Doxa 2544

La inminente crisis de capacidades de las grandes tecnológicas

Por Chengwei Liu y Balázs Kovács

IA generativa

Harvard Business Review

#Doxa #IA #BigTech #CapacidadComputacional #CrisisEnergética #Semiconductores #DataCenters #Escalabilidad #Innovación #InfraestructuraCloud #Sostenibilidad #Hardware #Algoritmos #DemandaDigital #CuelloDeBotella #Tecnología

Resumen. En 2016, Geoffrey Hinton afirmó que la IA sustituiría pronto a los radiólogos; Sin embargo, desde entonces la demanda de radiólogos se ha disparado. La razón, según sostiene este artículo, es que la IA redujo el coste del análisis de imágenes al tiempo queAumentó el valor de las capacidades humanas complementarias: el criterio, la responsabilidad y el aprendizaje. La misma dinámica se aplica ahora a la ingeniería de software. Aunque la IA puede generar código de forma económica y rápida, las empresas corren el riesgo de confundir la producción de código con la mano de obra más amplia de diseño de sistemas confiables y con escalabilidad. A diferencia de la radiología, el software carece de estructuras de responsabilidad sólidas o de supervisión profesional, lo que hace que los errores relacionados con la IA sean más difíciles de detectar y corregir. A medida que las empresas recortan puestos de ingenieros sénior y reducen las vías de formación, acumulan una «deuda de capacidad» y una «deuda de criterio» que quizás solo se hagan visibles años más tarde. Para evitar desmantelar la experiencia humana que da valor a los resultados generados por la IA, los líderes deben implementar un seguimiento de la procedencia del software, exigir la aprobación nominal de una persona sobre el código generado por la IA y establecer sistemas de responsabilidad que hagan que una mala gobernanza de la IA resulte costosa. La lección principal es que la IA cambia lo que se vuelve escaso: no el resultado en sí mismo, sino el criterio humano responsable.

En 2016, Geoffrey Hinton comparó de forma memorable a los radiólogos con el «coyote que ya se ha precipitado por el acantilado»: sigue corriendo, sin darse cuenta aún de que ya no hay suelo bajo sus pies. Afirmó que era «absolutamente obvio» que el aprendizaje profundo superaría a los radiólogos en un plazo de cinco a diez años, y que las facultades de medicina deberían dejar de formarlos.

En 2025, el salario medio de un radiólogo se situó en 570.000 dólares, lo que supone un aumento del 9% en un año. Una bolsa de empleo especializada en radiología registró más de 4000 ofertas activas, con una media de 130 días para cubrir cada puesto. ¿Por qué se equivocó tanto la predicción de Hinton?

No fue porque la tecnología fallara. Fue porque Hinton había pasado por alto dos conceptos básicos que se enseñan en cualquier curso de economía de grado.

La primera es la demanda inducida. Cuando el costo de un servicio desciende, suele aumentar la demanda del mismo. Se trata de un concepto familiar para los planificadores de transporte, quienes observan que la ampliación de las carreteras suele incrementar el tráfico. Las técnicas de diagnóstico por imagen más baratas y rápidas ampliaron el mercado de las imágenes médicas. Cada radiólogo se volvió más productivo y, al mismo tiempo, más solicitado.

El segundo es la complementariedad. Como explican Ajay Agrawal, Joshua Gans y Avi Goldfarb en su libro Prediction Machines, una predicción más barata aumenta el valor de los complementos de la IA aplicada a la imagenología: el criterio, la responsabilidad y la firma de aprobación. Una exploración no es un diagnóstico. Alguien con una licencia, una reputación y responsabilidad personal debe firmar el informe. La firma de aprobación no es un costo de transacción. Es el producto. La predicción confundía la lectura de exploraciones con la práctica de la radiología.

Hay un tercer punto que merece la pena destacar. La firma de las imágenes cumple también una función formativa. Los residentes interpretan las imágenes bajo la supervisión de un radiólogo que las firmas. El mecanismo de rendición de cuentas es, al mismo tiempo, el mecanismo de formación. Si se elimina uno, se elimina el otro.

