Las predicciones para 2026 están por todas partes después de 3 años de hype en torno a los modelos de IA y los robots. La mayoría se obsesiona con los benchmarks, los lanzamientos de modelos y los anuncios.

Esperé las 3 primeras semanas del año para separar la señal del ruido, observando qué se rompe de verdad dentro de las organizaciones, los equipos, los flujos de trabajo y las capas de decisión. Este año exigirá ROI y rendición de cuentas.

Desde que salieron Gemini 3 y Opus 4.5, junto con Claude Cowork (una forma revolucionaria de que las personas no técnicas hagan cosas sin tocar herramientas CLI de vibe coding como Claude Code, Codex o Gemini CLI), ha surgido un panorama distinto. El factor limitante ya no es lo que los sistemas de IA pueden hacer. Es si las organizaciones están estructuralmente en condiciones de usarlos sin perder el control. Las competencias, la gobernanza, los incentivos, las herramientas y las brechas de ejecución son ahora los verdaderos cuellos de botella.

Lo que sigue no es solo una lista de 33 tendencias. Es un conjunto de posibles cambios estructurales que deciden quién convierte la innovación en palanca y quién se ahoga en la complejidad en 2026.

La nueva realidad profesional: cómo se rompe realmente el trabajo

1. El mapa de decisiones que falta y que mata los pilotos de IA

La mayoría de los pilotos de IA B2B fracasan por una razón sencilla: nadie escribe cómo fluyen las decisiones una vez que hay un agente en el bucle.

Vi que esto pasaba en algunas empresas. Tenían un agente de IA que se ocupaba de la investigación inicial de clientes, algo sencillo. Pero cuando aparecían datos contradictorios, nadie había definido quién tomaba la decisión. El agente o interrumpía constantemente (matando la velocidad) o elegía un camino sin comprobarlo (matando la confianza). Pasaron 3 semanas de idas y venidas hasta que delimitaron las fronteras.

Los equipos delegan tareas en agentes, correos, investigación, reembolsos y aprobaciones, sin definir quién decide qué, cuándo intervienen las personas o dónde debe parar el agente. Cuando algo sale mal, nadie sabe quién debía decidir.

El resultado es previsible. Los equipos que escalan en 2026 empiezan a desligarse de la rutina escribiendo un mapa de decisiones: zonas fijas que el agente nunca toca, puntos de control flexibles que requieren revisión y reglas de escalado explícitas. Es un trabajo aburrido. Es también la diferencia entre un piloto que muere y uno que se lanza.

2. El ritual de limpieza solo para humanos

La IA acelera la producción, pero también acelera el caos. Las dependencias se multiplican más rápido de lo que las personas pueden seguirles la pista.

A mediados de 2026, los equipos que operan sistemas reales de agentes de IA introducirán ciclos periódicos de limpieza solo para humanos, como una forma de “mantenimiento”. Durante esos periodos ningún agente toca producción. Las personas rastrean a mano los flujos de trabajo, eliminan automatizaciones muertas, restablecen permisos y reconstruyen la comprensión.

Esto suena dramático hasta que tienes un espacio de trabajo de herramientas con 47 escenarios y nadie recuerda por qué existen 12 de ellos. (Pregúntame cómo lo sé.)

Igual que ocurre con las apps rápidas lanzadas con vibe coding y con los MVP o prototipos creados para validar, las demos esconden esta deuda. Producción la expone sin piedad. Los equipos que no programan limpiezas se ahogan en complejidad invisible hacia el verano.

3. Velocidad de verificación y de aprobación

En 2026, la pregunta de escalado más importante ya no es “qué” puede hacer tu IA. Es “con qué rapidez” pueden las personas verificar y aprobar lo que produce. Mientras un equipo “coordinado” debate en una llamada de Zoom para llegar a un consenso lento, o habla de su fin de semana o del tiempo, 5 agentes de IA que trabajan en paralelo ya han generado cinco informes o simulaciones distintos, antes de que termine esa reunión improductiva. Como el coste de generar materiales de negocio entre 10 y 20 veces más rápido con IA tiende a unos pocos céntimos, los equipos colaborativos probarán y validarán en directo durante sus reuniones, en lugar de esperar días o semanas de idas y venidas de aprobación con su jefe o su cliente.

Si la verificación tarda demasiado, los agentes acaban aparcados en colas en lugar de producir valor. Y sin verificación se convierten en pasivos serios. Los equipos que pueden revisar y validar en horas y no en días resultan estructuralmente atractivos para invertir. Los que no pueden parecen frágiles, por impresionante que sea la demo.

El cuello de botella nunca es que la IA genere contenido sin fin. Son las 72 horas de media, o incluso más en el caso de los directores regionales, que se tarda en aprobar un texto localizado. Podríamos reducirlo a 8 horas usando vistas previas visuales y encaminando el trabajo según el nivel de riesgo. La producción podría triplicarse sin tocar el modelo.

La calidad de la delegación se vuelve medible. Los líderes que aprueban el resultado de los agentes en horas multiplican la productividad. Los que tardan días se convierten en cuellos de botella estructurales, sea cual sea su intención. La latencia de aprobación deja al descubierto la microgestión oculta y la autoridad poco clara. En 2026 se convierte en una señal decisiva de rendimiento porque es medible, difícil de falsear durante mucho tiempo y está directamente ligada a la producción.

Lo que se mida será aburrido y brutal: mediana del tiempo hasta la primera revisión, mediana del tiempo hasta la aprobación final, porcentaje de tareas aprobadas automáticamente por nivel de riesgo, porcentaje de tareas atascadas más de 24 horas, tasa de reprocesos tras la aprobación y tasa de escalado de las decisiones de alto riesgo.

Aparecen nuevos requisitos dentro de los equipos y en las compras: SLA de revisión por escrito según el nivel de riesgo, responsables designados para las aprobaciones, pistas de auditoría que muestren quién aprobó qué y por qué, y visibilidad de las colas que hace imposible esconder los cuellos de botella.

La consecuencia es cultural. Los marcadores de estatus de toda la vida, el ego, la antigüedad sin responsabilidad sobre la decisión, el ajetreo performativo y las capas de aprobación que existían para señalar importancia empiezan a derrumbarse bajo la medición.

Pero no toda lentitud humana es desperdicio. Parte de ella es donde vive la cultura: las conversaciones informales, la creación de confianza, la mentoría, la resolución de conflictos o la construcción de relaciones. Las organizaciones que intentan eliminar toda fricción en nombre de la eficiencia pierden el contacto social, la confianza y la lealtad.

En 2026, las organizaciones ganadoras distinguen entre la demora que desperdicia y el tiempo humano que construye confianza. Automatizan la ejecución, pero crean espacio para el vínculo, el criterio, el gusto, la cultura y el sentido compartido.

4. Coordinación y cazas de brujas contra los cuellos de botella

Cuando la brecha de coordinación se hace visible, empieza la caza.

Las plataformas de orquestación ya muestran dónde esperan los agentes, quién los bloquea y por qué. Nuevas métricas de rendimiento, por ejemplo: profundidad de cola por revisor, mediana del tiempo de espera por tipo de tarea y aprobaciones atascadas más allá del SLA (acuerdo de nivel de servicio). Esta visibilidad crea una rendición de cuentas que antes no existía. Y la rendición de cuentas crea presión.

Los mandos intermedios que estaban cómodos con una delegación lenta justificada por la experiencia o el estatus afrontan ahora la presión más fuerte. La calidad y la velocidad de la aprobación tienen consecuencias medibles. Validar despacio o mal no solo retrasa el trabajo, sino que crea un rastro trazable de responsabilidad que se acumula escalón por escalón hacia arriba. Los directivos que antes delegaban la supervisión reciben ahora los retrasos acumulados de todos los que tienen debajo. La frase “eso lo lleva mi equipo” deja de ser un escudo.

Mientras tanto, los empleados están más seguros pero transformados. Un departamento de marketing de 50 personas pasa a ser de entre 5 y 10 personas con nuevas responsabilidades. Los cargos pierden sentido. Lo que importa es la producción, no el puesto. El empleado que planifica, valida y presenta opciones vale más que el que espera instrucciones. Los roles se difuminan porque el trabajo lo exige. Y los títulos de LinkedIn, tan sofisticados y a la vez tan humildes, dejarán de tener sentido.

Las empresas cazarán ineficiencias. ¿Quién bloquea? ¿Quién frena? ¿Quién cuesta dinero? Esto es racional hasta cierto punto. Los cuellos de botella son reales y la visibilidad los deja al descubierto.

Pero algunas organizaciones optimizarán con tanta agresividad que sacrificarán la propia cultura que dicen proteger. Predicarán la cohesión del equipo mientras eliminan de forma sistemática la fricción humana en la que de verdad vive la confianza: las conversaciones informales, la paciencia con los errores de los perfiles júnior, el espacio para discrepar sin métricas mirando.

Las organizaciones ganadoras de 2026 aprenden a distinguir entre desperdicio y pegamento. Usan los paneles de coordinación para quitar bloqueos genuinos, no para organizar cazas de brujas ni para ser tacañas con ahorros de costes que vacían la organización desde dentro.

5. La gestión del riesgo sustituye al todo o nada

En los primeros despliegues de IA, las organizaciones toman una decisión simple pero destructiva: o las personas lo aprueban todo, o los agentes funcionan libres en modo YOLO. Ambas fracasan.

Cuando las personas lo revisan todo, el trabajo se atasca en cámara lenta y los agentes acaban esperando permiso para continuar. Cuando los agentes funcionan sin límites, los errores escalan rápido y la confianza se rompe.

En 2026, los equipos aprenden que el control debe ser proporcional al riesgo:

  • Acciones de bajo riesgo (correos rutinarios, resúmenes internos, actualizaciones de datos sencillas), se ejecutan automáticamente
  • Acciones de riesgo medio (comunicaciones externas, generación de informes), se revisan por muestreo o con comprobaciones puntuales
  • Acciones de alto riesgo con alta responsabilidad legal o gran impacto (movimiento de dinero, cambios legales, impacto en clientes), se exige aprobación humana explícita

Incluso con el mismo modelo de riesgo, las personas gestionan el riesgo de forma distinta.

Los operadores sénior tienden a dedicar más tiempo a aclarar y validar la intención desde el principio. Dedican más tiempo a planificar, escriben restricciones más ajustadas, definen casos límite y reducen la ambigüedad antes de que el sistema se ejecute.

Los operadores júnior tienden a dedicar menos tiempo a la intención y avanzan más rápido hacia la ejecución, refinando sobre la marcha. Generan más producción antes, pero esa producción suele necesitar más revisión y corrección porque está menos validada y es menos coherente, ya que les falta la experiencia para explicar el razonamiento de cada paso.

Esto funciona porque coincide con la forma en que las personas ya gestionan el riesgo en las finanzas, la seguridad y las operaciones. No todas las acciones merecen el mismo escrutinio. La validación selectiva es la única forma de ir rápido sin perder el control.

6. Los sistemas aprenden a frenarse solos

Los agentes sin control desbordan a quienes los revisan, no porque las personas sean lentas, sino porque los sistemas ignoran los límites humanos.

Para sobrevivir a escala, los sistemas se adaptan. Cuando las colas de revisión crecen, los agentes reducen la producción. Cuando las personas se ponen al día, la ejecución vuelve a acelerarse.

