Stephen Messer sobre IA, datos propios y modelos fundacionales económicos

Si los modelos de código abierto están tan cerca, ¿qué están haciendo mal estos laboratorios estadounidenses de vanguardia? Creo que hay dos cosas. La primera es la creencia, impulsada por el marketing, de que este es el camino hacia la AGI, pese a que nadie en el campo cree eso. ¿Qué está más sobrevalorado ahora mismo, los LLM o los agentes? Los LLM. Quiero decir, no puedes hablar de agentes sin LLM, y por la cantidad de capital que reciben estos proveedores, la respuesta es clara, sin duda. Si un CEO de nuestra audiencia tiene un único presupuesto de IA para invertir este año, ¿dónde obtiene el mayor rendimiento por dólar?

Esa es una pregunta difícil. Si soy un CEO, lo único que haría... Bienvenidos a otro episodio de 51 Insights, hoy con Steven Messer. Steven, bienvenido al programa. Muchas gracias por invitarme. Es emocionante estar aquí. Nos entusiasma tenerte aquí de nuevo, Steven. La última vez que te sentaste en esa silla, nos dijiste que los grandes modelos de lenguaje acabarían como los navegadores web: gratuitos en todas partes y sin valor como barrera competitiva. Eso es exactamente lo que ocurrió. Inventaste el marketing de afiliación, vendiste LinkShare por cuatrocientos veinticinco millones. Eres emprendedor de internet desde hace más de treinta años.

Desde dos mil ocho, has cofundado y dirigido Collectivei, una de las primeras empresas de IA. Steven, es fantástico tenerte de vuelta, y hoy vamos a hablar de todo lo relacionado con la IA. Estoy muy emocionado de estar aquí, y siento que estoy bajo protección de testigos porque, cuando dije eso, muchos inversores que habían invertido en los modelos de frontera... tuve que esconderme. Y luego publiqué un artículo en mi blog, reloadnyc.com, y lo llamé Peak Token, y creo que ahora debo evitar arrancar mi propio coche por la mañana y, eh, cruzar la calle solo.

Hablemos primero de esto. Predijiste la comoditización de los LLM hace dieciocho meses. ¿Puedes explicárnoslo? ¿Qué querías decir y ocurrió realmente como esperabas? Los modelos de lenguaje, por su naturaleza, son productos indiferenciados, ¿verdad? Los datos de entrenamiento que utilizan para entrenar la red neuronal están disponibles públicamente. Y lo que vimos fue una reducción real de la brecha entre las capacidades de vanguardia, las de los modelos más recientes y más populares, y todos los demás, ¿verdad? Incluso si lo piensas, hace dos semanas, tres semanas, Mythos: Dios mío, va a dominar el mundo, es tan avanzado.

Y en la última semana y media han aparecido modelos de código abierto tan cercanos que la diferencia es imperceptible. Procedentes de China, de Japón y de todos estos otros lugares, porque muchos utilizan una técnica llamada destilación y no necesariamente tienen que hacer el trabajo difícil para llegar al mismo resultado. Y esa es una situación muy complicada. Si tu ventaja y la prima que pides a la gente que pague por un modelo de lenguaje desaparecen en dos semanas, pero tardaste un año en crearlo, eso no es señal de una barrera competitiva defendible.

Y creo que aquí es donde vemos que todas las pruebas de referencia, en todas partes, nos dicen que estos modelos de código abierto están tan cerca, eh, que esta no es el área donde, ya sabes, acabará creándose valor real. Si los modelos de código abierto están tan cerca, ¿qué están haciendo mal estos laboratorios de vanguardia de Estados Unidos? ¿Por qué gastan miles de millones de dólares de los inversores para construir estos modelos si otros modelos que pueden crearse por una fracción de ese dinero pueden competir con ellos? Creo que hay dos cosas. Creo que está, primero, la, la creencia de marketing de que este es el camino hacia la inteligencia artificial general, pese a que nadie en el sector cree eso.

Existe esta creencia de marketing de que así llegaremos a la superinteligencia, y quien llegue a ella, aunque solo tenga una semana de ventaja... Si tienes una semana, la superinteligencia se expandiría tan rápido, avanzaría tan deprisa, que esa semana se convertiría en años y no habría forma de alcanzarla. Por eso oyes constantemente a los actores de los modelos de frontera hablar de cuánto código escribe la propia IA y de esta idea de una organización recursiva que va creciendo. Y hay una parte de eso que es algo cierta en ese sentido: todavía no hemos llegado a un límite en las leyes de escalado ni en la experiencia del modelo.

Así que su argumento sigue siendo válido. Y creo que por eso algunos sostienen que ahí es donde reside el valor subyacente. Hay otras personas que están estudiando modelos del mundo. Yann LeCun y Fei-Fei Li lo abordan desde la perspectiva de la robótica. Creo que en Collectivei estamos estudiando datos propios para comprender las transacciones económicas. Cada uno sigue un camino distinto y se pregunta: «¿Qué nos llevará a ese maravilloso país de las maravillas?». Creo que la otra cosa inesperada fue la capacidad de las GPU para desarrollar un modelo de frontera a gran escala.

Esto no es barato, ¿verdad? Hemos visto esta expansión descomunal de los centros de datos, y el argumento era que, en muchos sentidos, la única forma de llegar a estos modelos a gran escala tan buenos es disponer de una enorme capacidad de cómputo y, después, de una enorme capacidad de inferencia. Estaba Chili Pepper, que era el nuevo chip de OpenAI, y todos estos otros actores que están saliendo a defender ese argumento. Y luego llegó este anuncio de una pequeña empresa llamada Nvidia con otra pequeña empresa llamada Microsoft sobre un enfoque completamente nuevo de las computadoras, cómo funcionarán y dónde puedes... qué tipo de modelo local puedes ejecutar.