El sector tecnológico está a punto de repetir el error

Los líderes del sector tecnológico están confundiendo actualmente la programación con la ingeniería de sistemas. El 20 de mayo de 2026, Meta inició una reestructuración que, según se informa, supondrá la supresión de unos 8.000 puestos de trabajo, aproximadamente el 10% de su plantilla, mientras que unos 7.000 de los empleados restantes serán reubicados internamente para trabajar en iniciativas de inteligencia artificial. No se trata de una empresa que recorta por dificultades: Meta declaró unos ingresos trimestrales de 56.300 millones de dólares en el primer trimestre de este año.

Meta es solo un ejemplo. En todo el sector, las grandes empresas se están reestructurando en torno a equipos más reducidos y equipados con inteligencia artificial. Amazon eliminó 16 000 puestos corporativos en el primer trimestre de 2026. Oracle comenzó a recortar millas de puestos en marzo. Microsoft ha ofrecido planes de jubilación voluntaria. Los detalles varían, pero la lógica empresarial es la misma: la inteligencia artificial abarata la producción de código, por lo que se necesita menos personal.

Es cierto. Pero escribir código no es lo mismo que diseña sistemas confiables.

El problema es que, si bien una IA que no cobra puede generar código mucho más rápido y con unos costos directos mucho menores que los programadores humanos, no aporta muchas de las contribuciones no cuantificables al valor para el cliente que los programadores humanos aportan mientras programan. En pocas palabras, la producción de código se mide fácilmente, pero el criterio de un ingeniero de software sobre qué es un buen o mal código para una solución de software determinada no es cuantificable, y lo que buscan los clientes de Meta son soluciones de software, no solo código. Desde esta perspectiva, recortar la inversión en ingenieros de software humanos y confiar en la IA en su lugar es un error clásico de optimización, y en el contexto de la IA, se agravará rápidamente.

Para empeorar las cosas, los errores de la IA en el contexto de la programación son mucho más difíciles de identificar y gestionar que en el ámbito de la radiología. Un error en el diagnóstico radiológico suele afectar rápidamente a un paciente concreto, con una cadena de responsabilidad clara, lo que facilita la identificación y la corrección de la causa del error.

El impacto de los errores en la codificación sale a la luz años más tarde, cuando el autor ya se ha marchado y el aviso ha caído en el olvido. Un código defectuoso puede parecer correcto en el momento de su lanzamiento y los defectos suelen hacerse evidentes solo cuando el sistema debe modificarse, integrarse, protegerse o ampliarse. Y, con la excepción de un reducido número de aplicaciones críticas para la seguridad, como la aviación y los dispositivos médicos, no existe un organismo regulador equivalente a la FDA, ni solicitudes de licencia, ni un marco de responsabilidad para sancionar las decisiones de codificación deficientes.

El resultado es una tragedia de los comunes a cámara lenta. A corto plazo, a muchas empresas les parecerá lógico prescindir del personal encargado de formar a los jóvenes y de supervisar los resultados de la IA, sobre todo cuando los expertos cualificados pueden ser captados por la competencia. Así pues, nadie se encarga de la formación y no surge una nueva generación capaz de ejercer el criterio necesario.

La factura llega años más tarde, cuando la siguiente oleada de problemas complejos se abate sobre una empresa que carece tanto de constructores como de jueces. En estos momentos, se están acumulando dos tipos de deuda en el balance de todas las empresas tecnológicas: la deuda de capacidad, a medida que se va reduciendo la cantera de aprendices, y la deuda de criterio, a medida que los ingenieros que quedan pierden su capacidad de evaluación cuando dejan de producir. Ambas son invisibles en el estado de resultados. Ambas se agravan con el tiempo.