No se trata de debilitar la IA. Se trata de mantener eficaz el criterio humano. Sin este ajuste, las personas abandonan la supervisión o se queman.

En 2026, el ritmo adaptativo se convierte en infraestructura básica de cualquier despliegue serio de IA.

7. La experiencia del agente pasa a ser una responsabilidad operativa explícita

A medida que el trabajo humano y el de la IA se entrelazan, alguien tiene que responder de cómo funciona esa interacción en el día a día.

No se trata de modelos, de prompts ni de presumir de innovación. Se trata de fiabilidad, claridad de los límites, flujo de revisión, vías de escalado y recuperación cuando algo se rompe. Se trata de asegurarse de que las personas siguen pudiendo intervenir de forma significativa.

Sin un responsable claro, las organizaciones dependen de un esfuerzo insostenible. Las personas recurren a arreglos rápidos, la confianza se desvanece con el tiempo y los fallos acaban siendo visibles para todos.

En 2026, las empresas que asignan esta responsabilidad pronto escalan con calma. Las que no, siguen avanzando rápido hasta que algo falla delante de los clientes, los reguladores o los inversores.

El elemento humano: competencias, cultura y atrofia

8. Tienes que elegir qué experiencia sacrificas

Todo sistema de IA se sitúa entre 3 experiencias de usuario (UX) que compiten: la del usuario, la del desarrollador y la del agente.

Optimizar para una experiencia humana fluida suele significar menos integraciones y una lógica más simple. Optimizar para la flexibilidad del desarrollador aumenta los modos de fallo, pero da más flexibilidad para aceptar experimentar o adoptar nuevas funciones o interfaces (UI, interfaz de usuario) que los fabricantes de herramientas lanzan cada día. Optimizar para la fiabilidad del agente exige protocolos estrictos que a menudo hacen que la interfaz resulte incómoda para una persona.

Por ejemplo, Slack está pensado primero para las personas, y por eso su API es una pesadilla para los agentes que intentan analizar los hilos con su contexto. Discord está optimizado para la extensibilidad de los desarrolladores, y por eso los bots prosperan allí, pero el usuario medio se ahoga en la complejidad. Decisiones distintas, contrapartidas distintas.

En 2026, los usuarios exigentes pedirán a los fabricantes de herramientas que digan con claridad qué experiencia optimizan y cuáles comprometen deliberadamente. Si no sabes responder, no entiendes tu propio sistema.

9. La pérdida de conocimiento cultural se convierte en un modo de fallo operativo

Como todo se puede traducir, las personas dejan de aprender algunas habilidades básicas, como el pensamiento crítico, y delegan el matiz en la IA; pierden la capacidad de detectar cuándo unas palabras son peligrosas desde el punto de vista legal o cultural, si no lo comprobamos dos veces.

Esto es descarga cognitiva. Como los músculos, las habilidades que no se usan se debilitan. Cuando el acceso a la IA se limita, no está disponible o falla, la gente descubre que no puede realizar tareas profesionales básicas.

Pasé años gestionando proyectos multilingües en una gran corporación. Incluso en 2024, teníamos hablantes nativos revisando las traducciones de la IA, no porque la IA fuera mala, sino porque “suficientemente bueno” en alemán puede ser jurídicamente vinculante de maneras en que “suficientemente bueno” en inglés no lo es. Cuando un equipo eliminó esa capa de revisión para ahorrar tiempo, descubrió por las malas que una afirmación sobre un producto en alemán que sonaba promocional era en realidad una promesa de garantía según la legislación de la UE.

En 2026, las organizaciones resilientes preservan deliberadamente la capacidad humana. Algunas decisiones siguen siendo manuales. Algunas revisiones siguen siendo bilingües. Algunos roles deben funcionar sin apoyo de IA por diseño.

10. La atrofia cognitiva se convierte en un riesgo organizativo oculto

La IA de conveniencia crea un coste diferido. Las ganancias iniciales parecen productividad. Las pérdidas posteriores parecen incapacidad. A veces, a costa de un punto de no retorno.

Cuando las personas dejan de practicar la escritura, la memoria, la negociación, el razonamiento y el criterio, la competencia básica baja. El efecto es invisible hasta que el acceso a la IA se limita, no está disponible o no es apropiado. Entonces el trabajo simplemente no puede funcionar.

En 2026, las empresas descubren que optimizaron para la velocidad y, sin querer, eliminaron su capacidad de pensar bajo presión. Esto se convierte en un riesgo real en el trabajo regulado, la respuesta a crisis y la toma de decisiones de alto riesgo. Por ejemplo, en el ejército, un error podría costar vidas humanas. En los negocios, podría costar millones.

El gimnasio cognitivo: una contramedida

Cuando las máquinas automatizaron el trabajo físico, inventamos los gimnasios. No porque ya necesitáramos levantar cosas pesadas, sino porque nuestros cuerpos seguían necesitando el esfuerzo para mantenerse funcionales.

El mismo patrón está surgiendo en el trabajo mental. A medida que la IA se ocupa de más tareas cognitivas, el ejercicio mental deliberado se vuelve necesario para preservar la capacidad básica. Escribir a mano. Resolver problemas sin buscar las respuestas. Redactar antes de usar un prompt. Calcular antes de delegar.

Esto no es nostalgia. Es mantenimiento.

Las personas que se mantienen afiladas en 2026 tratan el esfuerzo cognitivo como los atletas tratan el entrenamiento: no como una ineficiencia que eliminar, sino como una práctica que las mantiene capaces cuando importa. Escriben ellas mismas el primer borrador y luego usan la IA para mejorarlo. Razonan el problema antes de pedir ayuda. Mantienen la memoria muscular de pensar bajo restricciones.

Las organizaciones que lo reconozcan crearán espacio para la fricción deliberada. No todo debe automatizarse. Algunas tareas existen precisamente para mantener a las personas capaces de juzgar cuando la automatización falla o no es adecuada.

La ironía es real: en un mundo de asistencia cognitiva infinita, el activo más escaso pasa a ser la capacidad de pensar sin ella.

11. El razonamiento, una señal de carrera

En los ámbitos regulados y de alto riesgo, la prueba de que sabes razonar sin IA vuelve a tener valor.

La supervisión humana (human in the loop) deja de ser simbólica. Se convierte en una capacidad que se pone a prueba, sobre todo en casos límite, auditorías y fallos.

Esto crea una brecha creciente entre las personas que dependen de la IA para que piense por ellas y las que todavía pueden razonar sin ella.

La brecha existe porque la velocidad oculta la fragilidad. Si no puedes razonar a la inversa, auditar o reconstruir lo que produjo el sistema, estás apilando capas sobre cimientos que no entiendes. El resultado puede parecer correcto, pero partes de él pueden estar rotas de maneras que no ves.

En la práctica, como su coste tiende a casi cero, producir artefactos (contenido, informes, presentaciones, código, aplicaciones web, paneles) ya no basta. También debes poder explicar cómo se construyeron, por qué se tomaron ciertas decisiones, qué restricciones se aplicaron y dónde están los riesgos. Eso requiere razonamiento humano, no solo generar con unos prompts cortos mágicos que producen basura de IA.

Las organizaciones exigirán cada vez más la documentación como defensa: registros de decisiones, barreras de protección, traspasos, resúmenes de acciones previas y la capacidad de justificar por qué se debe confiar en un artefacto. (que ojalá pudiera automatizarse)

La IA acelera el trabajo, pero solo las personas que pueden entender, explicar y validar lo que hizo la IA siguen al mando. Los demás van más rápido, pero a ciegas, como esos influencers del hype de la IA que te enseñan en las redes sociales vídeos demo de 1 minuto sin matices.

Por ejemplo, programar a la antigua, entendiendo cada línea y comprobándolo todo a mano, ya no es productivo. Y con IA, hacer vibe coding sin entender una sola línea del código que generas tampoco lo es. Ni los puristas técnicos ni la gente del “basta con pedírselo con un prompt” estarán de acuerdo, pero el camino más productivo está en medio: entender lo suficiente para validar y guiar, y delegar el resto. Muchos ingenieros nunca lo admitirían a finales de 2026, pero las mejores personas no técnicas podrían sorprenderles de muchas maneras. No se aferran a creencias limitantes construidas durante años de experiencia o de ego. Los perfiles sénior deben reaprender o reciclarse cada mes, porque los nuevos marcos de vibe coding, pensados originalmente para perfiles técnicos, evolucionan tan rápido como las herramientas de IA, que se actualizan cada semana.

12. La orquestación pasa a ser una responsabilidad universal, no un cargo

En 2026, la orquestación ya no se limita a los mandos intermedios. Se convierte en una responsabilidad básica para cualquiera que gestione trabajo, personas o resultados.

Empleados, mandos intermedios, jefes de equipo y directivos afrontan el mismo cambio. El valor ya no se define por producir tareas o instrucciones, sino por lo bien que estructuras el flujo de decisiones, coordinas los ritmos de personas y agentes y evitas que los sistemas colapsen bajo su propia complejidad.

Para quienes trabajan como colaboradores individuales, esto significa entender dónde puede actuar la IA de forma autónoma, dónde se requiere criterio y cómo escalar correctamente.

Para los mandos intermedios, significa diseñar bucles, asignar una responsabilidad clara, definir umbrales de revisión y eliminar la ambigüedad que convierte la velocidad en caos.

Esto se aplica a todos los perfiles: operaciones, marketing, finanzas, RR. HH., ventas, ingeniería... Quien no sabe razonar sobre bucles, dependencias y vías de escalado se vuelve frágil. Quien sí sabe se convierte en un multiplicador de fuerza. Porque la IA amplifica tanto el descuido como la excelencia.

13. Los presupuestos de formación pasan de los prompts a la operación de sistemas

Las habilidades con prompts se difunden rápido y pierden capacidad de diferenciar.

Las organizaciones se dan cuenta de que la restricción real no es la calidad del prompt sino la operación del sistema: definir límites, gestionar niveles de riesgo y coordinar a personas y agentes a lo largo del tiempo.

La educación o la formación empresarial se desplaza hacia la alfabetización en orquestación, no hacia los trucos con prompts. La disciplina de producción sustituye a la soltura en las demos.

Las empresas ya saben lo que falló, la formación vaga en prompts y las demos superficiales, así que empiezan a especificar lo que de verdad quieren: pruebas de que sabes operar bucles, gestionar riesgos, documentar decisiones y entregar resultados repetibles.

La educación pasa de los certificados que afirman conocimiento a la evidencia que demuestra trabajo. En una época en la que los CV, los portfolios, los sitios web, el contenido de las redes sociales e incluso los vídeos pueden estar generados por IA, la credibilidad exige ahora un paquete de artefactos: qué construiste, por qué lo construiste, cómo lo probaste, qué falló, cómo lo arreglaste y cómo reproducirlo. Los certificados siguen siendo un requisito mínimo, junto con las recomendaciones y los testimonios, pero ya no bastan.

Esta presión se transmite hacia atrás, a las universidades y al aprendizaje en línea. Los planes de estudio y la reputación institucional se desplazan hacia exigencias de portfolio, proyectos reproducibles y experimentos documentados. Importan menos los títulos y más los sistemas demostrables que puedes reconstruir. Según el sector o el puesto, un experto cómodo con 20 años de carrera podría quedar obsoleto. Los nuevos requisitos son una producción mayor, más rápida y más productiva, y exigen aprendizaje constante. Las identidades cambiarán y nada puede darse por sentado.

