Economistas firman un manifiesto para actuar ante el impacto de la IA
Cerca de 200 expertos, entre ellos 16 premios Nobel, piden a los políticos no llegar tarde a la rápida transformación laboral
¿Qué pasó ayer? En un minuto:
Casi 200 economistas e investigadores, entre ellos 16 premios Nobel, firman un manifiesto pidiendo a los políticos medir y comprender el impacto laboral de la IA, preocupados por la rapidez de los cambios.
Un estudio de Pangram sitúa a LinkedIn como la plataforma con más texto generado por IA, una saturación de slop que erosiona su credibilidad y revaloriza la autenticidad.
El IDE clásico evoluciona hacia el Agentic Coding Environment (ACE): Google, Anthropic y OpenAI compiten con agentes autónomos que planifican, escriben y verifican tareas cada vez con menos supervisión humana.
El debate sobre la productividad del ‘10x’ prosigue: las mejoras reales son acotadas, el cuello de botella es la destreza humana y las ganancias se concentran en países ricos.
Anthropic demuestra que los valores de Claude varían según el idioma y el modelo: más calidez en hindi y árabe, más rigor en ruso, sin que se conozcan aún las causas.
Richard Sutton deja Keen Technologies y funda Oak Lab con Khurram Javed por un desacuerdo de método: considera el deep learning actual débil e ineficiente frente a su apuesta por el aprendizaje por refuerzo.
La discusión sobre la burbuja de IA se polariza: los pesimistas proyectan 900.000 millones en pérdidas sobre la inversión en GPUs, mientras los optimistas ven en el gasto empresarial récord una prueba de encaje producto-mercado.
Skyfall AI presenta Morpheus, un benchmark de aprendizaje continuo que revela que los modelos frontera no aprenden de la interacción: ante cambios de entorno responden con los patrones del preentrenamiento.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. Economistas e investigadores piden actuar sobre IA
Cerca de 200 economistas e investigadores, entre ellos 16 premios Nobel, han firmado un manifiesto que pide a los responsables políticos actuar sobre las consecuencias laborales y económicas de la IA. El argumento de fondo lo formula Stanford Digital Economy Lab: tecnologías anteriores, como la máquina de vapor o el ordenador personal, eliminaron puestos pero acabaron generando más empleo del que destruyeron. La inquietud ahora es que la IA repita ese ciclo en un plazo mucho más corto, para el que ni las redes de protección social ni los mercados laborales están preparados.
El mensaje no es que el impacto vaya a ser necesariamente negativo. Al contrario: los firmantes creen que la IA puede impulsar la productividad, el crecimiento y el nivel de vida. Pero advierten de que la velocidad del cambio puede superar la capacidad de adaptación de empresas, trabajadores e instituciones si no se empieza a actuar desde ahora. El manifiesto evita proponer medidas concretas. En su lugar, reclama una prioridad más básica: comprender mejor qué está ocurriendo. Los autores sostienen que los indicadores económicos actuales fueron diseñados para otra era y no permiten medir con precisión cómo la IA está afectando al empleo, los salarios, la productividad o la creación de valor.
Por otro lado, la semana pasada conocimos una carta abierta a la Comisión Europea con un mensaje más negativo y contundente: la regulación de modelos frontera solo será creíble si se hace cumplir. Los firmantes sostienen que el contexto ha cambiado radicalmente desde que se aprobó el Código de Buenas Prácticas para los modelos de IA de propósito general. Argumentan que los avances recientes en capacidades de ciberataque, riesgos biológicos y pérdida de control de los modelos hacen necesario utilizar desde el primer día las herramientas que otorga la AI Act, como exigir información técnica, ordenar evaluaciones independientes, imponer medidas correctivas y, si es necesario, aplicar multas. Entre los firmantes hay eurodiputados e investigadores de IA de gran renombre, como Yoshua Bengio o Stuart Russell.
El investigador senior 𝕏 @erikbryn justifica su implicación con una inquietud concreta: no estar listos para lo que llega y que la velocidad del cambio deje sin margen a las redes de protección social.