Y de repente vuelves a preguntarte: ¿necesitamos estos enormes centros de datos si puedo ejecutar gran parte de esto en los nuevos portátiles que están saliendo y que serán mucho más eficientes para modelos que usan GPU? Ahí es donde se está librando la batalla, y la gente está jugando a todo o nada. ¿Estás diciendo que desarrollar modelos de frontera será esencialmente un problema de software y ya no de hardware? Creo que ese es el argumento que... Bueno, planteemos los dos argumentos.

Si eres una empresa de modelos de frontera, tu argumento es que... Ahí, no hemos llegado al final de las leyes de escalado, así que todavía no sabemos qué ocurrirá. Por ejemplo, no sabemos cómo los humanos, eh, adquirieron conciencia y decidieron hacerlo por su cuenta. En teoría, quizá si hacemos los modelos lo suficientemente grandes, la máquina tendrá su propia conciencia y alcanzará la superinteligencia, pero eso requerirá una enorme capacidad de cómputo. Y si llegas primero a la superinteligencia, bueno, sí, esto será algo recursivo que continuará hasta mejorar cada vez más y más y más, y es una apuesta en la que vale la pena invertir porque, si lo haces, serás esencialmente la, la inteligencia del planeta.

Y-y eso tiene un valor realmente enorme. Así que ese es el argumento de los centros de datos masivos, la capacidad de cómputo masiva, los datos de entrenamiento masivos, masivos, masivos, masivos, masivos, y esa será la barrera. Hay un contraargumento. El contraargumento de los actores del código abierto es, primero, que he podido crear modelos que compiten por una fracción del costo. Ese fue el momento DeepSeek hace un año, cuando de repente todos miraron y dijeron: «Dios mío, ese modelo es tan bueno. Se hizo con un equipo pequeño y por una fracción del costo». Y luego miras y empiezas a ver el, el hardware más nuevo que están lanzando empresas como Microsoft, que acabará afectando a Apple y a otros actores, y que permite ejecutar localmente estos modelos con un número extremadamente alto de parámetros.

Y luego está el argumento de si estamos empezando a ver una división del mercado en la que la mayoría de tus tareas se ejecutarán localmente en tus propias máquinas. Es el argumento de OpenClaw y Hermes: voy a ejecutar mi propio entorno de agentes y conservar mis datos para mí. Pero si tengo un problema tan grande que mi modelo local no puede resolverlo, pagaré por tokens de los modelos de frontera. Ese conjunto de problemas parece reducirse cada vez más, pero cuando necesite ese nivel de Mythos, o del próximo modelo, pagaré una prima por ello.

Pero el noventa por ciento de lo que hago lo haré en mi equipo local. Eso destruye la lógica económica de los grandes actores. Ese es el debate actual: si los modelos locales podrán hacer lo suficiente como para desmantelar el modelo de negocio. Esa es, en cierto modo, mi idea del pico del token: cuánto puedes cobrar por esa pequeña mejora incremental. Y, en ciertos ámbitos, quizá puedas cobrar mucho si hace algo como encontrar todas las vulnerabilidades de tu seguridad. Bien, esa es una prima que estás dispuesto a pagar porque la seguridad es muy valiosa para ti.

Pero ¿estamos llegando a un punto en el que eso se reduce cada vez más? Por eso ves que se centran en la biología, ya sabes, el movimiento más reciente de DeepMind hacia OpenAI, Anthropic. Ves estas batallas por encontrar ámbitos cada vez más estrechos para extraer valor de ese pico del token. Mi pregunta es: ¿puede eso cubrir el costo de todo lo demás? Bueno, hablando del costo de un token, el CEO de Palantir, Alex Karp, estuvo ayer en CNBC y básicamente habló del modelo de tokens de la industria de la IA. Dijo que es una locura y que las empresas están furiosas con Frontier Labs por maximizar el consumo de tokens.

¿Crees que estas grandes empresas se han dado cuenta de que están gastando demasiado en tokens, y que la mejor solución podría ser construir sus propios clústeres internos de computación de IA? Mira, eh, eso es lo que-- estamos justo al principio de la comprensión de cómo funcionan estos sistemas. Y digo eso porque hace un mes anunciamos, básicamente, ingenieros desplegados directamente en las empresas y la construcción, básicamente, de un sustituto de las Accentures y las McKinseys, y muchas empresas estaban deseosas de participar en eso, desde el capital privado en adelante. Pero lo que eso te dice es que no entienden que lo que están haciendo es, básicamente, incorporar a un grupo de ingenieros que intentan construir barreras de salida.

Por ejemplo, si construyo todos mis agentes usando Claude Code y de repente aparece una alternativa más barata, tengo que reconstruir todos esos agentes. Si usara OpenClaw u otro entorno de ejecución, podría simplemente cambiar el modelo subyacente sin tener que cambiar nada más. Pero un ingeniero integrado en el equipo del cliente que venga de, ya sabes, OpenAI o Anthropic no tendrá incentivos para construir estas capas de abstracción que cualquier otra persona que entienda los costos de los tokens consideraría la base fundamental. Sin duda querrías construir estas abstracciones. Pensemos, por ejemplo, eh, en Open Router o Neuromorphic, dos grandes empresas que básicamente dicen: «Voy a construir una capa de abstracción que nos separe de los modelos subyacentes y optimizaremos tus costos según el modelo que necesites». Todas estas son áreas en las que empiezas a pensar en los tokens y en cómo aprovecharlos de forma eficiente.

Y creo que Alex realmente dio en el clavo con dos cosas. Una es que ellos lo saben. OpenAI y Claude saben que existe este riesgo de convertirse en un producto indiferenciado, y por eso crearon esta ingeniería desplegada directamente con los clientes. Y él lo expresó de forma mucho más clara: si pensaran que tenían algo tan valioso, dirían que quieren el treinta por ciento del valor de esa cosa. El problema es que está tan indiferenciado que, si OpenAI dice: «Quiero el treinta por ciento», simplemente voy a recurrir a un modelo alternativo y obtenerlo gratis, lo que significa que realmente no tienen poder de fijación de precios.