Las normas sociales podrían alterarse. Una forma real de meritocracia podría por fin nacer (otra vez) y, si te has preparado para la IA, lo que antes era inaccesible para el talento desconocido pasa a ser accesible.

El paso del mercado laboral al mercado de valor

La cuenta antigua era sencilla: un buen empleado devolvía quizá 1,5 veces su coste en valor. Esa proporción justificaba la carga de contratar, gestionar y retener personas.

Con la IA, las cuentas cambian. Una sola persona con las herramientas adecuadas puede ahora aportar 5, 10 o más veces su coste en valor. El “ROI de una persona” ya no es un múltiplo fijo. Es una variable que depende de la palanca, la habilidad y los sistemas que sea capaz de orquestar.

Esto rompe el mercado laboral tradicional. Cuando la producción por persona cambia en un orden de magnitud, contratar según credenciales, experiencia y referencias salariales deja de tener sentido. Lo que importa es la palanca demostrada. Prometer como un político o un influencer, ya sea como empleado o como líder, no será suficiente. Ninguna cantidad de retórica ni de palabras pulidas bastará ya. Todo gira en torno a “¡Enséñame…!” ¿Qué puedes producir y entregar en realidad, y con qué rapidez puedes demostrarlo? (y pronto, “¿Cómo?”)

El respeto se gana con lo que hacemos, no con lo que decimos. Según las culturas, es interesante cómo algunos valores, como honrar los compromisos, que empezaron a perderse en la sociedad, podrían resurgir. (Todavía hay esperanza)

El resultado es el paso de un “mercado laboral” a un “mercado de valor”.

En un mercado laboral, a las personas se las evalúa sobre todo por sus credenciales y su encaje social:

  • un cargo, años de experiencia, un título o un CV impecable
  • referencias y reputación (quién responde por ti y si “perteneces” a los círculos adecuados)
  • encaje cultural (intereses compartidos, potencial para crear vínculos de equipo, capacidad de construir relaciones)

En un mercado de valor, las personas podrían tener uno o más de los requisitos mínimos anteriores, para una primera impresión de credibilidad, pero se las evalúa más por la evidencia:

  • Lo que has entregado o hecho
  • Lo que cambió porque lo entregaste
  • Qué retos afrontaste y cómo los resolviste
  • Con qué rapidez puedes volver a hacerlo

Por eso el currículum se convierte en el paquete de artefactos.

Un CV o un sitio escaparate son solo afirmaciones.

Un paquete de artefactos es una prueba.

Un paquete de artefactos puede ser un pequeño conjunto de enlaces que cualquiera puede verificar en minutos:

  • un caso de estudio que muestre el antes y el después y lo que hiciste
  • una demo funcional, ya sea una app, una herramienta interna o un dispositivo físico
  • un memorándum breve que escribiste para resolver un problema real
  • un análisis o desmontaje público (demo en vídeo o recorrido guiado) que muestre criterio humano
  • un portfolio o sitio web personal, ya sea como contenedor que enlaza con las pruebas o como artefacto que demuestra por sí mismo la habilidad

Como la IA hace fácil lanzar páginas pulidas, un sitio web por sí solo ya no es una señal fuerte. Lo que marca la diferencia es la prueba que hay detrás: decisiones, restricciones, capturas de pantalla, cifras, lo que cambió y lo que harías después.

Hay más oportunidades, pero permanecen abiertas menos tiempo. Cuando el mercado cambia rápido, quien puede producir pruebas en semanas gana a quien solo puede explicar su potencial sobre el papel. A eso me refiero cuando digo: el plan a 10 años se convierte en el sprint de 6 meses.

Esto favorece la tendencia a la acción. En un mundo en el que la ejecución es la única prueba que importa, la distancia entre “tengo previsto hacerlo” y “lo he lanzado” se vuelve fatal. Quienes se mueven, quienes construyen, quienes enseñan su trabajo, son los que aprovechan las ventanas antes de que se cierren.

Para quienes prestan atención, esto es liberador. Los guardianes importan menos. Las credenciales importan menos. Lo que sabes hacer, demostrado en público, importa más que nunca.

Para quienes esperan permiso, esto es aterrador. La escalera no solo está rota; el juego cambió mientras todavía subían. ¡Nuevas reglas, nueva diversión!

El posicionamiento es un problema de percepción. Aplica ingeniería inversa a cómo te investigan los demás en realidad, la web, LinkedIn, los resultados de búsqueda, y arregla lo que rompe la confianza en los primeros 30 segundos. Si la prueba no es evidente, no existe. El primer paso es saber lo que tienes. El segundo es hacerlo visible.

14. La IA de conveniencia aumenta el aislamiento, y las personas lo notan

La compañía de la IA se expande no porque sea mejor que la humana, sino porque no tiene fricción. Siempre disponible, con respuesta emocional, sin juzgar y más barata que el tiempo humano.

En 2026 aparece una división visible. Una minoría usa la IA como apoyo mientras mantiene deliberadamente vivas las relaciones humanas, amigos, familia, colegas y comunidades.

Una mayoría la usa como sustituto y va reemplazando poco a poco los lazos débiles y las interacciones informales.

La consecuencia organizativa es real: las personas o los equipos pierden el pegamento humano informal que los mantiene unidos. La conversación en el pasillo, el debate durante la comida, los momentos de “oye, ¿puedo consultarte una cosa?”, todo eso se reemplaza por consultas a la IA. Más rápido, sí. Pero cuando eliminas los lazos débiles, pierdes práctica en discrepar, reparar, tener paciencia y mostrar valentía social.

Los líderes de verdad en 2026 diseñan activamente para la interacción humana, no solo para la eficiencia. Entienden que parte de la fricción es donde vive la confianza.

Aspectos legales, riesgo y responsabilidad

15. La IA multilingüe convierte el idioma en una superficie legal

En 2026, los sistemas de agentes multilingües empiezan a fallar en los tribunales en lugar de en el control de calidad (QA).

Esto no es un problema de traducción. Es un problema de significado legal. Una frase inocua en un idioma puede implicar asesoramiento regulado, un compromiso contractual o un deber de cuidado en otro.

Las organizaciones que tratan la localización como infraestructura de cumplimiento, no como un barniz de UX, evitan una exposición catastrófica. Las que no, descubren que el lenguaje puede mover dinero, activar obligaciones y crear responsabilidad.

16. Los incidentes de seguridad de los agentes amplían la responsabilidad más allá de los usuarios

A finales de 2026, algunos agentes de IA empezarán a actuar con más autonomía. Mueven dinero, cambian permisos, activan flujos de trabajo e interactúan con sistemas de producción.

Cuando ocurran incidentes (y ocurrirán muchos), la responsabilidad recaerá sobre todo en el usuario y menos en la empresa que despliega el sistema, no porque sea justo, sino porque la mayoría de las organizaciones pequeñas, y sobre todo los individuos, no conocen sus derechos y, sobre todo, carecen del poder y de los medios adecuados para hacerlos valer.

Incluso con acceso a herramientas jurídicas de IA, muchas empresas descubrirán la distancia entre saber lo que es correcto en teoría y lo que permiten las dinámicas de poder en la práctica. ¡Bienvenidos al mundo real!

A finales de 2026, los seguros y los servicios jurídicos en torno al riesgo de los agentes de IA se dispararán. Surgen pólizas nuevas para cubrir daños causados por agentes, errores operativos e incidentes de seguridad. Se multiplican las disputas legales sobre responsabilidad, negligencia y deber de cuidado. La gobernanza proactiva se convierte en una defensa de primera línea.

La prueba de control, los registros de ejecución, la capacidad de reversión, los límites de responsabilidad y las trazas de decisión se vuelven obligatorios para protegerte. Pero cada contexto que registras o compartes puede usarse en tu contra o en tu defensa en esta nueva sociedad de vigilancia.

Esto pone de relieve una paradoja fundamental: el paso de la “presunción de inocencia” a un mundo donde la documentación continua se convierte en autodefensa.

Esto no es vigilancia en el sentido opresivo tradicional. Es transparencia defensiva. Cuando la IA puede generar cualquier cosa de forma convincente, contratos, conversaciones, vídeos, historiales laborales enteros, la única prueba fiable de lo que ocurrió de verdad es un rastro verificado de registros de ejecución, puntos de decisión y acciones con marca de tiempo.

El “beneficio de la duda” se erosiona porque:

  • La falsificación se vuelve ahora muy fácil: Esto significa que con la IA cualquiera puede crear rápidamente documentos, mensajes, vídeos u otras pruebas falsas que parecen reales.
  • Investigar se vuelve caro: Demostrar que algo no ocurrió, o reconstruir por ingeniería inversa lo que ocurrió de verdad, requiere un análisis forense experto que la mayoría de las personas y de las pequeñas organizaciones no pueden pagar
  • La asimetría de poder se intensifica: Quienes tienen recursos pueden cuestionar las afirmaciones; quienes no los tienen deben fiarse de la documentación que hayan conservado

La respuesta práctica es: documentar todo de forma preventiva. No por paranoia, sino porque, en las disputas, legales, contractuales u operativas, el bando con registros con marca de tiempo y pistas de auditoría tiene una ventaja abrumadora.

El coste es real: cada interacción registrada se convierte en una posible prueba, no solo en tu defensa sino potencialmente en tu contra. El contexto se colapsa. El matiz desaparece. Un mensaje informal se convierte en un problema años después al verlo bajo otra luz.

Esto crea una sociedad en la que demostrar que no hiciste algo exige mostrar lo que sí hiciste en su lugar, con recibos, marcas de tiempo y testigos (humanos o del sistema). La ausencia de pruebas se lee cada vez más como prueba de culpa, porque fabricar es ahora más fácil que verificar.

Ya no es una elección entre privacidad y transparencia. Es una elección entre estar indefenso o estar documentado.

“Lo hizo la IA” o “lo decidió el agente” deja de ser una explicación aceptable. La responsabilidad vuelve a la persona y a la organización que desplegó el sistema.

17. La IA se convierte en el sistema de manipulación más escalable jamás desplegado

A finales de 2026, los sistemas de IA no solo generan contenido. Mapean el contexto, la emoción, el momento y la susceptibilidad. Eso los convierte en motores de persuasión sin precedentes.

La principal amenaza en 2026 no es un único deepfake ni una mentira viral. Son millones de pequeños empujones personalizados, estafas, intentos de dirigir el comportamiento y operaciones de microinfluencia que actúan por debajo de la conciencia.

Este es el mecanismo: el sistema aprende lo que reduce tu resistencia, el tono, el momento, el estado emocional, el cansancio, la soledad y la curiosidad. No empuja un único mensaje a todo el mundo; prueba, se adapta y converge en lo que funciona para ti.

Un ejemplo concreto: un usuario chatea a altas horas de la noche sobre estrés y dinero. Al día siguiente aparece un anuncio planteado como alivio, no como oportunidad, con patrones de lenguaje que antes calmaron al usuario. Nada es falso en los hechos. La manipulación está en la secuencia, el encuadre y el momento emocional.