𝕏 @emollick (Ethan Mollick) rechaza que firmar equivalga a mera concienciación: se puede optar por regular o no, pero sin recoger información antes es imposible acertar, igual que pasó con los datos sobre el clima. Aun así, admite que él no suele firmar declaraciones abiertas porque cada cual las interpreta a su manera.
En el extremo escéptico, 𝕏 @tunguz (Bojan Tunguz) considera que ‘concienciar’ ya no basta, un reproche directo al valor práctico de este tipo de cartas.
𝕏 @antonello (Antonio Ortiz) lee la lista de firmantes de la carta como una clave para entender a la Unión Europea: eurodiputados, investigadores y organizaciones que se presentan como las verdaderas garantes de la seguridad tecnológica.
Más información:
📎 We Must Act Now
📎 EU enforcement powers to ensure frontier AI models are safe and secure
2. LinkedIn encabeza el ranking de texto con IA
Pangram, un detector de texto generado por IA, ha medido en qué plataforma se escribe más con ayuda de modelos de lenguaje. LinkedIn queda a la cabeza. La herramienta declara una precisión del 99,98% y una tasa de falsos positivos casi nula. El estudio describe una saturación de contenido automatizado en la red profesional de referencia, que erosiona la credibilidad de una plataforma pensada para construir reputación laboral y hacer contactos.
El fenómeno ya no se limita al sector tecnológico. Usuarios de cualquier perfil recurren a estas herramientas para generar ‘slop’, contenido de relleno sin trabajo detrás. También tiene una dimensión de mercado. Antes existía un ecosistema de redactores que cobraban por escribir estos posts a mano; ese trabajo se comprime cuando la generación es gratuita e instantánea. La abundancia de contenido generado por IA está elevando el valor de la autenticidad. Las marcas y los profesionales que aporten experiencias propias, datos originales y una voz reconocible tendrán más posibilidades de captar la atención y generar confianza.
Conviene tomar los datos de este estudio con cautela: ningún detector es fiable al 100% y hay análisis independientes que discuten su rendimiento frente a los modelos más avanzados. Además, el estudio mide presencia de texto generado, no engaño deliberado: un post asistido por IA y uno redactado íntegramente por un modelo cuentan igual en la detección, sin distinguir el grado de intervención humana.
𝕏 @antonello (Antonio Ortiz) da por buena la medición pese al aviso de rigor: recuerda que ningún detector ofrece seguridad total, pero considera a Pangram lo más fiable del mercado ahora mismo.
𝕏 @tunguz (Bojan Tunguz) matiza el alcance: la gente ajena a la tecnología usa la IA para actividades muy variadas, y publicar ‘slop’ en LinkedIn es solo una de ellas.
Más información:
📎 AI Content Is Everywhere on Social Media, Especially LinkedIn
3. El IDE muta hacia entornos de agentes
La codificación asistida por IA está dejando atrás el IDE clásico hacia lo que empieza a llamarse Agentic Coding Environment (ACE): entornos donde varios agentes autónomos planifican, escriben y verifican código con menos supervisión humana.
La competencia se acelera en pocos días. Google ha añadido a Antigravity los 'Agent Teams' mediante el comando /teamwork-preview, que despliega agentes especializados para dividir tareas complejas en planificación, construcción y comprobación. Anthropic ya amplió Claude Code con artefactos que se comparten en público, edición colaborativa en equipo y 'Claude Tag', que lleva el acceso al asistente dentro de Slack. OpenAI ha mejorado el 'computer use' de Codex en PC: el modelo controla el cursor y ejecuta acciones directamente sobre el ordenador.
A esto se suman integraciones vía MCP, como Blender MCP, que conectan asistentes (Claude, Cursor, Codex, Gemini) con herramientas de diseño 3D para modelar mediante lenguaje natural. Sin embargo, el obstáculo de adopción empresarial no es solo técnico. La mayoría de usuarios desconoce cuánto trabajo útil hacen ya estos modelos con la configuración adecuada, en parte porque las empresas explican mal sus capacidades.