Y eso dice mucho sobre el estado de estos modelos. Tomemos Collectivei, por ejemplo. Tenemos datos propios con los que entrenamos nuestro modelo. No somos un modelo de lenguaje. Nos centramos en predecir resultados económicos. Y en nuestro caso no hay un número dos. No hay un modelo alternativo porque los datos son propios. Tuvimos que obtenerlos mediante las aportaciones de todos nuestros clientes, a cambio de ayudarlos a mejorar. Pero podríamos decir: «Bien, si quieres hacer envíos anticipados, esto es lo que cuesta este modelo», porque no hay un número dos. No lo menciono para decir que Collectivei es una gran empresa.

Lo estamos. Pero lo que muestra es la diferencia entre los modelos entrenados genéricos y los modelos entrenados propietarios, y la brecha que empieza a surgir entre dónde ha invertido la gente su dinero y dónde se está creando valor. Y hablando de Collectivei, mencionaste al principio los modelos fundacionales económicos. También mencionaste los modelos del mundo. De lo que acabamos de hablar es de los LLM. ¿Podemos dar un paso atrás y explicar esto a la audiencia? ¿Qué son estos distintos modelos? ¿Cómo se comparan entre sí? A tu audiencia, todo el mundo le ha dicho que la AGI, esta increíble inteligencia artificial general, lo hará todo.

Eso no es lo que tenemos hoy. Lo que tenemos es lo que se llama inteligencia estrecha. Tenemos conocimientos especializados. Así que cada modelo solo llega a ser bueno en un campo limitado para el que ha sido entrenado. Las palabras y las imágenes pueden darte la ilusión de que estas cosas son mejores en ciertas tareas. Te daré un ejemplo. Mucha gente dice, por ejemplo, que está usando un LLM para predecir el mercado bursátil. Ahora bien, cualquiera que conozca estos modelos se lleva las manos a la cabeza al oírlo, porque un LLM no tiene ningún concepto del tiempo. Los mercados bursátiles son problemas de series temporales.

Esto nos parece una locura. Cuando oímos que estás pensando, que usas un modelo que estudió grupos de discusión de Reddit y lo utilizas para analizar el valor de negociación de una acción, lo único que hace es repetir palabras que suenan como si tuvieran sentido, pero sin haber realizado ningún análisis. Nos parece una locura, pero te lo presentan como: «Esto te va a hacer ganar muchísimo dinero». Y lo que realmente recibes es un reflejo de lo que todo el mundo comenta en Reddit. Eso da un poco de miedo si crees que realmente ha hecho un análisis fundamental de tu empresa.

Eso no es lo que hace. Así que lo que verás es que todos estos otros modelos están surgiendo para resolver distintos problemas empresariales. Hay un modelo de biología, AlphaFold. Un modelo de lenguaje te hablará sobre el plegamiento de proteínas. Alucinará cómo se plegará una proteína. Terminarás con un fármaco que te matará. AlphaFold es un modelo diseñado para predecir cómo se pliegan las proteínas y que permitirá crear fármacos. Es un modelo muy diferente, entrenado con datos muy diferentes y con capacidades muy diferentes, y lo hace realmente bien. Pero si le pido a un modelo AlphaFold, el que le valió a Demis el Premio Nobel, que prediga la siguiente palabra más adecuada, no lo hará bien.

Y eso es lo que está ocurriendo: cada uno de estos es un modelo diferente. Nosotros, por ejemplo, predecimos resultados económicos. ¿Qué significa eso? Daré un ejemplo sencillo. Si has tenido vendedores que intentan predecir qué operaciones van en serio, eso es un resultado económico. Si eres una firma de capital privado que quiere comprar una empresa y estás hablando con muchas de ellas, intentas averiguar cuál va en serio, cuál realmente va a cerrar una operación contigo. Porque muchas firmas de capital privado compran empresas familiares, y quizá quieran vender el negocio, pero luego la familia se pelea.

Son iniciativas costosas. Si intentas averiguar cuáles tienen probabilidades de ocurrir, necesitas información sobre cómo toman decisiones, no a nivel general, sino sobre cómo toma decisiones este grupo de personas. Ahí es donde necesitas un modelo. Y puedes seguir. Yann LeCun, por ejemplo, y Fei-Fei se centran en un modelo del mundo. Se trata de cómo aprenden los robots a moverse por el mundo en el que están. Y, para hacerlo, necesitas averiguar cómo... qué... Cuando tú y yo entramos en una habitación, usamos los ojos para localizar las cosas y, como seres humanos, podemos descubrir muy rápido cómo movernos por ella.

Las máquinas no pueden. Y por eso están aprendiendo cómo hacerlo, cómo desenvolverse en distintas situaciones, ya sea en la fabricación o para entregarte tu, tu pedido de un restaurante. Son cosas para las que están, están intentando crear modelos ahora para facilitar el aprendizaje de las máquinas. Steven, fundaste Collectivei en dos mil ocho. En aquel momento, nadie hablaba de IA. ¿Cómo construiste esa empresa y cuándo te diste cuenta de que debías centrarte en los modelos fundacionales económicos? Desde nuestra perspectiva, sabíamos que las redes neuronales iban a ser algo importante.