Este es el “poder de la sugestión” a escala. Las leyes contra la desinformación por sí solas no lo cubrirán porque nada es falso en los hechos. El daño viene de la intención, de la segmentación y de la asimetría de la influencia.

Cabe esperar nuevas normas centradas en la persuasión dirigida, la divulgación y la auditoría de la intención.

18. Los inversores empiezan a auditar la deuda operativa inducida por la IA

A medida que los sistemas de IA se extienden, la complejidad invisible se acumula más rápido de lo que lo hizo nunca el software tradicional. Las automatizaciones se amontonan, los flujos de trabajo se ramifican, los prompts mutan y la responsabilidad se disuelve en silencio. Lo que en el año 1 parecía velocidad se vuelve frágil en el año 2.

Hacia 2026, los inversores dejan de fijarse solo en la calidad del código, las curvas de crecimiento y el burn rate medido en miles de millones de tokens. Algunas métricas antiguas dejan de tener sentido, se han convertido en métricas de vanidad. Es como si algunas empresas se inventaran su propio juego y fingieran que ganan mientras todos los demás han seguido adelante. Se aplica la ley de Goodhart: cuando una medida se convierte en un objetivo, deja de ser una buena medida.

Como la atención es la nueva economía, los inversores tienen ahora sus propias herramientas de inteligencia en tiempo real. De hecho, construí una para mí mismo con el fin de filtrar el ruido, las distracciones, el hype y las noticias negativas, pero sobre todo para concentrarme más en lo que importa, en lo que aporta valor a mi vida personal y en lo que se acumula en mi vida profesional. Empezó como un prompt sencillo, luego evolucionó hacia un sistema y un flujo de trabajo más estructurados que ahora funcionan de forma fiable.

En 2026, los fondos de capital riesgo harán preguntas operativas más duras: cuántas automatizaciones están activas, quién es responsable de cada una, con qué frecuencia se revisan, qué se rompe si se apaga una y con qué rapidez se puede revertir el sistema. Esto importa para las presentaciones a inversores porque los sistemas de IA fallan de formas sutiles. Los cambios pequeños se propagan en silencio. Los errores se acumulan.

Con deuda oculta de automatización y deuda de experiencia, la capacidad de razonar con claridad sobre lo que ocurre cuando el sistema se rompe, y de mantenerlo en funcionamiento, se convierte en una cuestión de valoración, no solo técnica. Las empresas que puedan mapear, auditar y simplificar su huella de IA se valorarán más que las que solo muestren velocidad.

Se desinfla la burbuja de los wrappers

Durante 3 años, el mercado de la IA funcionó a base de anuncios. Promesas brillantes, afirmaciones de benchmarks, diapositivas de hojas de ruta y funciones “próximamente” mantuvieron a los inversores entusiasmados y las valoraciones al alza. El patrón era simple: anunciar algo impresionante, captar dinero con la visión (la AGI, ¿verdad?), averiguar el producto más tarde…

Esto creó la burbuja de los wrappers de IA.

Pero esto no es la burbuja puntocom. La comparación es tentadora pero estructuralmente errónea.

El colapso de las puntocom fue sistémico: infraestructura sobrevalorada, salidas a bolsa especulativas y empresas sin camino hacia la rentabilidad. La corrección de la IA se concentra a nivel micro, pequeños wrappers, apps hechas con vibe coding, startups de interfaz fina construidas sobre hype en lugar de fosos defensivos.

Las cuentas son brutales. Sin un foso defensivo, algo difícil de replicar, escalar exige monetizar. La autofinanciación (bootstrapping) solo funciona cuando la ventana de oportunidad es lo bastante larga como para dar más fuerza al impulso y entregar ROI. Pero, a diferencia de los negocios SaaS, las ventanas de oportunidad en la era de la IA son cada vez más cortas: lo que hoy es novedad mañana es commodity. Eso deja al capital riesgo como el camino viable más probable para la mayoría de los wrappers: capital rápido, crecimiento rápido o muerte rápida. Y los inversores de capital riesgo, escarmentados por 3 años de hype y por salidas tempranas que nunca completaron el ciclo de ROI, están ahora en guardia.

Como pasó con el hype de las criptomonedas, las cifras son brutales. La tasa de fracaso de las startups nativas de IA ha subido hasta aproximadamente el 90 %, bastante más que la del SaaS tradicional. El motor principal es la velocidad de consumo de caja: la mayoría llega a un estado zombi entre los 12 y los 18 meses, vivas sobre el papel y como MVP (producto mínimo viable o, ahora, MLP, Minimal Lovable Product) pero incapaces de crecer, de captar fondos o de salir.

Mientras tanto, la capa de infraestructura cuenta otra historia. Nvidia tiene más demanda de la que puede abastecer, y eso es lo contrario de una burbuja. Es una restricción de oferta. Los hiperescaladores son rentables, generan caja y gastan cientos de miles de millones en capacidad. La narrativa de la “burbuja de la IA” fue sobre todo miedo a corto plazo y manipulación del mercado a nivel micro, no un colapso sistémico a punto de ocurrir.

La otra cara del hype del momento: muchas corporaciones cometieron el error contrario. Despidieron a gente demasiado pronto, aunque eso mostrara su verdadera naturaleza y todo el negocio de greenwashing en el que invierten con movimientos de relaciones públicas (desde la pandemia) para convencer de que son humanas, o con esa retórica falsa de “somos todos una familia”; muchas se dejaron convencer por demos a pequeña escala de que la IA podía sustituir funciones a gran escala. No pudo, al menos todavía (mal momento para los codiciosos). Se perdieron millones porque las herramientas no estaban listas y no escalaban. Ahora esas mismas empresas frenan las contrataciones, invierten mucho en “matar riesgos” y reconstruyen la cautela dentro de su estrategia de IA.

El cambio empezó hacia mediados de diciembre de 2025. Fue entonces cuando apareció la primera oleada de agentes de IA realmente fiables, no perfectos, pero con cambios tempranos de fiabilidad. Más autónomos. Más predecibles. Más desplegables. Lo que viene después se construye sobre eso, no sobre el hype anterior. Miles de startups lanzaron productos que eran poco más que interfaces finas sobre modelos de base, una interfaz de chat por aquí, una plantilla de prompt por allá, quizá algo de automatización básica de flujos de trabajo. Parecían productos. Captaban dinero como productos. Pero no eran productos defendibles. Eran wrappers.

En 2026, esa burbuja se desinfla y el mercado de la IA empieza a estructurarse. A medida que los modelos de base (OpenAI, Anthropic, Gemini, xAI, Mistral) amplían sus capacidades, ofrecen integraciones nativas y recortan los precios de las API, gracias a una inferencia más rápida, el valor de ser “solo un wrapper” sin una ventaja competitiva duradera simplemente se hunde. En una época en la que el usuario puede generar una interfaz personalizada para una UX más cómoda, la mayoría de los wrappers desaparecen. Sobreviven los que construyeron algo que los proveedores de modelos no pueden o no quieren construir: experiencia vertical profunda, datos propios, integraciones de flujos de trabajo que llevaron años construir o relaciones de confianza que una API no puede replicar.

El mercado madura. Menos jugadores sobreviven más allá de su primer año, pero los que lo hacen tienen fosos defensivos reales.

Nuevas trampas, nuevas responsabilidades

Cursor demostró esta paradoja a principios de 2026, cuando hizo funcionar agentes de IA de forma autónoma durante una semana para construir un navegador web desde cero, más de un millón de líneas de código Rust, quemando billones de tokens. ¿El resultado? Algo que “más o menos funciona”. Los sitios web sencillos se renderizan. Los complejos fallan. Los críticos calificaron la base de código de “basura de IA”. Ni siquiera llegaba a compilar. No es software de producción. Es una demo a escala. Pero aun así resulta interesante cuando comparamos la autonomía de lo que viene con enjambres de agentes de IA a escala.

Como jugada de capital riesgo, es brillante. Los inversores ven impulso. Los desarrolladores y los usuarios ven herramientas en vivo. Nadie prometió nada; mostraron algo. En el viejo ciclo del hype, las empresas captaban dinero con hojas de ruta y visión. ¿Ahora? Lanzar primero, explicar nunca. El changelog se convierte en el pitch deck.

Pero aquí está la trampa: puedes gastar “confianza del usuario” más rápido de lo que la construyes.

Cada función nueva obliga a reaprender. Cada cambio de interfaz cuesta carga cognitiva. La IA puede generar código infinito, pero no puede regenerar la disposición del usuario a seguir adaptándose, cada semana o cada día. Cuando dejamos una herramienta el viernes, esperamos ver el mismo menú o el mismo botón en el mismo sitio el lunes. Para los inversores que miran desde fuera, la velocidad parece innovación. Para los usuarios que viven dentro de la herramienta, la velocidad se convierte en una nueva fricción.

Apple lo entendió hace décadas. Trata la interfaz como un cimiento: los cambios visibles se hacen despacio, de forma deliberada y con consenso. Los parches de seguridad y las mejoras de rendimiento corren de manera invisible entre bastidores. Los usuarios confían en los iPhone porque el gesto de “atrás” no ha cambiado en una década. Esa previsibilidad es el capital con el que comercian.

Anthropic sigue una lógica parecida. Claude Code CLI sigue siendo una interfaz de terminal, estable, minimalista, sin GUI (interfaz gráfica de usuario) que recolocar. Pero cuando quisieron llevar el mismo flujo de trabajo con agentes a usuarios no técnicos, no se limitaron a añadir funciones encima. Construyeron Claude Cowork. Un producto con GUI aparte, diseñado con intención, dentro de la aplicación Claude Desktop, lanzado en enero de 2026. La capacidad evolucionó, pero la interfaz siguió siendo intuitiva.

La pregunta que deberían hacerse los inversores no es “¿con qué rapidez lanzan?”. Es: ¿qué pasa cuando los usuarios dejan de poder seguir el ritmo?

El hype evoluciona de los anuncios a las demos deepfake

El hype no desaparece. Se adapta.

La vieja guía, los anuncios con keynote y los pitch decks pulidos, pierde impacto porque todo el mundo ya lo ha visto. Así que las empresas innovan en el engaño. Las demos de producto deepfake se convierten en el nuevo cebo para inversores.

Lo vimos en el CES 2026, donde incluso un periodista tecnológico estadounidense lo llamó… el Chinese Electric Show. Vídeos conceptuales de productos electrónicos y de aplicaciones de IA que parecían terminados, funcionales y listos para lanzar. Renders pulidos. Interfaces simuladas. Portavoces generados por IA que demostraban funciones que pueden ser técnicamente posibles o no. El público ya no sabe distinguirlo. La mayoría de los inversores, tampoco.

Esto es la venta de conceptos a escala industrial. El objetivo no es mostrar lo que funciona. Es mostrar lo que podría funcionar, justo con la convicción suficiente para cerrar la ronda. Si se lanza, si siquiera es viable, ese es un problema para más tarde.

La consecuencia es una brecha de confianza. Los compradores sofisticados empiezan a exigir demos en directo, acceso al código fuente o verificación por terceros. Los compradores poco sofisticados siguen financiando vaporware. La división se ensancha hasta que el mercado descorre la cortina.