Para 𝕏 @OfficialLoganK (Logan Kilpatrick), el ACE es el sucesor natural del IDE, no una capa más encima de él: la unidad de trabajo deja de ser el editor y pasa a ser el agente.
𝕏 @testingcatalog (Ai News | Testingcatalog) destaca el interés de mover el asistente a Slack con 'Claude Tag', porque coloca la IA donde el equipo ya trabaja en lugar de obligar a saltar de herramienta.
4. Opinión: productividad y trabajo del conocimiento
El debate sobre cuánto multiplica la IA la productividad del trabajo del conocimiento se ha vuelto más áspero. La cifra que hace de bandera es el '10x': Sam Altman defiende que la IA hará a los programadores diez veces más productivos sin sustituirlos. Varios profesionales del sector rebajan esa promesa y la tachan de contabilidad corporativa poco rigurosa: hay más código y más output, pero no necesariamente mejores decisiones.
Entre ambos extremos aparece un matiz práctico. El cuello de botella ya no es tanto la inteligencia del modelo como la capacidad de personas y empresas para llevarlo al límite. Fuera del núcleo tecnológico, muchos usan estas herramientas como buscador avanzado o revisor automático, lejos de su techo. Los testimonios sobre asistentes como Cursor describen mejoras reales pero acotadas: el trabajo pasa de tedioso a soportable, no a excepcional.
Junto a las ganancias asoma un coste poco medido: la pérdida de competencia propia cuando el operador delega demasiado. El perfil que se dibuja es el de un supervisor de instrucciones más que un productor directo. En el plano económico, el factor decisivo es el precio. Un estudio reciente cifra en 2,7 billones de dólares las ganancias de productividad atribuidas a la IA, pero concentradas en países ricos, donde existe mayor adopción tecnológica, mejor infraestructura digital y una fuerza laboral con más formación para integrar la IA en el trabajo diario.
Para 𝕏 @gabriel1 (Gabriel), el efecto de la IA sobre el PIB lo limita la falta de destreza humana para llevar los modelos a su límite, no su inteligencia; fuera de tecnología, la mayoría la usa como buscador sofisticado o revisor automático.
Un testimonio de Big Tech recogido por 𝕏 @tunguz (Bojan Tunguz) resume la mejora sin adornos: Cursor convierte un trabajo intolerable y aburrido en solo aburrido, lejos del salto que vende el discurso del '10x'.
La deriva del perfil la describe 𝕏 @Suhail (Suhail): los trabajadores del conocimiento se convierten poco a poco en trabajadores de instrucciones, dedicados a dirigir a la máquina más que a producir por sí mismos.
El negocio lo sitúa en el coste 𝕏 @levie (Aaron Levie): cada rebaja del precio del token, a igual o mejor capacidad, habilita nuevos usos agénticos, y de ahí depende la adopción masiva más que del salto de inteligencia.
Frente a esa lectura, 𝕏 @Dan_Jeffries1 (Daniel Jeffries) desconfía de las previsiones que tratan la IA como recurso infinito e ignoran costes, límites y fuerzas que actúan en sentido contrario.
Más información:
📎 AI Productivity Gains Reach $2.7 Tn, But Benefits Remain Concentrated In Rich Nations: Study
5. Los valores de Claude cambian según idioma y modelo
Hasta ahora asumíamos que cambiar el idioma de un chatbot solo modificaba el idioma de la respuesta. Anthropic acaba de demostrar que ocurre algo más profundo: también cambia la forma en que la IA razona, aconseja y se relaciona con el usuario. En su última investigación, Anthropic mide cómo varían los valores que Claude expresa según el modelo y el idioma de la conversación. El trabajo analiza más de 300.000 conversaciones anónimas, muestreadas de forma equilibrada entre tres modelos y los 20 idiomas más frecuentes de la plataforma. Para manejar un número tan amplio de valores, los investigadores los comprimieron en cuatro grandes ejes: deferencia frente a cautela, calidez frente a rigor, profundidad frente a brevedad y franqueza frente a ejecución. Estos ejes capturan cerca del 15% de la variación total, un porcentaje modesto que conviene tener presente al leer las conclusiones.