Em, teníamos muchos amigos en el sector. Yo trabajaba en un área de la IA llamada sistemas expertos. Nadie necesita saber de eso. Era antiguo. Em, y, y sabíamos que estaba volviendo. Creo que lo miramos y dijimos: "Esto es bastante increíble. Em, todavía no está del todo listo". Y simplemente empezamos a experimentar. Durante mucho tiempo seguimos probando esta tecnología con un pequeño grupo de personas, y nos dimos cuenta de que, si la entrenas con algo indiferenciado, se vuelve indiferenciada. Y nos preguntamos: "¿Cómo competimos contra Google, Microsoft, eh, ya sabes, Oracle, algunas de estas enormes empresas, Meta?". Em, simplemente no creíamos que fuera, que fuera el lugar adecuado.

Nos preguntamos: «¿Dónde sería muy valioso un modelo?». Y, si lo piensas, cuando lo analizamos dijimos: «Bien, hace cien años, Adam Smith habló de la mano invisible. ¿Por qué seguimos tomando decisiones basándonos en esta mano invisible cuando todo en el mundo tiene un sensor? ¿No podemos tomar mejores decisiones? ¿No podemos evitar catástrofes económicas como las recesiones si todos tienen una mejor idea de lo que está pasando? ¿Cómo sabemos que podemos evitar tomar malas decisiones económicas que afecten a todos los empleados de nuestras empresas?». Y esto se convirtió en la base de nuestro enfoque.

Y resultó que teníamos razón. Realmente puedes hacer todo eso. Y, volviendo a lo que dijo Alex Karp ayer en CNBC, también dijo, al hablar de datos propios... Al escucharte, me parece que en realidad todo se reduce a tener datos propios. Y una de las cosas que también dicen estas grandes empresas es: «¿Por qué deberíamos pagar millones de dólares por estos modelos y, al mismo tiempo, entrenarlos con nuestros datos propios y perder básicamente nuestra ventaja competitiva?». Tiene razón. Añadiré algo que Alex no está diciendo: puedes tener datos propios que aun así no tengan valor, y creo que eso es lo que siempre se pasa por alto.

Por ejemplo, muchas de las, eh, empresas médicas dicen: «Tenemos los… somos los únicos que tenemos estos datos». Sí, pero es biología. Puedo usar datos sintéticos a partir de un conjunto pequeño de muestras y entrenar un modelo así. ¿Es valioso? No tan… tan valioso como creen. Y el problema de muchas organizaciones realmente grandes es que creen que, por ser grandes económicamente, tienen muchos datos. El problema es que la mayoría de sus datos siguen siendo, por mucho, insuficientes. Ninguna empresa tiene suficientes datos. Creo que elegimos la economía porque lo que estamos estudiando es una externalidad.

Y con eso quiero decir: supongamos que soy la mayor empresa del mundo. Soy la número uno de Fortune. Soy el mayor actor del mercado. Si estudian su propio proceso, algo interno, pueden decir: «Tengo la mayor cantidad de datos sobre cómo fabricar un automóvil». Soy Ford, soy Toyota. Tengo esos datos. Bien. Quizá sea así, y no voy a discutirlo por ahora. Pero si estudias algo externo, no tienes nada, ¿verdad? Si Toyota intenta averiguar cómo fabricar un automóvil que guste a más clientes, no tiene suficientes datos.

Solo tienen los datos de sus clientes. Toyota, por grande que sea, sigue siendo un pequeño porcentaje del mercado total y, como viste con los chinos, eso no les impidió ganar una enorme cuota de mercado. Así que lo que acaba pasando es que, si eres JPMorgan Chase y piensas: «Tengo más datos de negociación», estás acabado, porque todos los demás van a agrupar sus datos. Van a obtener información a partir de una base más amplia. Por eso, por ejemplo, los profesionales del marketing usan Google. No es que no tengan muchísimos datos.

Si soy P&G, tengo muchos datos sobre mis compradores que adquieren jabón Ivory o cualquier cosa que venda P&G. Simplemente no tengo suficientes datos para tomar una buena decisión. Mucha gente confunde tener datos con tener información útil, y voy a dar una buena analogía para tu audiencia. Hay muchos pozos petroleros. Saudi Arabia tiene muchísimos. Estados Unidos también. ¿Dónde tiende a concentrarse todo el valor? En quienes refinan el petróleo. Tu petróleo es basura, ¿no? Si miras el petróleo que salía de Venezuela, es un petróleo pesado.

Tiene muchísimos problemas. Tiene que ir a una de las dos refinerías del mundo que pueden procesar petróleo pesado y convertirlo en gasolina, combustible para aviones o lo que quieras. Si no puedes acceder a esas dos refinerías, no tienes nada. Y esto es lo que Standard Oil aprendió hace mucho tiempo. Todo el valor se acumulaba en manos de quienes controlaban los ferrocarriles y las refinerías. Las empresas tienen datos sin procesar. Tienen pozos petroleros, pero no tienen refinerías. Necesitas refinerías enormes para convertir esto en valor. Eso es, creo, lo que muchas pasan por alto.

Y Alex da una parte de la respuesta, porque su objetivo es venderte herramientas que te permitan aprovechar más tus datos. Su empresa no es una empresa de IA en el verdadero sentido de crear modelos. Básicamente toma esos modelos y los utiliza con tus propios datos. Y Alex... Me encanta Alex. Es fantástico. Es muy inteligente. Pero sin duda también está defendiendo sus propios intereses. Espero que la analogía que di permita a tu audiencia entender dónde se acumula realmente el valor. Estás diciendo que las empresas necesitan refinerías, y ahí es exactamente donde entra Collectivize, ¿verdad?

Por lo que recuerdo de nuestra última conversación, están combinando fuentes de datos de distintas empresas. Su modelo observa algo así como el cinco por ciento de la economía mundial e incorpora factores como los movimientos de las tasas antes de que una empresa los note. ¿Puedes explicarnos con un ejemplo qué significa esto realmente para una empresa que usa el modelo de Collectivize? Daré uno que creo que es más general, porque, eh, dar un ejemplo de una firma de capital privado que sabe cuándo una posible empresa puede, eh, está interesada en vender o no, eso sería para un grupo pequeño de oyentes.

