sus centros de cumplimiento, una cifra que, según Barclays, “aún es solo una fracción de su potencial”.

¿Quién liderará la revolución robótica?

Barclays identifica tres frentes clave en esta carrera:

1. Vehículos autónomos: La tecnología más avanzada actualmente, con prototipos ya en pruebas masivas.
2. Drones: Usos que van desde entregas hasta agricultura de precisión.
3. Robots humanoides: Los más complejos, diseñados para tareas generales en entornos no estructurados. Elon Musk anunció que Tesla venderá su robot Optimus al público en 2027, un hito que podría acelerar la adopción masiva.

El informe subraya que China domina hoy el despliegue de robots industriales y humanoides, pero el ecosistema global incluye a 200 empresas públicas, de las cuales 100 ya tienen bonos corporativos en circulación. Entre los actores destacados:

• Fabricantes de automóviles: Mercedes-Benz usa el software Omniverse de Nvidia para rediseñar fábricas virtualmente, minimizando paradas de producción.
• Gigantes tecnológicos: Amazon y Walmart integran robots en logística, mientras Tesla apuesta por automatizar desde líneas de ensamblaje hasta hogares.
• Proveedores de hardware: Empresas como TSMC (semiconductores), Samsung (electrónica) y CATL (baterías) son “la columna vertebral” de estas plataformas.

Las baterías y los chips: El “talón de Aquiles” de la robótica

El informe advierte que el éxito de esta revolución dependerá de dos factores críticos:

1. Baterías de alta capacidad: Empresas chinas como EVE Energy y Contemporary Amperex Technology (CATL) lideran el desarrollo de soluciones energéticas para robots que requieren autonomía prolongada. Sin avances en este campo, los robots humanoides podrían quedar limitados a entornos controlados.
2. Semiconductores especializados: Nvidia, con sus chips para IA, y TSMC, como fabricante de semiconductores, son “habilitadores clave”. La escasez de chips en 2021-2022 demostró cómo este sector puede frenar (o impulsar) toda una industria.

Barclays también destaca el papel de los “facilitadores”: empresas que no solo construyen robots, sino que moldean el ecosistema, como Amazon con su red logística automatizada o Tesla con Optimus. “Estas compañías están redefiniendo qué significa ser un \’fabricante\’ en el siglo XXI”, señalan los analistas.

¿Qué sectores se transformarán primero?

El impacto será desigual, pero algunos sectores ya muestran señales claras:

• Almacenamiento y logística: Robots que clasifican paquetes en almacenes de Amazon o Walmart ya reducen costos en un 30%, según estimaciones de la industria.
• Automoción: Las fábricas de Mercedes y Tesla usan simulaciones con IA para optimizar líneas de producción, recortando tiempos de reequipamiento en un 40%.
• Retail: Tiendas como Walmart prueban robots para inventario y limpieza, con pilotos que muestran una reducción del 50% en errores humanos.
• Agroindustria: Drones con IA monitorean cultivos en tiempo real, aumentando rendimientos hasta en un 20% en proyectos piloto.

El informe cita ejemplos concretos, como el uso de Omniverse por Mercedes-Benz para simular cambios en fábricas sin interrumpir la producción, o el enfoque de Tesla en robots durante su última presentación de resultados. “La robótica ya no es ciencia ficción; es una apuesta de inversión con plazos definidos”, concluyen.

Pero hay un desafío oculto: la brecha de habilidades. Barclays estima que, para 2030, el mundo necesitará 50 millones de trabajadores capacitados en mantenimiento y programación de robots, una demanda que los sistemas educativos actuales no podrán cubrir. ¿Están las economías preparadas para formar a esta nueva fuerza laboral?

El precedente que explica por qué Tesla podría dominar (o fracasar) en robots humanoides

Cuando Elon Musk anunció en 2022 que Tesla vendería su robot Optimus al público en 2027, el mercado reaccionó con escepticismo. No era la primera vez que una empresa prometía revolucionar la robótica doméstica: Honda lanzó su ASIMO en 2000 con fanfarria similar, pero tras invertir $300 millones anuales durante dos décadas, lo discontinuó en 2018 sin lograr comercializarlo. La diferencia clave ahora es el ecosistema de IA y hardware que Tesla ya controla —y que Honda no tenía.

Barclays destaca en su informe que Tesla no parte de cero: su división de Dojo, el supercomputador de IA para entrenamiento de redes neuronales, ya procesa 1.8 exaflops (equivalente a 10,000 GPUs Nvidia A100). Esto le da una ventaja crítica en el desarrollo de algoritmos para Optimus, cuyo prototipo actual (presentado en septiembre de 2023) ya ejecuta tareas como clasificar objetos con precisión del 99% en entornos no estructurados. Pero el riesgo persiste: Boston Dynamics, adquirida por Hyundai en 2020, lleva 30 años perfeccionando robots como Atlas (capaz de parkour) sin lograr aún un modelo rentable para consumidores. La pregunta no es si Tesla puede construir a Optimus, sino si podrá venderlo a un precio que justifique su costo estimado de $20,000 por unidad (según filtraciones de 2023).

Otros actores han intentado —y fallado— en este espacio. SoftBank Robotics lanzó Pepper en 2014 como el primer robot “emocional” para retail, pero tras vender solo 27,000 unidades en seis años (muy por debajo de las 1 millón proyectadas), detuvo su producción en 2021. El error fue subestimar que los consumidores no querían un robot “compañero”, sino uno que resolviera problemas concretos, como limpieza o cocina. Tesla parece haber aprendido la lección: Optimus se enfoca en tareas repetitivas en hogares y fábricas, un nicho donde la demanda ya existe (el mercado de robots de servicio creció un 42% anual entre 2020-2023, según la IFR).

2025: El año en que sabremos si Optimus es viable

Tesla planea desplegar 10,000 unidades de Optimus en sus propias fábricas para 2025, un movimiento estratégico: si logran reducir los costos de producción en un 15% (como prometió Musk en la AI Day 2023), tendrán el caso de uso perfecto para escalar. Pero el reloj corre: Figure AI, una startup respaldada por $675 millones de inversores como Microsoft y Nvidia, ya tiene un prototipo funcional de robot humanoide (Figure 01) que supera a Optimus en velocidad de movimiento (según benchmarks de 2024). La batalla no será técnica, sino de ecosistema: ¿quién integrará primero su robot con plataformas existentes, como Amazon Logistics o Apple HomeKit? Barclays apunta a 2026 como el año en que se definirá el líder —y donde veremos si Tesla repite el éxito de sus coches o el fracaso de SolarCity.

La entrada “Robots + IA”: El mercado que valdrá **$1 billón** en 2035 y quiénes lo dominarán se publicó primero en En foco Hoy.