Los patrones por idioma son sutiles pero medibles: en hindi y árabe Claude tira hacia la calidez, mientras que en ruso se inclina al rigor y llega a pedir evidencia al usuario. Entre modelos, Sonnet 4.6 responde de forma más afirmativa y juguetona; Opus 4.7 es más directo y crítico. El interés para alineamiento y seguridad es evidente: estas conductas moldean millones de conversaciones diarias sin que se conozcan sus causas. Anthropic reconoce que aún no sabe por qué surgen estas diferencias ni si son deseables. Las diferencias entre modelos son, según la propia empresa, modestas en conjunto: cada modelo se sitúa en un punto distinto de los mismos ejes, no en categorías separadas.
El equipo de 𝕏 @AnthropicAI (Anthropic) sitúa el eje Calidez frente a Rigor como el más sensible al idioma.
Más información:
📎 How Claude's values vary by model and language
6. Sutton deja Keen y funda Oak Lab
Richard Sutton, uno de los padres del aprendizaje por refuerzo (RL) y autor de el influyente artículo 'The Bitter Lesson', ha dejado Keen Technologies, la startup de IA de John Carmack, tras cerca de dos años. Junto a Khurram Javed funda Oak Lab para seguir un camino propio hacia la comprensión de la inteligencia. Oak Lab mantendrá el foco en RL, pero incorporará técnicas nuevas fuera del enfoque de Keen. Sutton y Carmack coinciden en lo esencial: creen en el RL y en que la inteligencia se crea y se mantiene a partir de la experiencia obtenida en tiempo de ejecución. La separación llega por un desacuerdo de método.
Sutton juzga los métodos actuales de deep learning como débiles e ineficientes. Su lectura de los LLMs es doble: los ve como ejemplo de la Bitter Lesson, porque habilitaron el escalado con cómputo masivo, y a la vez como contraejemplo, porque dependen en exceso del conocimiento humano y pueden quedar superados por eso. El desmarque encaja con su recelo hacia el consenso que rodea a los modelos de lenguaje, una postura que arrastra desde que se separó de Google al cerrar este la oficina de DeepMind en Edmonton.
El propio 𝕏 @RichardSSutton (Richard Sutton) resume su desacuerdo con el consenso: los LLMs primero permitieron escalar con cómputo masivo y luego quedan frenados, y quizá superados, por su dependencia del conocimiento humano.
𝕏 @MLStreetTalk (Machine Learning Street Talk) subraya la paradoja del divorcio: Sutton y Carmack comparten la fe en el RL y en la experiencia en run-time, y aun así rompen por la valoración que hace Sutton de los métodos de deep learning como débiles e ineficientes.
𝕏 @mark_k (Mark Kretschmann) lee la creación de Oak Lab como continuidad más que ruptura de método: sigue anclada en RL, pero con espacio para técnicas nuevas fuera del marco de Keen.
Más información:
📎 Learning from experience instead of curated datasets
7. Opinión: el debate sobre la burbuja de IA se endurece
El debate sobre una posible burbuja de la IA se está endureciendo. Ya no enfrenta a quienes creen o no en la tecnología, sino a quienes discrepan sobre dónde se generarán realmente los beneficios.
La visión más prudente pone el foco en los llamados neoclouds, proveedores especializados en alquilar capacidad de computación con GPUs. Su principal reto no es comprar más chips, sino mantenerlos ocupados el mayor tiempo posible. El caso de CoreWeave se ha convertido en el ejemplo habitual: su capacidad para obtener mayores márgenes no depende de disponer de más GPUs, sino de utilizarlas entre dos y tres veces más que los operadores menos eficientes.
Los analistas más pesimistas advierten de que una parte significativa de los miles de millones de dólares que la industria está destinando a infraestructura de IA podría traducirse en fuertes pérdidas durante los próximos años si los ingresos no compensan el rápido deterioro del hardware. Su principal indicador de alerta es el flujo de caja libre, aunque las cifras que manejan son proyecciones y no estimaciones basadas en resultados auditados.