Supongamos que tienes un equipo de ventas. Este es un gran ejemplo de uno de nuestros clientes. Están intentando... Como vendedor, intentas averiguar quién va en serio, porque los clientes pueden hacerte perder el tiempo indefinidamente. Si sales a buscar financiación, los inversores de capital de riesgo te harán perder el tiempo. Piensa en todas las personas a las que intentas convencer de que hagan algo. Están ahí, y tienes que decidir cuánto tiempo, dinero y esfuerzo vas a invertir en ellas para conseguir el acuerdo que quieres. Eso es muy difícil, porque supongo que la mayoría de las veces estás tratando con esas personas por primera vez.

Y algunas personas son pasivo-agresivas y te dicen: «Dios mío, Mark, eso es fantástico. Me encantaría invertir en ti. Vuelve a hablar conmigo cuando tengas más información». Y lo alargan y te mantienen dando vueltas indefinidamente. Cancelan reuniones. Hacen de todo. Y tú estás muy entusiasmado porque te han dicho lo que querías oír. «Me interesa. Me gusta lo que estás haciendo. Quiero ver si esto puede crecer». Nadie lo sabe. Pero la cuestión es que tú puedes saberlo. Apostaría a que conoces muy bien los patrones de comportamiento de tu ser querido. Si dice: «Me interesa hacer algo», puede significar que le interesa; pero si dice: «Sí, hagámoslo», significa que definitivamente le interesa.

Empiezas a reconocer ese patrón. Si veo a las mismas personas entre varios individuos y varias empresas, todos intentando venderle a la misma persona, ¿sabes qué empiezo a aprender? Aprendo sus patrones de comportamiento. Aprendo qué dicen cuando quieren hacer algo. Aprendo a qué velocidad actúan. Aprendo incluso a quiénes incorporan. Y te daré un dato interesante. ¿Sabías que la mayoría de las personas, cuando quieren tomar una decisión, incorporan a un grupo de personas y, si no quieren tomarla, invitan a un grupo completamente distinto a la reunión?

Así que, cuando vas a reunirte con un inversor de capital de riesgo o con alguien, o intentas cerrar un gran acuerdo, el grupo que han elegido para sentarse a la mesa es su manera de tomar la decisión sin tener que hacerlo directamente. Si eres un inversor de capital de riesgo, no quieres ser quien le dijo que no a lo que podría ser el próximo Google u OpenAI. Puedes reunir a un grupo de personas para que ellas digan que no, y tú puedas decir: «Yo realmente quería cerrar ese acuerdo». Y nunca lo sabrías. Simplemente pensarías: «Dios mío, ahora están incorporando a cinco personas a esta reunión».

Esta va a ser una buena reunión. Y esas cinco personas, solo con haberlas incorporado, significan que esta reunión está acabada. Simplemente no lo sabías. Nuestra capacidad para observar todas las empresas con las que trabajamos nos permite saber: Dios mío, te tocó el equipo malo de categoría D-. Y lo descubres antes incluso de que ocurra. Estas son las cosas que ayudamos a la gente a entender. Pero sí, lo hacemos porque reconocemos que necesitamos observar a ese comprador o a ese responsable de decisiones muchas veces, a través de muchas personas distintas, para aprender cómo toman decisiones, y eso hace que el mundo sea predecible.

Steven, ¿cuál es tu mayor desafío al explicar esto a tus clientes potenciales? Hoy, todo el mundo cree que los modelos de lenguaje son la IA y que son un único modelo. Así que tengo que explicarles: mira, vas a tener muchos modelos diferentes y los vas a conectar para aprovechar sus perspectivas, del mismo modo que, cuando haces una gran operación, incorporas a un abogado, quizás a un director financiero, podrías incorporar... Estás incorporando conocimientos especializados y todos contribuyen a un buen resultado. Esto es lo que va a pasar. Vas a tener múltiples niveles de inteligencia dentro de tu organización y luego los vas a conectar para obtener ventajas que te permitan actuar como una organización más rápida, más inteligente o una combinación de todo eso.

Y eso es lo que ocurre hoy. Dicen cosas como: «Ya tenemos Claude» o «Tenemos OpenAI. Tenemos IA». Y tú piensas: «Bien, tienes algo que puede escribir con un lenguaje bonito. Estupendo. ¿Qué tiene eso que ver conmigo?». Si quieres aumentar los ingresos, Claude es lo más peligroso que puedes incorporar. Ni siquiera entiende el tiempo. ¿Y qué es lo único que sabemos sobre las ventas? El tiempo mata todas las operaciones. Y has elegido una IA que ni siquiera entiende que el tiempo existe. Buena elección. Creo que eso es lo que está pasando: la gente aprende tanto y tan rápido que nuestro principal cometido es ayudarla a entender que necesita una superinteligencia que comprenda a su comprador y a la empresa que intenta incorporar a su cartera.

Entiende todos estos desafíos económicos diferentes, eh, que están ocurriendo en el mundo, desde el estrecho de Ormuz hasta la inflación. Necesitas algo que entienda esto para obtener una ventaja, y van a aprenderlo poco a poco y empezar a aprender a conectar estas cosas. Steven, has sido emprendedor durante la mayor parte de tu carrera. Ahora mismo tenemos una explosión de nuevas startups de IA que crean herramientas y soluciones SaaS que muchos dicen que son solo envoltorios de modelos de frontera. ¿Qué opinas de ese argumento y en qué les dirías a estas personas que deberían centrarse para crear valor?