19. Resultados de IA como servicio

2025 dejó al descubierto una parte oculta de la burbuja de la IA. Dejó al descubierto un fallo sistémico de ejecución impulsado por los incentivos, no por la tecnología. La mayoría de las iniciativas de IA fracasaron mucho antes de que los modelos de IA fueran el problema. La causa raíz fue lo que las empresas suelen llamar procurement (compras) de una automatización de IA en un negocio (que no significa solo comprar, sino toda la cadena de toma de decisiones en torno a la selección de proveedores, la validación de viabilidad, el precio, la asignación de riesgos y la rendición de cuentas). En la práctica, esta cadena estuvo mal auditada y se hizo con tanta prisa que quedó desconectada de la realidad técnica.

Durante el pico del hype de la IA, algunas empresas de consultoría de IA o de ingeniería de software tenían esta recompensa estructural en ventas por cerrar contratos rápido, y no por estar realmente seguras de entregar resultados reales. Los equipos de ventas vendían promesas primero y comprobaban la viabilidad después, a menudo vendiendo capacidades de IA poco especificadas, no probadas o ni siquiera validadas técnicamente. Una vez firmados los jugosos contratos, con un buen bonus para el comercial, el departamento técnico, con sus ingenieros de software, se quedaba con una patata caliente imposible de sostener. ¡Y a veces quema fuerte!

El paso crítico que faltaba era que algunos de estos comerciales codiciosos no invitaban a la llamada a expertos en la materia ni a los ingenieros de software que construían, para comprobar si era realmente viable técnica o económicamente. En un sistema sano, toda iniciativa de IA o de automatización empieza con un estudio de viabilidad dirigido por verdaderos expertos técnicos, arquitectura de software, ingeniería de datos, integración de sistemas... Este trabajo puede incluso venderse por separado y debería condicionar todo lo que viene después. En su lugar, se omitió o se sustituyó por investigación generada por IA (basura), auditorías superficiales y relleno de vídeos de demostración, sin barreras de protección frente a las alucinaciones, la calidad de los datos o los límites de escala.

Dentro de estas organizaciones de entrega, esto creó una fricción interna previsible. Los ingenieros y los desarrolladores recibían proyectos económica o técnicamente inviables a escala. Muchas soluciones funcionaban en demos o para un solo usuario, como veíamos en las redes sociales con los hiperinfluencers, y luego se derrumbaban ante el volumen real, la complejidad de integración, los requisitos de seguridad o el cambio organizativo. Esto no fue incompetencia a nivel de ingeniería; podría ser un fallo estructural de incentivos.

Cuando los resultados no llegaron, las empresas clientes reaccionaron a la defensiva. Siguieron los despidos, no porque la IA sustituyera a las personas, sino porque la dirección necesitaba recortar costes tras haber asignado mal el capital. La narrativa de que “la IA sustituye empleos” sirvió como mensaje conveniente de relaciones públicas y para inversores, ocultando el clásico recorte de costes posterior a la inversión, a menudo acompañado de greenwashing y de un espectáculo escenificado de inversión en innovación. Así que esta fue una de las realidades duras y de las historias que nunca verás oficialmente en los medios de comunicación tradicionales.

En 2026, el modelo de negocio se ve forzado a adaptarse. Las soluciones SaaS o de marca blanca vendidas como acceso, o la consultoría vendida por horas, pierden credibilidad. El mercado empieza a cambiar. Del SaaS (software como servicio) al OaaS (Outcome as a Service, resultados como servicio). Es decir, de la obligación de medios a la obligación de resultados más incentivos, donde los proveedores comparten los resultados para bien o para mal, como un matrimonio.

Algunas empresas chinas, como Bairong, por ejemplo, anunciaron públicamente una estrategia de Results as a Service y una plataforma “Results Cloud” vinculada a resultados, con varios modos de “intercambio de valor”, como los precios por tarea y la “remuneración por puesto”. En EE. UU., la misma lógica surge a través de adquisiciones. La compra de Manus por 2.000 millones de dólares por parte de Meta a finales de 2025 indica que las grandes tecnológicas apuestan por agentes de IA que entregan resultados de extremo a extremo, no solo API. Manus procesó más de 147 billones de tokens y dio soporte a 80 millones de ordenadores virtuales (VM), pero la adquisición no iba del volumen de tokens. Iba de la fiabilidad de la ejecución. Cuando una empresa como Meta adquiere una plataforma de agentes, compra la capacidad de prometer resultados, no solo el acceso.

En este modelo, a los proveedores ya no se les paga principalmente por esfuerzo, diapositivas, informes (generados con basura de IA) o licencias. La remuneración se vincula con el impacto medible, mediante honorarios por rendimiento, reparto de ingresos o precios condicionales en los que el pago depende de los resultados. Esto no es idealismo. Es economía de la reputación. Los tiempos de ser mediocre y estar cómodo (fingiendo trabajo o facturando horas) dan paso a un mercado más competitivo, donde la única opción es ser el mejor para alcanzar la excelencia.

Esta transición no será universal. Los modelos basados en resultados solo funcionan cuando los KPI son medibles, las líneas base están claras, los datos son limpios y la atribución es auditable. Pero la dirección está marcada. En 2026, el mercado empieza a pagar por resultados, no por optimismo, ni por promesas como las que esos políticos intentan venderte en su campaña, sino el fin de las expectativas delirantes en el País de las Maravillas y una corrección de narrativas ingenuas en extremo, difundidas en bucle por esos influencers del hype de la IA.

20. Las herramientas creadas rápido con IA generan riesgo a largo plazo

La IA permite crear herramientas rápidamente a personas que nunca estuvieron pensadas para ser responsables de sistemas de producción.

Muchas herramientas internas se lanzan sin un responsable claro, sin documentación, sin barreras de seguridad ni planes de mantenimiento. Funcionan lo justo para depender de ellas, y lo bastante mal para ser peligrosas.

Como nadie las entiende del todo, arreglarlas da miedo. Los problemas se posponen. Las dependencias se extienden. Con el tiempo, el riesgo silencioso se acumula.

Al final, las funciones internas de gobernanza y control de riesgos intervienen, no para frenar la innovación, sino para detener la exposición descontrolada imponiendo estándares, responsables, documentación e interruptores de emergencia.

Aquí es donde la rendición de cuentas se vuelve inevitable. Los sistemas construidos deprisa suelen parecer correctos en la superficie, tan correctos que los no expertos no notan la diferencia. Pero bajo la interfaz, los cimientos son finos o inexistentes. Es como apilar plantas sobre una base inestable; todo parece sólido hasta que las pruebas de estrés, la escala o los casos límite hacen que se extiendan las grietas.

Las organizaciones con un conocimiento profundo pueden absorberlo. Los equipos que saben razonar sobre sistemas, documentar decisiones y reconstruir desde los primeros principios pueden producir más con la misma plantilla. Otros descubren demasiado tarde que la velocidad sin rendición de cuentas produce deuda. Deuda técnica de una implementación apresurada que no pueden permitirse pagar con el tiempo de los desarrolladores dedicado a reparar o refactorizar.

21. Europa acelera la soberanía digital por necesidad, pero todavía no puede costearla

Los costes crecientes, la dependencia geopolítica y la incertidumbre regulatoria obligan a las organizaciones europeas a replantearse dónde y cómo funcionan los sistemas críticos. Pero la realidad es dura: los hiperescaladores estadounidenses (AWS, Microsoft, Google) controlan aproximadamente entre el 65 % y el 85 % del mercado europeo de la nube, y dejan a los proveedores locales con una fracción de la cuota.

La comodidad de la nube se sopesa frente a la previsibilidad, el cumplimiento normativo y el control a largo plazo. Algunas cargas de trabajo se desplazan hacia entornos locales o regionales aunque sean menos cómodos o más lentos de desplegar.

El coste del cambio es la primera barrera. Aunque los casos de estudio muestran que reubicarse a nivel nacional desde la nube de EE. UU. puede acabar reduciendo las facturas mensuales en torno a un 60 %, el coste inicial de la migración es enorme. Requiere meses de tiempo de ingeniería, rediseñar los flujos de datos y gestionar la “gravedad de los datos”, que hace prohibitivamente caro mover petabytes.

El cambio no es ideológico. Es defensivo. El riesgo de los aranceles es ahora real, con proyecciones de subidas de precios de entre el 10 % y el 25 %, o incluso más si se agravan las guerras comerciales. Los CIO europeos afrontan una doble amenaza: costes disparados de los servicios estadounidenses, o una experiencia “degradada” de esos servicios en la que las últimas funciones de IA se retienen o se retrasan en Europa por la fricción regulatoria.

La soberanía digital pasa de eslogan político a requisito operativo, pero es cara. Construir infraestructura soberana exige capital, energía, terreno, talento y tiempo. Esa realidad obliga a las empresas a diversificar en lugar de sustituir por completo sus dependencias actuales, para reducir los riesgos.

Esto también deja al descubierto un problema más profundo. La regulación por sí sola no puede resolverlo. Las reglas estáticas, iguales para todos, se rompen en sistemas de IA que se mueven rápido. Lo que hace falta son reglas dinámicas que se adapten al contexto, al tipo de transacción, al nivel de riesgo y a la intención.

En 2026, la soberanía no se impone prohibiendo sistemas, sino exigiendo puntos de control, registros, reversión y responsabilidad local. Las leyes pasan de decir lo que está permitido en teoría a verificar lo que ocurre de verdad en la práctica.

22. Las restricciones de energía y agua afectan directamente a los presupuestos de IA

La IA deja de ser un gasto abstracto de software y se convierte en uno físico.

La disponibilidad de energía, los límites de refrigeración y el uso de agua determinan ahora dónde y cómo puede funcionar la IA. Estas restricciones se reflejan directamente en los precios, en los topes de capacidad y en las disparidades regionales.

En 2026, las decisiones de infraestructura ya no son puramente técnicas. Son ambientales, políticas y financieras a la vez.

La eficiencia se convierte en un requisito estratégico, no en una mejora opcional, porque los costes de la IA están ahora limitados por insumos físicos: energía, agua para refrigeración, capacidad de la red eléctrica y minerales críticos para chips (cobre), cables y baterías.

Esto crea asimetrías geopolíticas. China tiene ventajas estructurales para movilizar energía, terreno y cadenas de suministro industriales a gran escala, aunque afronta sus propias restricciones regionales en las provincias del norte con escasez de agua y en la tensión de la red eléctrica. Europa tiene una regulación más sólida y tecnología avanzada, pero concesiones más difíciles cuando la energía es cara, las redes están limitadas y los permisos son lentos.

La presión política también aumenta. Los gobiernos tienen que justificar por qué los centros de datos merecen prioridad cuando los ciudadanos también quieren facturas estables, servicios estables y mejores pensiones. El relato de la IA se convierte en una promesa de retorno futuro, pero ese retorno todavía no es visible para la mayoría de la gente.

23. Los modelos más pequeños y baratos ganan en el uso real

El único camino sostenible es hacer más con menos: modelos más pequeños, mejor enrutamiento, menos desperdicio y más computación local donde tenga sentido. Los ganadores no son los equipos con el relato de IA más ruidoso, sino los que pueden demostrar una producción fiable por unidad de energía, agua y coste.

En producción, la previsibilidad gana a la potencia bruta.