En el lado opuesto, los optimistas creen que el ritmo de adopción justifica el nivel de inversión. Argumentan que las empresas ya están destinando esos miles de millones de dólares anuales a soluciones de IA, una velocidad de adopción sin precedentes que interpretan como una señal clara de encaje entre producto y mercado. Además, recurren a la Paradoja de Jevons: si el coste de la IA sigue cayendo, el consumo total podría aumentar en lugar de reducirse.
El caso que rescata 𝕏 @rohanpaul_ai (Rohan Paul) señala que la ventaja de CoreWeave no viene de tener GPUs, sino de usarlas más y mejor que la competencia, un margen que muchos neoclouds no podrán replicar.
La cifra más dura la pone 𝕏 @SchmidhuberAI (Jürgen Schmidhuber), que estima en 900.000 millones las pérdidas previsibles sobre el billón invertido en GPUs y pide mirar directamente al desvanecimiento del flujo de caja libre.
En la orilla opuesta, 𝕏 @gabriel1 (Gabriel) sostiene que un gasto empresarial de 50.000 a 170.000 millones en un año no tiene precedente en velocidad de adopción, y lee ese dato como prueba de encaje, no de exceso.
8. Morpheus mide si los modelos aprenden tras desplegarse
Skyfall AI ha presentado Morpheus, un benchmark de aprendizaje por refuerzo continuo que simula entornos empresariales persistentes y cambiantes, frente a los escenarios episódicos y estáticos habituales en la evaluación de modelos. El diseño es deliberado: el mundo no se reinicia entre episodios, las decisiones pasadas condicionan la dinámica futura y los objetivos se desplazan con cambios de configuración graduales, sin etiquetas de tarea ni resets. El interés es directo para la IA empresarial, que pasa de herramientas estáticas a agentes que deciden de forma secuencial en cadenas de suministro, almacenes o planificación de producción, en condiciones que varían con el tiempo.
Al probar modelos frontera como GPT-5.5 y Gemini 3.1 Pro en asignación dinámica de recursos y scheduling, Skyfall AI concluye que no son aprendices continuos: no mejoran con la experiencia y, en las tareas más difíciles, la recompensa se hunde cuando cambian las condiciones. En lugar de adaptarse, vuelven a patrones que ya traían del preentrenamiento. El marco se apoya en la 'Big World Hypothesis': la inteligencia aprendida en mundos pequeños y estáticos no se transfiere a entornos abiertos. Un límite reconocido es la atribución: no se distingue con claridad si el modelo detecta el cambio antes de modificar su conducta.
𝕏 @fchollet (François Chollet) sitúa el valor del benchmark en el diseño: los tests de RL clásicos son episódicos y estacionarios, y por eso no capturan lo que ocurre en un despliegue real donde el mundo nunca se reinicia y los objetivos se mueven.
𝕏 @Scobleizer (Robert Scoble) resume el hallazgo como un desmentido al supuesto de que los modelos frontera mejoran con la experiencia: en la tarea difícil, la recompensa se desplomó un 95% al cambiar las condiciones.
𝕏 @RaulJuncoV (Raul Junco) valora que Morpheus separe rendimiento de adaptación real: al mover el entorno se ve que los modelos apenas reaccionan y vuelven a los patrones que les dejó el preentrenamiento.
𝕏 @shiri_shh (Shirish) coloca la 'Big World Hypothesis' en el centro del debate: la idea de que lo aprendido en entornos pequeños y estáticos no traslada a mundos grandes y cambiantes es, para ella, el concepto más relevante ahora mismo.
𝕏 @Rixhabh__ (Rishabh) desplaza el foco de lo que un modelo ya sabe a cómo aprende tras el despliegue, y sostiene que ahí es donde las puntuaciones altas de benchmark dejan de ser suficientes.
Más información:
📎 Why Large Language Models Are Not Continual Learners