Creo que la fase de las aplicaciones que sirven como envoltorio está desapareciendo rápidamente. Incluso con la compra de Cursor, la gente estaba entusiasmada. Pero si miras a Cursor hoy, están intentando desarrollar su propio modelo con Groq para tener su propio modelo de programación. Pero eso es una rareza. La mayoría de los actores que ves están muriendo de forma lenta y dolorosa, sobre todo porque ya no consiguen financiación y, en segundo lugar, porque todos los actores que tenían modelos propios simplemente esperan a que tú lo construyas y demuestres que hay mercado, y luego entran y desarrollan agresivamente Claude Design o alguna otra cosa de Claude.

Y creo que los inversores ya se han dado cuenta de eso. Creo que los fundadores también están empezando a darse cuenta. Eh, ¿puedes tener modelos que, que funcionen? Sí, probablemente, ¿no? Hubo, hubo... Instagram es uno de los pocos, WhatsApp es uno de los pocos que sobrevivieron al mercado de aplicaciones, en los que Apple no se limitó a tomar la idea y desarrollarla por su cuenta. Eh, así que habrá algunos que sobrevivan. No creo que esos vayan a durar más. Y los que creo que corren mayor riesgo, sobre lo que he escrito, son los actores de SaaS.

Su idea era: «Voy a crear una capa de lenguaje alrededor de mi producto SaaS, sea cual sea, y ahora soy una empresa de IA». Creo que son quienes corren más riesgo, porque realmente creen que tienen IA. Hablando de burbujas, los valores de IA impulsaron alrededor del ochenta por ciento de las ganancias del mercado del año pasado. La financiación entre Nvidia, OpenAI y los proveedores de nube es visiblemente circular, y acabamos de ver cómo una venta masiva de acciones de chips detuvo la negociación en Seúl. Así que, para los inversores, ¿cuál es tu opinión? ¿Es una burbuja o cambia la respuesta según si la tecnología cumple sus promesas?

¿Qué está pasando aquí? Mire, nadie puede decir que esto es una burbuja basándose en los ingresos que se han generado. Esto no es... En los primeros días de internet, la burbuja consistía en empresas valoradas en varios miles de millones de dólares sin ningún ingreso. Aun así, si lo analizabas, en su mayor parte resultó no ser una burbuja. En realidad, podrías llamarlo una corrección, y si hubieras mantenido tus inversiones en Amazon o en cualquiera de los buenos nombres, como Netflix, te habría ido extraordinariamente bien. Había una brecha de valoración, pero tres años después la situación era bastante buena.

Así que, si eres operador, puedes argumentar que quizá haya un desajuste de valoración, pero creo que hablar de burbuja es una locura dada la cantidad de ingresos que ves llegar a estos mercados. Ahora, la naturaleza circular de la inversión hacia el crecimiento. Aquí diría que es una apuesta de inversión, si quieres decir que está sobrevalorado o no. SpaceX era una apuesta de inversión, ¿no? Tú... No hay ninguna razón justificable salvo que Elon parece seguir teniendo más ideas que se convertirán en negocios de varios billones de dólares. Yo apuesto por él. Algunos tendrán razón y otros se equivocarán.

Jeff Bezos fue una apuesta en la que la gente confió, y salió realmente muy bien. Y Tesla ha tenido sus altibajos, pero parece estar funcionando. SpaceX parece estar funcionando. Así que creo que la gente está apostando por eso. Pero voy a decir algo, Mark, que solo compartiré con tu audiencia. ¿Estás listo? Sí, por supuesto. Nadie quiere hablar realmente de la cobertura que supone toda esta expansión de los centros de datos. Si te preguntara, Mark, ¿en cuánto estimarías el riesgo de que China cerque Taiwán en los próximos cuatro años?

Muy alto. Bien, dame el porcentaje. Cincuenta por ciento. Bien, cincuenta por ciento. Yo diría que, incluso con un tres por ciento, ese riesgo es tan alto que la acumulación de chips y centros de datos en Estados Unidos, aunque la financien los modelos de frontera durante un breve periodo, ¿qué valor tienen esos activos para Oracle, Microsoft, Google, Meta si hay un cerco? ¿Cinco veces? ¿10x? ¿Verdad? Porque estos son chips de propósito general. Se podría argumentar que, durante el auge del comercio electrónico del '99, 2000, muchos de aquellos almacenes de Webvan y... no podían reutilizarse para otros fines. Pero una GPU es un chip de propósito general.

Tener una reserva de esos chips podría marcar la diferencia entre dos o tres años de crecimiento sostenido, pasando de un uso a otro, o que la economía se desplome. Así que quizá invertir en capacidad excesiva no sea una mala asignación del riesgo si eres Google, Meta, Amazon o Microsoft y tienes un enorme negocio en la nube. Y creo que mucha gente está pensando, de distintas maneras, que esto permite asegurar inversiones de capital allí donde el mercado te las permite y donde podemos ganar dinero hoy, pero también sirve como una especie de reserva por si ocurre algo.

Si Terafab en Estados Unidos y la fábrica de TSMC, que sigue produciendo un chip de tres nanómetros, creo que mucha gente lo mira y dice: «Esto podría valer más», y ese es un valor futuro que deberías tener en cuenta. Si es el cincuenta por ciento, entonces esta acción está infravalorada porque esos chips valdrán oro. Y creo que Europa no ha acumulado esa cartera de pedidos pendientes. Creo que algunas partes de Asia tampoco la han acumulado. Ahora mismo, Estados Unidos tiene un activo que puede aprovecharse para todo, desde tus necesidades de Gmail hasta las de alojamiento y las de IA.