Lo que deben hacer los líderes

Hay tres medidas que los líderes pueden adoptar de inmediato para mitigar los peligros:

1. Ampliar la trazabilidad del software para registrar el uso de la IA y la responsabilidad humana.

El marco SLSA ya registra cómo se producen los artefactos de software. Úselo: cada módulo de software que se entregue debe incluir metadatos que indiquen qué herramientas de IA han intervenido en el código, quién ha revisado el resultado y quién lo ha aprobado.

El fotoperiodismo ofrece un precedente útil: Canon ha lanzado recientemente su sistema de autenticación de imágenes C2PA, y Reuters ha puesto a prueba flujos de trabajo de autenticación de imágenes en colaboración con Canon y Starling Lab. La nueva capacidad de autenticar imágenes añade un nivel de control fundamental en un momento en el que la IA hace que la producción de fotografías sea barata y rápida.

2. Hacer obligatoriamente la aprobación por parte de una persona designada para el código de producción generado por IA.

Como hemos señalado anteriormente, la revisión final no solo ayuda a determinar la responsabilidad por los errores de programación de la IA, sino que también ofrece la oportunidad de crear momentos de aprendizaje. Por lo tanto, las empresas de software deben asignar a un ingeniero sénior para que colabore con un ingeniero junior en cada lanzamiento, de modo que el proceso de formación no se vea afectado por la presión por la productividad.

3. Establecer normas de escalada que vinculen los fallos relacionados con la IA con la responsabilidad y el coste.

Dentro de la empresa, los incidentes repetidos relacionados con la inteligencia artificial deben dar lugar a requisitos de revisión más estrictos, a la aprobación por parte de altos cargos y análisis posteriores estructurados. Con el tiempo, las aseguradoras y los organismos reguladores pueden reforzar esta misma lógica incorporando los fallos de producción repetidos relacionados con la inteligencia artificial en las primas de riesgo cibernético y en las obligaciones de cumplimiento normativo. No se trata de castigar, sino de hacer que la negligencia resulte lo suficientemente costosa como para que contratar a personas se convierta en la opción más económica.

Estos mecanismos tienen una característica en común: reintroducen una ineficiencia deliberada en un sistema que la IA se apresura a eliminar. En los sistemas que adolecen de problemas de los bienes comunes, la ineficiencia deliberada es necesaria para garantizar la sostenibilidad del sistema. En el caso de la IA, si bien las ganancias en productividad ofrecen rendimientos cuantificables a corto plazo para el capital, sus costos —en términos de pérdida de capacidades y experiencia— se externalizan hacia la mano de obra, los clientes y los futuros líderes. Visto así, podemos observar que las ineficiencias deliberadas son mecanismos para reintroducir los costes externalizados en el sistema.

...

La lección que nos enseña la radiología no es que la IA haya fallado, sino que ha cambiado qué es lo que se ha convertido en un bien escaso. El recurso escaso ya no era la capacidad de interpretar imágenes, sino la capacidad de emitir un juicio fundamentado. El software se enfrenta ahora a la misma prueba. Las empresas que comprendan esto utilizarán la IA para potenciar los conocimientos de ingeniería. Las que no lo harán descubrirán, años más tarde, que automatizaron la producción al tiempo que desmantelaban el sistema que permitía determinar si dicha producción era de calidad.

Lea más sobre IA generativa o temas relacionados Inteligencia artificial y aprendizaje automático y Tecnología y análisis

Chengwei Liu es actualmente profesor de Estrategia y Ciencias del Comportamiento en la Imperial Business School de Londres (Inglaterra) y anteriormente fue profesor en la ESMT de Berlín (Alemania). Su próximo libro, *The Smart Contrarian: Thinking Differently about Thinking Differently* (Harvard Business Review Press, 2026), escrito en colaboración con Balázs Kovács, de Yale, analiza cómo cuestionar las ideas preconcebidas.

Balázs Kovács es profesor de comportamiento organizacional en la Escuela de Administración de Yale. Su investigación se centra en la innovación, el diseño organizacional, las redes sociales y el uso de la inteligencia artificial en las organizaciones.