El paradigma de la automatización masiva
La idea de que la inteligencia artificial pueda automatizar la mayoría de los trabajos blancos collar en el próximo año o dos, como sugiere Mustafa Suleyman, no es una predicción tecnológica, sino un acto de fe en la capacidad de superar restricciones físicas y logísticas que la historia nos ha enseñado ser implacables. La narrativa dominante se centra en el avance algorítmico, olvidando que cada ‘mente sintética’ reside en un substrato material que requiere energía, espacio y una cadena de suministro cada vez más frágil. No es cuestión de reemplazar el trabajo humano, sino de mover la barrera del cuello de botella a otro dominio, creando nuevas formas de dependencia y vulnerabilidad.
Anatomía del pensamiento sintético: el costo oculto de la inferencia
La arquitectura de los modelos lingüísticos grandes (LLM) como GPT-5.3-Codex-Spark, con sus 15 veces más velocidad y 128k de contexto, es un logro de ingeniería, pero también un claro ejemplo de cómo el rendimiento está estrechamente ligado al consumo energético. Cada token generado requiere una cantidad medible de energía, y la promesa de una IA ‘en tiempo real’ se enfrenta a los límites físicos de los semiconductores. La carrera por incrementar los parámetros (y por lo tanto la capacidad de ‘pensar’) es un juego a cero, donde cada avance en términos de inteligencia se traduce en una mayor dependencia de recursos limitados. El anuncio de NVIDIA Nemotron 3 Nano 30B, aunque promete eficiencia, no resuelve el problema fundamental: la necesidad de una infraestructura masiva para soportar una IA verdaderamente ubiqua. La verdadera desafío no es crear modelos más inteligentes, sino modelos que sean inteligentes *y* sostenibles.
La simbiosis imperfecta: expectativas políticas y limitaciones materiales
El gasto de 1,2 mil millones de euros de Mistral en centros de datos en Suecia, como destaca Arthur Mensch, es un intento de crear una ‘soberanía digital’ europea, pero corre el riesgo de ser una solución parcial. La competencia con Estados Unidos no se juega solo en el plano algorítmico, sino también en el acceso a materias primas (litio, cobalto, terros raras) y la capacidad de controlar la cadena de suministro de semiconductores. La fragmentación del mercado, con la creación de enclave tecnológicas nacionales, podría llevar a una proliferación de estándares incompatibles y un aumento de los costos.
Debemos pensar en Europa como un solo mercado.
La retórica de la ‘soberanía’ corre el riesgo de ocultar la dependencia estructural externa, creando una ilusión de control que no corresponde a la realidad. Europa debe dejar de perseguir a Estados Unidos en términos de potencia computacional y centrarse en el desarrollo de aplicaciones específicas, de alto valor añadido, que puedan aprovechar sus competencias únicas (por ejemplo, la gestión de datos personales y la privacidad).
Escenarios y conclusión: la era de la moderación computacional
La predicción de Geoffrey Hinton de que la IA reemplazará primero los trabajos que requieren competencias específicas es más plausible de lo que se piensa. Sin embargo, el reemplazo no será automático ni completo. La falta de datos de alta calidad, la dificultad para adaptar modelos a contextos específicos y la resistencia al cambio por parte de los trabajadores crearán inevitables retrasos. El verdadero riesgo no es la desocupación masiva, sino la polarización del mercado laboral, con la creación de una élite de ‘ingenieros de IA’ y una masa de trabajadores precarios y subpagados. Me parece claro que hemos entrado en una era de moderación computacional, donde el crecimiento exponencial de las capacidades de la IA será limitado por la escasez de recursos y la necesidad de enfrentar las consecuencias sociales y económicas de su impacto. No se trata de abandonar la innovación, sino de orientarla hacia objetivos más realistas y sostenibles.
Foto de Green Voltaics Energy en Unsplash
Los textos son elaborados por modelos de Inteligencia Artificial