Y creo que esa es una consideración infravalorada en la, en la propiedad de los activos. Otra cosa que también está ocurriendo, Steven, es que estos activos, ya sean chips o laboratorios de vanguardia, también se están convirtiendo cada vez más en cuestiones de seguridad nacional, porque adquieren tanta importancia y tanta relevancia estratégica. Y acabamos de ver lo último que ocurrió con, eh, Fables, el último modelo entrópico, cómo lo frenó el gobierno de Estados Unidos. Ahora vuelve a estar disponible porque, al parecer, era muy potente y muy estratégico. ¿Cómo crees que evolucionará esto en los próximos meses y años? Porque saldrá un nuevo Fable, y habrá distintos laboratorios de vanguardia que presentarán modelos con esa capacidad.

Creo que bloquear el acceso a un modelo es una locura. Primero, empuja a la gente hacia otros mercados. Creo que, si miras a otros países ahora, se preguntan: «¿Puedo confiar en Estados Unidos?». Y encontrarán alternativas. Ahora mismo, China no es realmente una alternativa. Si China no fuera China, un gobierno draconiano que busca poder, esos modelos ya habrían ganado. Son más baratos, tienen una mejor relación entre precio y valor y son más eficientes. Creo que hay más creatividad en parte del trabajo que ha hecho DeepSeek en particular, pero también en otros modelos.

Ahora mismo serían los ganadores. Quienes impulsan gran parte de esto son, en realidad, Dario y Sam. Necesitan intentar imponer restricciones a los modelos de código abierto. Creo que mucho de lo que oyes es más marketing que otra cosa. Sí, los desconectaron. Sí, tuvieron un enfrentamiento con el Departamento de Guerra. Sí, hicieron todas esas cosas. Pero la realidad es que intentan decir: «Estas son armas de destrucción masiva» y que hay que restringirlas, porque si tuvieras el mayor modelo indiferenciado del mundo y, por mucho dinero que gastaras, no pudieras conseguir una ventaja de más de un cero coma tres por ciento, creo que estarías nervioso.

No creo que el resto del mundo acepte eso. Creo que lo que acabará ocurriendo es que, si lo restringen en Estados Unidos, el resto del mundo empezará a alejarse de ellos. Creo que es una estrategia muy peligrosa. Una que me parece una estupidez. Restringir el conocimiento no es la forma de ganar. Ganas construyendo mejores productos y adelantándote a todos. ¿Crees que realmente hay algo de verdad aquí, que existe una preocupación legítima por el riesgo de seguridad de estos últimos modelos? Creo que, como siempre que se descubre una vulnerabilidad de día cero, eso supone un riesgo enorme.

Estos modelos de programación, como Mythos, están empezando a encontrar problemas de larga data en el código. No hay que contenerse. Eso significa que tenemos que actuar rápido para desarrollar soluciones. Y me gusta el enfoque que adoptaron cuando dijeron: «Bien, se lo daremos a algunos de los mayores proveedores de software para poder encontrar estos problemas y publicar correcciones antes de que el mundo los conozca». Creo que eso es responsable. Creo que es estupendo. Pero deberíamos querer un código más sólido. Deberíamos querer que se detecten problemas de seguridad. Hay una razón por la que países como Israel empezaron a realizar pruebas con equipos de ataque, y eso después se extendió a la comunidad del software, donde se intentan encontrar vulnerabilidades.

Eso no es algo malo. Encontrar vulnerabilidades significa que puedes corregirlas. Esta idea de que es tan peligroso que no podemos publicarlo, pero aun así vamos a dejar esos fallos ahí, no me parece, eh, algo muy bueno. Creo que, a medida que se difundan más estas herramientas, tendremos cada vez más herramientas buscando continuamente vulnerabilidades de seguridad antes de que lo haga un tercero, y creo que eso es saludable. Por cierto, también llega cuando estamos a las puertas del día Q. Así que, ¿de verdad nos preocupa encontrar nuestros fallos cuando es probable que RSA, que es la base de toda la seguridad, sea vulnerado en los próximos dos o tres años?

Creo que nuestro objetivo debería ser adelantarnos a todo esto lo más rápido posible. Sí, totalmente de acuerdo. Y Steven, ya casi estamos al final del programa. Tengo un par de preguntas muy jugosas antes de terminar y pasar a una ronda rápida. La primera es: si un CEO de nuestra audiencia tiene un único presupuesto de IA para invertir este año, ¿dónde obtiene el mayor rendimiento por dólar, sinceramente? Es una pregunta difícil. Mark, si yo fuera CEO, probablemente lo único que preguntaría sería: ¿cuál es la única cosa en la que mi competidor no puede seguirme el ritmo?

Y eso podría ser la velocidad. Necesito que mi empresa actúe más rápido. Creo que la velocidad es una ventaja. Voy a poner un ejemplo para quienes no trabajan en tecnología. Si puedes ir a un hotel que te permite registrarte, obtener tu llave y subir directamente, o registrarte con una aplicación en lugar de ir a recepción, ¿qué empresa eliges? ... La más rápida. Eliges la más rápida, ¿verdad? Para algunas empresas, la velocidad será importante. Para otras, puede ser la capacidad de ofrecer algo más inteligente.

Así que tienes que preguntarte: «¿Qué es lo que mis clientes van a valorar más que cualquier otra cosa? Y si puedo hacerlo primero, ganaré». Amazon lo hizo con muchas pequeñas victorias, ¿verdad? Yo no quería introducir mis datos de acceso ni mis datos de pago: un clic. Eso fue todo lo que hizo falta para que dejara de comprar en otros sitios y empezara a comprarles a ellos. Tienes que encontrar esa única cosa, y puede ser el lenguaje, una imagen o un modelo económico como Collectivei. Vas a encontrarla y después apostar todo por ella, porque ganar en lo más importante te dará tiempo para conseguir todo lo demás.