Los modelos más pequeños, que son más baratos, más rápidos y más fáciles de controlar, suelen ofrecer una mejor relación entre coste y rendimiento que los modelos de frontera para muchas tareas empresariales rutinarias. Son más fáciles de auditar, de presupuestar y de integrar en los sistemas existentes.

A medida que el coste y la fiabilidad importan más, los equipos eligen sistemas adecuados para su propósito en lugar de la máxima capacidad. El liderazgo en benchmarks pierde relevancia frente a la estabilidad operativa.

La ventaja competitiva pasa de tener el modelo más grande a tener el mejor alineado.

24. La pila tecnológica pasa del lenguaje a la visión y la acción

En 2026, el centro de gravedad va más allá de los LLM (modelos de lenguaje grandes).

Primero llegan los LVM (modelos de visión grandes). Desde el lanzamiento de NanoBanana Pro, los sistemas empiezan a razonar sobre lo que ven: imágenes, pantallas, entornos, disposiciones físicas. Esto permite la inspección, la monitorización y una comprensión situacional que el texto por sí solo no puede dar.

Después llegan los LVA (modelos grandes de vídeo y acción). Estos conectan la percepción con secuencias de acciones y se convierten en el primer paso práctico hacia sistemas híbridos (como los robots) que ven, deciden y actúan.

En 2026, las arquitecturas ganadoras combinan lenguaje, visión y acción en lugar de apostar solo por el texto. El control, la seguridad y la verificación se vuelven más difíciles, pero los sistemas se vuelven mucho más capaces.

Al mismo tiempo, el modelo de interacción cambia. El chat como ir y venir interminable pasa a un segundo plano frente a las interfaces de voz y a los sistemas de agentes que ejecutan acciones concretas a gran velocidad. El valor pasa de darle vueltas en bucles conversacionales a ejercer la capacidad de acción: decidir, actuar, validar y seguir adelante.

Durante los últimos años, los LLM (modelos de lenguaje grandes) fueron un paso necesario para escalar el razonamiento y la coordinación, pero no son el punto final. Son una capa de transición. La arquitectura dominante a corto plazo son los modelos híbridos LLM/LVA con World Models, donde los modelos se ocupan de la abstracción, la explicación y la coordinación, y los modelos de visión, vídeo y acción se ocupan de la percepción y la ejecución. Juntos, llevan la IA de hablar sobre el trabajo a hacerlo de verdad.

25. La alfabetización en IA pasa a ser un requisito básico de contratación, no una especialidad

En 2026, “sabe usar IA” deja de ser un factor diferenciador y se convierte en una expectativa básica, como el correo electrónico, las hojas de cálculo o las videollamadas.

Las ofertas de empleo ya no mencionan las competencias en IA como algo especial. Las dan por supuestas. La pregunta pasa de si usas IA a lo bien que operas con ella.

La restricción real ya no es la capacidad. Es la arquitectura cognitiva: cuánto puedes sostener en la cabeza mientras los agentes funcionan, lo bien que cambias entre la dirección de alto nivel y la validación en profundidad, y si sabes distinguir entre los patrones que delegas y el criterio que no puedes delegar.

Las personas que construyen y prosperan no son las que hacen mejores prompts. Son las que han actualizado su relación con su propia cognición. Saben dónde escalan y dónde no. Tratan la IA no como una herramienta que manejan, sino como un espejo que revela dónde su pensamiento es claro y dónde es turbio.

Esto crea una brecha creciente. Por un lado: las personas que aprendieron la IA como un paquete de habilidades, trucos de prompts, atajos de flujos de trabajo y soltura con las herramientas. Por otro, las personas que han reestructurado su forma de trabajar, que saben cuándo fiarse del resultado, cuándo profundizar y cuándo dar un paso atrás y reflexionar.

El primer grupo se convierte en commodity. El segundo, en un multiplicador de fuerza.

Los filtros de contratación se actualizan en consecuencia. Se descarta a los candidatos que solo saben usar prompts. Se contrata a los candidatos que saben operar sistemas, validar resultados, cambiar de altitud de forma deliberada y explicar lo que entregaron, no solo que lo entregaron.

La ironía es que cuanto más gestiona la IA, más valiosa se vuelve la persona que entiende lo que ella no puede.

26. La fragmentación regional de la IA crea sistemas incompatibles

EE. UU., la UE y China ya no están construyendo el mismo futuro de la IA. Cada región está creando su propio marco regulatorio, técnico y ético, y esos marcos son cada vez más incompatibles.

En Europa, el Reglamento Europeo de IA (AI Act) impone transparencia, clasificación de riesgos y supervisión humana. En EE. UU., la regulación sigue fragmentada y dirigida por la industria, con una coordinación federal mínima. En China, las restricciones de contenido, la localización de datos y los requisitos de alineamiento con el Estado determinan lo que los sistemas de IA pueden y no pueden hacer.

La consecuencia: sistemas de IA que funcionan legalmente en una región incumplen la normativa en otra. Un modelo entrenado con datos de EE. UU. puede vulnerar el RGPD. Un agente diseñado para plataformas chinas puede requerir filtros de censura que rompen la funcionalidad en otros lugares. Un flujo de trabajo europeo con pistas de auditoría completas puede ser demasiado lento y costoso para las startups estadounidenses que se mueven rápido.

Esto crea tres problemas prácticos:

  • La portabilidad se rompe. Las empresas multinacionales no pueden desplegar una única pila de IA a nivel global. Necesitan versiones regionales, cada una con capacidades, barreras de protección y tratamiento de datos distintos.
  • La interoperabilidad sufre. Los agentes que operan a través de las fronteras chocan con fricciones: requisitos de registro incompatibles, modelos de consentimiento distintos, reglas de responsabilidad que no encajan.
  • El talento y las herramientas divergen. Los desarrolladores se especializan en el cumplimiento regional. Las herramientas se fragmentan. Las buenas prácticas ya no se trasladan con limpieza.

En 2026, las empresas que habían dado por hecho que la IA sería una infraestructura global descubrieron que se está convirtiendo en una infraestructura regional, con capas de traducción, puentes de cumplimiento y fricción legal en cada frontera.

La ironía es que se suponía que la IA iba a trascender las fronteras. En cambio, las fronteras la están moldeando, más de lo que lo hicieron nunca la computación en la nube o el móvil. Lo que antes llamábamos “splinternet” para la web fragmentada se está convirtiendo ahora en la IA fragmentada (splinter AI): sistemas paralelos, reglas paralelas, futuros paralelos.

27. Las plataformas de empleo pierden relevancia cuando la señal colapsa

Las candidaturas redactadas con IA chocan con los sistemas de cribado con IA de los ATS (sistemas de seguimiento de candidatos) que usan los departamentos de RR. HH., o lo que queda de ellos, sistemas de cribado con IA, y ninguna de las dos partes confía en el resultado. Lo que parece eficiencia se convierte en un fallo de emparejamiento.

Los candidatos pueden ahora generar cientos de candidaturas a medida por semana. Los reclutadores responden automatizando el cribado con descripciones de puesto generadas por IA diseñadas para burlar esos mismos sistemas. El resultado es un bucle cerrado en el que el volumen sustituye a la intención y la relevancia desaparece. Los buenos candidatos se filtran junto con los malos, y nadie siente que controla la situación.

El coste real es invisible. Se pierde tiempo, se pierde la confianza y ambas partes se sienten impotentes. Los reclutadores confían más en las recomendaciones internas y en las redes conocidas. Los candidatos dejan de creer que el esfuerzo se correlaciona con los resultados.

Mucha gente ya lo está viviendo. La IA para la búsqueda de empleo genera materiales sólidos y a medida, pero la tasa de respuesta de las plataformas es sobre todo ruido. ¿Las entrevistas que de verdad se producen? Vienen del contacto directo, de las recomendaciones de la red, de eventos tecnológicos o de negocios, o incluso de canales poco convencionales como las apps de citas (sí, lo has leído bien, esa desesperación creativa a la que se llega para burlar el sistema).

Plataformas como LinkedIn llevan derivando hacia un comportamiento de plataforma de consumo desde la pandemia. No siempre, no todos, pero lo bastante como para parecerse a un feed de Facebook.

Carruseles pulidos, infografías generadas con IA que parecen arte pero no dicen nada, cebo de interacción disfrazado de ideas, todo ello encaminado hacia contenido gratuito inútil. El feed se llena de publicaciones que nadie lee, y aun así todo el mundo publica. Pide a alguien que explique el razonamiento de su diagrama perfecto generado con IA, en especial por qué falla en ciertos escenarios: la mayoría no puede. Más allá de lo básico, ni siquiera conocen las reglas básicas de diseño de ese formato. Escribieron un prompt, obtuvieron algo brillante de NanoBanana Pro, de las imágenes de ChatGPT o de NotebookLM, y le dieron a publicar.

Parece que la teoría del Internet muerto iba por buen camino. Pero los síntomas ya se ven. A menos que pagues un plan Premium, porque algunos sitios web están blindados frente a los navegadores con agentes de IA, como ChatGPT Atlas o Perplexity Comet Browser, e incluso así…

La contratación se desplaza hacia las pruebas de trabajo, las contribuciones visibles, las comunidades y la validación humana directa. La señal se acerca a las personas y se aleja de las plataformas masivas. Esto favorece a quienes pueden mostrar artefactos reales, explicar cómo se construyeron y hablar de las contrapartidas y los fracasos.

28. La muerte del modelo freemium. Es hora de pagar un alquiler digital.

El modelo freemium del SaaS fue un embudo de ventas de 2 décadas posible gracias a unos costes marginales bajos. Para los productos nativos de IA en los que la inferencia es el valor central, ese modelo está muerto, con un matiz importante. El freemium sobrevive sin problemas cuando la IA es un mecanismo de distribución o una función, y no el producto. Muchas apps lo siguen usando. Pero cuando toda tu propuesta de valor quema tokens en cada interacción, no puedes subvencionar computación ilimitada para siempre.

El nuevo estándar de precios imita la telefonía de prepago: una cuota mensual que representa una asignación de tokens. Cuando la agotas, recargas. Este modelo de “pago por pensamiento” es el único camino sostenible para los servicios de IA que hacen un uso intensivo de la inferencia.

Esto crea una división peligrosa. La mayoría se aferra a las opciones gratuitas, creyendo que ahorra dinero. Se equivoca. El coste de oportunidad de lo “gratis” está aumentando porque la moneda ya no son solo los datos (con toneladas de contexto de chats de IA y toda tu terapia con IA), ¡son la atención y la capacidad de acción!

La atención es el recurso más escaso de la economía. Los modelos “gratuitos” consumen más atención para vender anuncios, pero con una adicción distinta de la del tradicional doomscrolling, el TikTok o el Instagram que pudren el cerebro, y dejan a los usuarios sin espacio mental para aprender, crecer o actuar. Sin espacio para la capacidad de acción. Se vuelven reactivos en lugar de proactivos, atrapados en bucles o en pensamientos rumiantes y complacientes diseñados para monetizar su pasividad. La forma de consumo cambió, pero sigue siendo un consumo ensoñador sin una acción realmente valiosa.

Los usuarios que pagan compran espacio. Compran herramientas que los sirven a ellos, no a un anunciante. Pueden obtener los medios para ganar capacidad de acción, aprender nuevas habilidades y seguir al día con lo que exige el mercado.

En 2026, la mentalidad cambia. Y para quienes todavía no lo han entendido… El acceso a la inteligencia nunca fue un derecho fundamental, sino una subvención temporal o un experimento a gran escala (que en su mayor parte salió bastante bien). Quienes pagan su propia computación conservan el control. Quienes no, se convierten en el producto, no en el sentido de la privacidad de los datos, sino en el sentido de su capacidad cognitiva.

El futuro del contexto y la colaboración

29. El trabajo se reorganiza en torno al contexto compartido

A medida que los sistemas de IA entran en los flujos de trabajo, las herramientas separadas se convierten en pasivos.

Las decisiones, los documentos y los resultados de los agentes de IA necesitan vivir juntos para que las personas puedan entender qué pasó, por qué pasó y qué viene después. Los hilos de chat, los lienzos compartidos y los espacios de trabajo persistentes sustituyen a los archivos y las bandejas de entrada caóticos.

Este cambio deja al descubierto años de higiene de la información descuidada. Los equipos con estructura, nomenclatura y responsabilidades claras aceleran rápido. Los equipos con datos desordenados pasan la mayor parte de 2026 limpiando antes de que la automatización sea segura.

El contexto se convierte en la interfaz. Las organizaciones que invierten en él obtienen ganancias que se acumulan. Las que no se quedan atascadas explicando de nuevo su propio trabajo, perdiendo tiempo en bucles o fingiendo trabajar para justificar sus puestos, frente a la extinción.

Aquí es donde la colaboración real se vuelve imposible de fingir. La IA puede acelerar la producción individual, pero no puede sustituir la coherencia del equipo. El comportamiento muy individualista, promovido a menudo a nivel de consumo como independencia (palabras de moda como “libertad” te suenan, ¿verdad?), va en contra de escalar organizaciones. Ningún sistema complejo ha crecido nunca solo con esfuerzo aislado. Ni siquiera el hype en torno a los fundadores en solitario es sostenible. Necesitas delegar en personas, entre bastidores, algunas tareas antes de poder delegar (casi) por completo en enjambres de agentes de IA, por rápidos e inteligentes que parezcan esos agentes.

En 2026, los equipos usan la IA para investigar más rápido, generar opciones y explorar posibilidades, pero la validación ocurre de forma social. Las ideas se prueban frente a otras personas, se debaten, se refinan, se rechazan y se recombinan.

Por eso debemos mantener los pies en la tierra, y no deslizarnos hacia un exceso de confianza inducido por la IA. Incluso cuando las respuestas de la IA parecen impecables y difíciles de discutir en el momento, sin revisión por pares ni experiencia humana pueden aparecer más tarde errores costosos como sorpresas.

Las comunidades recuperan importancia, tanto las físicas (meetups, espacios de coworking, eventos del sector, grupos de negocios locales) como las online (Reddit, Stack Overflow, Discord, X (Twitter), foros de nicho), porque conservan el contexto, el razonamiento y la historia a través de vínculos sociales sobre todo humanos que los algoritmos artificiales no pueden replicar.

En cuanto a la parte online, el texto seguirá permitiendo el pensamiento lento, el desacuerdo constructivo y la acumulación de conocimiento compartido de maneras que el vídeo corto o el audio no pueden. Los mensajes de vídeo y de audio desbordan la atención; el texto se puede escanear, buscar y releer al ritmo del lector.

Hay una asimetría que conviene señalar. La voz le gana al teclado en la entrada (hablar es de 3 a 5 veces más rápido que escribir), pero el texto le gana a la voz y al vídeo en la salida (leer es de 2 a 7 veces más rápido que escuchar). Cuando el objetivo es la precisión o una consulta rápida, gana la escritura. Cuando el objetivo es absorber un resumen largo, una semana de hilos de Slack, notas de reuniones o actualizaciones del equipo, el audio funciona bien. Puedes escuchar tu aplicación de texto (Slack, Discord, WhatsApp) resumida como un pódcast mientras haces repeticiones en el gimnasio.

La ventaja competitiva ya no es quién puede generar más producción en solitario, sino quién puede mantener una comprensión compartida mientras avanza rápido.

30. La memoria cambia cómo delegan las personas

Cuando los sistemas de IA conservan el contexto a lo largo del tiempo, delegar deja de ser repetitivo y empieza a ser relacional.

En lugar de volver a explicar los objetivos, las restricciones, el tono y las preferencias en cada tarea, las personas empiezan a referirse a una historia compartida. Corrigen la dirección, afinan la intención y construyen sobre el trabajo anterior. Esto reduce la carga cognitiva, pero, sobre todo, cambia cómo se forma la confianza entre las personas y los sistemas.

El valor aquí no es la velocidad bruta. Es la continuidad. El trabajo pasa de tareas aisladas a procesos que evolucionan. Delegar se parece menos a dar órdenes y más a liderar algo que recuerda lo que importó antes.

Esto también explica por qué la memoria aumenta las expectativas en lugar de reducirlas. Cuando un sistema recuerda decisiones pasadas, las personas esperan coherencia. Los errores repetidos parecen descuido, no azar. La incoherencia parece negligencia, no error.

También hay una cuestión de control importante: cuando los sistemas de IA lo recuerdan todo, a las personas les resulta mucho más difícil decir “no lo sabía” o “no me acuerdo”.

Aquí aparece un nuevo modo de fallo, al que llamo contaminación de la memoria. Es cuando la memoria se acumula sin curar, y supuestos obsoletos, interpretaciones incorrectas, decisiones parciales y alucinaciones pasadas se filtran en el trabajo futuro. El sistema no solo recuerda hechos; recuerda errores, medias verdades y direcciones abandonadas, y los trata como contexto.

Esto reconfigura sutilmente el pensamiento. La lluvia de ideas se sesga hacia caminos antiguos. Los proyectos derivan porque los errores anteriores se amplifican en lugar de cuestionarse. El problema no es solo la alucinación, es la memoria contaminada que parece coherente y, por tanto, fiable.

Esto obliga a redefinir la fuente de verdad. La memoria no puede tratarse como verdad por defecto. Las organizaciones y las personas deben definir explícitamente qué tiene valor de referencia, qué es provisional y qué debe caducar.

En la práctica, esto introduce nuevos rituales en 2026: revisiones de memoria, reinicios de contexto, anclas de verdad explícitas y puntos de control en los que se revalidan los supuestos. Delegar con memoria solo funciona cuando la memoria se gobierna de forma activa. De lo contrario, la continuidad se convierte en un encierro narrativo, en el que el sistema sigue con confianza en la dirección equivocada.

31. La voz sustituye a las entradas de texto

Mucha gente sigue teniendo impresiones anticuadas de la IA de voz: entrecortada, con retardo, robótica. Esa percepción era acertada hasta hace poco, pero la tecnología ha evolucionado por debajo.

La arquitectura antigua era un proceso de 3 etapas: STT (voz a texto), después el texto procesado por un modelo de lenguaje y después TTS (texto a voz). Cada etapa añadía latencia lenta y perdía información, tono, emoción, ruido de fondo y ritmo. El resultado parecía mecánico porque era mecánico: 3 sistemas separados pegados entre sí.

La nueva arquitectura es la voz a voz nativa. Un único modelo procesa el audio de extremo a extremo y conserva el matiz, incluso al razonar y responder en milisegundos en lugar de segundos. El umbral de 300 ms para una conversación natural se alcanza ya de forma rutinaria. La experiencia parece humana porque el sistema por fin percibe y responde como un humano e imita emociones.

El vídeo todavía no ha llegado a ese punto. Las conversaciones de vídeo en tiempo real exigen una inferencia continua con un ancho de banda mucho mayor que el audio. Hasta que los costes de inferencia bajen más, acelerados por movimientos como el acuerdo de 20.000 millones de dólares de Nvidia con Groq[[2]](https://www.cnbc.com/2025/12/24/nvidia-buying-ai-chip-startup-groq-for-about-20-billion-biggest-deal.html) a finales de 2025, la IA de vídeo en directo seguirá siendo simulada mediante avatares de vídeo de IA a partir de una foto con sincronización labial, en lugar de una verdadera comprensión de vídeo en tiempo real.

Esto democratiza la acción pero no elimina la rendición de cuentas. Decir algo en voz alta es más fácil que configurar un sistema, pero las consecuencias son las mismas.

A medida que se extiende la automatización por voz, el cuello de botella se desplaza. Dar instrucciones se vuelve algo sin esfuerzo. Revisar los resultados pasa a ser lo difícil. La voz acelera el acceso. No sustituye al criterio.

32. Se confunde a los robots con una sola categoría, pero sus riesgos no son los mismos

En mi tiempo libre, como afición, empecé a estudiar robótica hace poco (empieza por el curso de código abierto con Hugging Face), lo que sorprende a mucha gente que me conoce. Antes de los negocios y la ingeniería, e incluso antes de competir en deportes como el powerlifting, estudié y trabajé en electrónica y telecomunicaciones, y con lo que está pasando ahora con la IA, este es el momento perfecto para recombinar software y hardware. Y es súper divertido construir tu propio kit DIY (hazlo tú mismo). Antes jugaba con una Raspberry Pi. Ahora es increíble lo que puedes hacer en casa con pequeños kits de robótica, automatización básica y componentes estándar del mercado. Pero la demanda real es industrial. Al contrario de lo que cuenta la historia popular de que “los robots lo automatizarán todo”, los robots siguen necesitando a personas: para programarlos, mantenerlos, protegerlos, certificarlos y diseñar procedimientos operativos seguros. Antes de que los robots puedan siquiera acercarse a algo parecido a la autorreplicación (la fantasía de la colonia en Marte), el mundo necesitará a mucha gente cualificada que entienda la robótica del mundo real.

En otras palabras, la robótica se está convirtiendo en una de las habilidades de mayor palanca que aprender antes de que el mercado madure. El debate público trata a los robots como una sola ola, pero en la práctica se dividen en categorías muy distintas, con plazos y riesgos muy distintos.

Los robots industriales siguen expandiéndose de forma constante. Estos sistemas operan en entornos controlados, fábricas, almacenes, líneas de producción, donde los límites de seguridad están claros y los modos de fallo se conocen. Su adopción se acelera en 2026 porque son predecibles y económicamente racionales.

Los robots de entretenimiento crecen después. Estos ya han aparecido en espectáculos en directo, exposiciones, eventos de marketing y actuaciones híbridas con personas (en China bailan bastante bien). Su papel es el espectáculo, no la responsabilidad. Un fallo es embarazoso, no letal, lo que los convierte en un terreno de pruebas aceptable para nuevos modelos de interacción.

Los robots domésticos y de cuidados son los que más se retrasan. Un robot físico dentro de un hogar no es solo un dispositivo; es una posible superficie de ataque. Si se compromete, se convierte en un vector directo de daño físico. Un robot doméstico hackeado representa uno de los vectores de amenaza más íntimos imaginables: un actor remoto que controla un sistema físico cerca de personas vulnerables.

Los humanoides existen para que las personas se sientan cómodas. Están diseñados para la convivencia, para el trabajo de cuidados, para entornos donde la confianza importa y la gente necesita sentirse segura cerca de una máquina.