Así es como yo lo plantearía. ¿Qué es lo más importante que está ocurriendo ahora mismo en la IA y que el mercado ha valorado de forma completamente errónea, en un sentido u otro? Creo que son todos los demás modelos. Creo que ahora mismo el 90% de todo el capital de riesgo del mundo fue a dos empresas, y eso está provocando un desajuste en todas las demás. La otra cuestión, si te fijas, es que los inversores de capital de riesgo ya no están financiando estas iniciativas. Son las empresas. Fue Nvidia. Fue Microsoft. Fueron otras... que están empezando a darse cuenta de que aquí hay una ventaja.

Creo que muchas de las grandes empresas tecnológicas deberían ser las que inviertan en los otros modelos, porque eso es lo que impulsará el éxito de sus negocios. Creo que eso se está pasando por alto y que hay un vacío en el mercado que todavía no se está cubriendo. Creo que los otros modelos, lo que... Sí, podrías hablar de Yann LeCun, pero se están construyendo modelos en casi todos los ámbitos que dominarán sectores de la economía para siempre, y creo que la gente simplemente no lo está viendo. Tengo otra pregunta, Steven, que es muy importante porque afecta a toda una generación de jóvenes que está entrando en el mercado laboral, intentando decidir qué quiere hacer, probando todo esto de la IA, construyendo con IA, creando nuevas empresas y viendo enormes pérdidas de empleo en todos los sectores.

Si volvieras a tener 25 años y e-estuvieras al inicio de tu carrera, y quisieras crear empresas, ¿qué harías? ¿Qué consejo le darías a un, un joven hoy? Mi primer consejo es que no creas nada de lo que nadie te haya dicho sobre la pérdida de empleos. Es una locura. Sí, ves a personas que cambian de trabajo y cambios en las funciones que desempeñan. Eso siempre ha ocurrido. Siempre ha habido... Internet cambió las funciones. La, eh, tecnología móvil cambió las funciones. Todo esto está siempre en cambio, y esa es la naturaleza de la evolución. Alégrate de ello porque te abre oportunidades.

Esta es la primera vez en la historia que personas y pequeños grupos pueden crear a gran escala. Creo que la gente ni siquiera aprecia plenamente otras revoluciones que están ocurriendo. La impresión tridimensional. Imagina que hoy quieres producir y fabricar algo: tienes que volar a un lugar como China e intentar encontrar un fabricante que no te estafe, que no se quede con tu dinero ni fabrique algo de mala calidad. Pues bien, estamos llegando a un punto en el que puedes diseñar algo, desarrollar la idea, hacer el marketing, fabricarlo localmente y entregarlo de forma automática, sin siquiera tener que contratar a todo un equipo para hacerlo.

Estás entrando en una etapa en la que tus ideas no tienen límites. Literalmente, no tienes límites. ¿Cómo podría ser eso malo para alguien joven con ideas sobre hacia dónde va el futuro? Dios mío, este es el mejor momento de toda la historia. Daría lo que fuera por empezar mi carrera ahora, porque no hay nada que no puedas hacer ni nada para lo que necesites enormes recursos. Hoy puedes hacer realidad casi cualquier cosa por tu cuenta, sin necesitar inversores de capital de riesgo ni a nadie más. Dominarás los próximos cien años. Tienes el mundo en tus manos.

Eso es lo que debería entusiasmarte. Creo que no hay mejor momento que hoy. Es increíble. Me entusiasma solo pensar en lo que se podría hacer. Un mensaje increíble, Steven. Es un gran cierre. Hagamos también una breve ronda rápida. Preguntas muy rápidas, respuestas muy rápidas. La primera: ¿LLM o agentes? ¿Cuál está más sobrevalorado ahora mismo? Los LLM. No puedes hablar de agentes sin los LLM, y con la cantidad de capital que está entrando en estos proveedores, la respuesta es clara, sin ninguna duda. La segunda: ¿los modelos fundacionales económicos serán una categoría dentro de cinco años o seguirán siendo solo Collectivei?

Por interés propio, siempre me gusta creer que es un solo modelo. Como las leyes de escalado sí importan aquí, creo que acaba siendo predominantemente un modelo, simplemente por la ventaja que tenemos. Cuantos más clientes nos usan, más mejora, un poco como Waze o Google Maps. Pero eso no significa que no pueda aparecer un Apple Maps. Así que seguiré dejando abierta esa posibilidad. Y la última: un libro o una idea que haya marcado tu forma de ver el mundo y que no tenga nada que ver con la tecnología, las ventas o la IA.

Cat's Cradle, de Kurt Vonnegut, un libro increíble sobre la religión y, eh, sobre cómo, ya sabes, las personas encuentran una forma de creer y mantener esa fe pase lo que pase. Eh, un libro que, eh, te cambia la vida para siempre. Increíble. Gracias, Steven, por venir al programa. Ha sido muy interesante. Eh, ¿dónde puede la gente saber más sobre ti y sobre Collectivei? Pueden ir a collectivei.com. Pueden registrarse en la versión gratuita si quieren acceder a todas sus relaciones de una forma precisa y verificada, eh, en intelligence.com. Y si quieren conocer mis ideas locas, pueden ir a reloadnyc.com para leer mi blog.

Eh, suscríbete. Publico dos entradas de blog por semana. Están, están, están llenas de ideas locas, algunas acertadas y otras simplemente locas. Locas e interesantes. Confirmo que las leo todas las semanas, así que las recomiendo mucho. Dejaremos los enlaces en las notas del episodio. Steven, gracias por venir y te deseo lo mejor. Mark, gracias por invitarme. Siempre es un placer. Em, eres increíble. Evidentemente este video te ha gustado lo suficiente como para llegar hasta el final. Escucha, hazme un favor: pulsa el botón de Me gusta y suscríbete, porque creo que te gustará. Y si quieres aún más, y con más me refiero a análisis increíbles para obtener alfa y actualizaciones del mercado de activos digitales, suscríbete a nuestro boletín en 51, es el número cinco uno, insights.xyz y recibe la información más útil para actuar sobre activos digitales.

Hasta la próxima.