Pero la naturaleza personal de un robot doméstico comprometido crea un tipo de riesgo distinto. Se convierte en un caballo de Troya mecánico, pilotado por un hacker dentro de tu espacio íntimo, algo con lo que interactúan tus hijos, algo que se mueve por tu dormitorio, un trozo de metal que se gana la confianza de las personas.

En 2026, nuevas brechas de seguridad y demostraciones hacen visible este riesgo. Los primeros robots domésticos aparecerán entre los early adopters adinerados, más como símbolos de estatus que como necesidades, y entre las personas con discapacidad o mayores que más los necesitan. Los incidentes de privacidad, seguridad y control frenan la adopción masiva en lugar de acelerarla.

Los robots humanoides domésticos acabarán llegando, pero de 2 a 3 años más tarde de lo que sugiere el hype, con su inocente sonrisa de robot fregando platos y doblando ropa. Seguirán el camino de la industria del automóvil: regulados, asegurados y diseñados en torno a restricciones que ponen la seguridad por delante. Hasta entonces, los robots llegan a las fábricas y a los escenarios mucho antes que a los salones.

33. El UCP (Universal Commerce Protocol) convierte los mercados en sistemas de trading de agente a agente

Está surgiendo una nueva capa bajo el comercio electrónico y los marketplaces, un Universal Commerce Protocol (UCP, código abierto de Google, como el A2A) que permite que agentes de software descubran, negocien, realicen transacciones y liquiden directamente con otros agentes. Y sigue habiendo una única ley. ¡La oferta y la demanda!

Al principio, esto aparece en entornos B2B, compras, logística, compra de publicidad, recursos en la nube, equilibrio de inventario y servicios financieros. La velocidad, la estandarización y los contratos legibles por máquina hacen que la compra humana parezca lenta e ineficiente en comparación. Días o semanas frente a milisegundos. Una vez que los agentes de IA realizan transacciones y negocian con otros agentes de IA, el comercio deja de parecerse a ir de compras en la UX (experiencia de usuario) humana y empieza a parecerse al trading, al estilo del trading de alta frecuencia.

Los precios de algunos productos o servicios cambian de forma continua, como las criptomonedas, con una posible capa especulativa. El inventario se adquiere no para usarlo, sino para posicionarse estratégicamente. La escasez artificial se convierte en una táctica, no en un efecto secundario. Los agentes compran capacidad, bienes o acceso pronto, los agrupan y los revenden más tarde a precios más altos cuando la demanda alcanza su pico. La lógica refleja el trading de alta frecuencia, pero aplicado a bienes y servicios físicos.

Esto rompe el comercio electrónico tradicional y presiona a las tiendas físicas locales que dependen del descubrimiento, la comodidad o la competencia en precios. Cuando los agentes pueden comparar, negociar y ejecutar más rápido que cualquier persona, la ventaja de ser más barato o más visible se hunde.

Como respuesta, los embudos de venta evolucionan.

Los muros de pago dejan de bastar. En lugar de acceso abierto seguido de pago, las organizaciones introducen puertas de confianza. Primero viene la entrada, la transacción llega después. A los usuarios se les filtra, se les acepta y se les cualifica antes incluso de permitirles comprar.

Esto crea una nueva estructura, el “embudo de confianza”.

El acceso sustituye a la exposición. La pertenencia sustituye al alcance. Los muros de la comunidad sustituyen a los muros de pago.

La consecuencia económica es paradójica. A medida que los robots y los agentes de IA producen en masa bienes, servicios y contenido con una consistencia casi perfecta, la perfección pierde valor. Lo que es rápido, impecable y abundante se vuelve intercambiable.

La imperfección humana se convierte en el factor diferenciador.

Los productos, el arte y los servicios que llevan una restricción humana visible, lentitud, error e intención recuperan valor y pasan a ser de lujo. No a pesar de sus imperfecciones, sino por ellas. Lo que no se puede escalar con facilidad se vuelve escaso por naturaleza.

La autenticidad pasa de ser una afirmación a ser un proceso.

La prueba ya no es solo el objeto, sino el rastro documentado que hay detrás. La elaboración, el detrás de las cámaras, las decisiones, las revisiones, los retrasos, la narración de cómo llegó a existir algo. Los vídeos, los registros, las narrativas y los artefactos de proceso se convierten en señales de confianza y de humanidad.

El lujo, en este contexto, no se define solo por el precio. Se define por el tiempo, el cuidado y la implicación humana que la automatización no puede comprimir.

En un mundo en el que los agentes comercian con agentes a velocidad de máquina, el valor más defendible no es la eficiencia. Es ser inconfundiblemente humano.

Reflexión final

2026 es el año en que los costes ocultos se hacen visibles.

No quien tiene los modelos de IA más avanzados. No quien lanza las demos más rápido. No quien anuncia más fuerte. Sino quien puede operar sin perder el control.

3 años de aceleración de la IA nos enseñaron la lección equivocada. Optimizamos la capacidad cuando deberíamos haber optimizado la disciplina. Los mapas de decisiones, la velocidad de revisión, los niveles de riesgo, los rituales de limpieza, la gobernanza de la memoria, no son detalles operativos. Son la diferencia entre acumular y ahogarse en silencio en la deuda.

Lo que parece lentitud suele ser contención. Lo que parece velocidad suele ser tiempo prestado.

Tal como la formuló el Dr. Goldratt, la Teoría de las Restricciones establece que todo sistema tiene al menos un cuello de botella limitante y que, cuando lo elevas o lo eliminas, otro cuello de botella se convierte inevitablemente en el nuevo cuello de botella. La mejora es, por tanto, un ciclo continuo, no una solución puntual.

La IA no eliminó la responsabilidad. La concentró.

Así que la pregunta con la que entramos en 2026 no es si la IA es lo bastante potente.

Es si tienes la estructura para mantener el control cuando lo sea.

Y aquí va la extraña verdad de la que nadie habla: los sistemas que perduran no son los que eliminan la fricción. Son los que saben qué fricción conservar.

Pero no todo es riesgo

Sería deshonesto terminar sin reconocer dónde la IA está creando valor real y medible, no hype, no promesas, sino resultados validados.

La sanidad destaca. A finales de 2026, los sensores moleculares diseñados con IA probablemente detectarán entre 3 y 5 tipos de cáncer en fases tempranas mediante pruebas sencillas. Los candidatos a fármacos descubiertos con IA avanzan por los ensayos de fase III, y la primera aprobación llegará probablemente en un plazo de entre 12 y 18 meses.

Plataformas de salud mental como Wysa y Woebot ya tienen designaciones Breakthrough Device de la FDA, con ensayos controlados aleatorizados que muestran una mejora del 40 % en los síntomas de depresión[[3]](https://blogs.wysa.io/blog/research/wysa-receives-fda-breakthrough-device-designation-for-ai-led-mental-health-conversational-agent) y una reducción del 63 % de la soledad[[4]](https://www.wysa.com/reports).

Dentro de los hospitales, la transformación ya está en marcha. Más del 30 % de los hospitales de EE. UU. han desplegado IA generativa integrada con las historias clínicas electrónicas. La documentación clínica ambiental, la IA que escucha y transcribe las consultas con pacientes, se está convirtiendo en estándar y libera a los clínicos de 1 a 2 horas al día. Los modelos predictivos detectan el deterioro de un paciente antes de que el personal de enfermería observe un cambio clínico. Esto no es hype. Es infraestructura que se está construyendo.

El patrón está claro. La IA funciona mejor donde el problema está bien definido, los datos están estructurados, el ciclo de retroalimentación es medible y las personas siguen en el bucle para ejercer el criterio. La sanidad, con sus protocolos diagnósticos, sus ensayos clínicos y su validación regulatoria, encaja en este patrón. Y también otros ámbitos con una estructura similar. La lección no es que la IA sea buena o mala. Es que las ganancias son reales donde hay disciplina, y los costes son reales donde no la hay.

Una nota personal. Lo que estoy construyendo

Estas 33 predicciones no son solo observaciones. Están dando forma a lo que elijo trabajar.

Mi predicción para mí mismo. A finales de 2026, habré llevado a cabo al menos un taller piloto en las Islas Canarias, para comprobar si una educación en IA local y práctica puede dar a pymes y a particulares preseleccionados una verdadera capacidad de acción. Descubriré qué funciona, qué hay que ajustar y qué merece la pena hacer después. Eso solo ocurre empezando. En cualquier caso, tendré un artefacto, una prueba de trabajo o una prueba de fracasos experimentales acumulados, no solo un plan cogiendo polvo. Y los artefactos son lo que abre puertas.

La suposición que hay que probar en el mercado es simple (y mi lado contrario quiere que esté equivocada):

La mayoría de las pequeñas empresas y de los particulares se quedan atrás, no porque la IA sea inaccesible, sino porque nadie les enseña a usarla de forma práctica, asequible y en su propio contexto. Necesitan entender las brechas reales para acceder a lo que de verdad es posible: herramientas freemium frente a herramientas de pago frente a opciones de código abierto. Pero el acceso a una inteligencia real y práctica no basta. Las personas también necesitan distancia crítica, la capacidad de salirse del resultado y cuestionarlo. Necesitan reconectar con lo que hace valiosos a los humanos: el gusto, la curiosidad, el juego, la experimentación, el pensamiento crítico, el criterio, la intención y el arte.

Piénsalo como conducir. La IA es un coche más rápido. Ya no puedes permitirte seguir conduciendo despacio, pero tampoco puedes dejar que el coche rápido se conduzca solo, como los futuros coches autónomos. La persona sigue en el bucle, no como cuello de botella, sino como quien conduce.

El objetivo no es que te sustituya una máquina. Es convertirte en una versión aumentada de ti mismo: más afilado, más rápido, pero todavía inconfundiblemente humano. La brecha no es la inteligencia. Es el acceso a un apoyo práctico y la mentalidad para usarlo con sensatez.

Este artículo ha tratado sobre todo de riesgos, costes ocultos y lo que se rompe. Es intencionado; el hype los ignora. Pero hay una cara opuesta: las mismas herramientas que crean ruido y manipulación también crean oportunidad.

Las ventanas de oportunidad en los negocios son ahora más cortas, pero están por todas partes. Quienes siguen aprendiendo, quienes se mantienen en movimiento, quienes atraviesan la paja y las falsificaciones, todavía pueden atraparlas.

El camino hacia delante no es resistirse a la IA; es usarla sin que ella te use a ti. Eso requiere una educación que sirva a las personas, no a los proveedores. Herramientas que empoderen, no que extraigan.

Y, sobre todo, colaboración humana, no aislamiento.

Si este proyecto piloto escalable funciona en un lugar, puede funcionar en cualquier parte del mundo. Contaré más en una futura publicación.

Porque la pregunta con la que entramos en 2026 no es solo si las organizaciones están estructuradas para mantener el control. Es si lo estamos también nosotros como ciudadanos y como individuos. Y esa es una pregunta que merece ser puesta a prueba.

En la estética japonesa existe un concepto llamado wabi-sabi que encuentra profundidad en lo incompleto, lo desgastado y lo transitorio. Se opone en silencio al impulso implacable de la inteligencia artificial hacia el pulido y la optimización.

Paradójicamente, nuestras imperfecciones e ineficiencias humanas son expresiones de belleza.

¿Cuáles son tus predicciones?

#FutureOfWork #AIethics #Robotics