Emprende rápido, muere joven y deja un cadáver bonito

En Silicon Valley hay una ley no escrita que dice que "cuantos más datos y más capacidad computacional, más inteligencia". Me refiero a la inteligencia artificial generativa, no a la humana, que, como veremos más adelante, va por otra vía. Es una ley que, a pesar de no estar escrita ni demostrada, nos afecta mucho: tecnológicas, inversores, gobiernos y, en última instancia, todos nosotros actuamos como si fuera de la naturaleza, y como si lo que se cumple hoy se tuviera que cumplir siempre.

Y como tanto la capacidad computacional —GPU y centros de datos— como los datos tienen un precio, el corolario es que "a más dinero, más inteligencia". Para ponerlo en perspectiva: solo los cinco grandes hiperescaladores —Amazon, Alphabet, Microsoft, Meta y Oracle— prevén gastarse entre 775.000 y 800.000 millones de dólares este 2026 en infraestructura de IA: dos veces y pico el PIB de Catalunya.

"Amazon, Alphabet, Microsoft, Meta y Oracle prevén gastarse este 2026 dos veces y pico el PIB de Catalunya en infraestructura de IA"

Que sea una cuestión de presupuesto hace que, a priori, empresas como Google o Meta, millonarios como los infames Elon Musk o Larry Ellison, economías como la de los EEUU o de la China sean cada vez más "inteligentes". Que solo quiere decir más eficientes, no inteligentes en el sentido antropomórfico del término.

Un ejemplo de este ciclo virtuoso lo tenemos en la programación. Hoy, ningún programador pica código directamente, sino que lo "genera" con herramientas como el Codex de OpenAI, el Claude Code de Anthropic o el Copilot de Microsoft. Continúa decidiendo, pero a alto nivel, como un arquitecto de software (el problema es cuando un júnior se ve empujado a hacer de arquitecto sin tener la formación; por eso todos los "a priori" de antes). Anthropic explica cómo cada nueva generación de su Claude se ha programado con la anterior: el mayo pasado, más del 80% del código que entraba a producción lo escribía el Claude. Su jefe de producto lo resumió en cuatro palabras: "Claude ahora escribe Claude".

El único ensayo controlado y aleatorizado que se ha hecho —el de METR— dio lo contrario: dieciséis programadores experimentados, en repositorios que conocían de hace cinco años, tardaron un 19% más con IA que sin ella. Y lo mejor: al acabar estaban convencidos de que habían ido un 20% más rápidos. La productividad, como la inteligencia, también va un poco diferente según quien la mira.

En 2020, Jared Kaplan y la gente de OpenAI descubrieron unas "leyes de escala" que obedecían las redes neuronales: cuantas más datos les dabas, mejor funcionaban. Pero que las cosas hayan pasado siempre no quiere decir que siempre tengan que pasar. Si le preguntáis al capón que el granjero engorda para el día de Navidad si al día siguiente por la mañana recibirá su ración de pienso, os dirá que sí; y nunca estará tan convencido como el día de Navidad.

Hay dos leyes —estas sí que son de la naturaleza— que niegan la mayor: la capacidad de cómputo no puede ser infinita y los datos, tampoco. Y una tercera, económica: mientras los costes de entrenamiento crecen de manera exponencial, las capacidades lo hacen de manera lineal. En su artículo de 2022 titulado Deep Learning Is Hitting a Wall, Gary Marcus lo explicaba muy bien, tanto que es todavía vigente cuatro años después.

Del cómputo no hablaré demasiado. Basta saber que ya estamos en el límite cuántico: el grosor del óxido de puerta de un transistor se cuenta hoy en menos de un nanómetro, un puñado de átomos, y más compresión provocaría interferencias que cambiarían un cero en uno y al revés. La Ley de Moore, que en 1965 decía que los transistores se doblaban cada año, es, como la de Kaplan, una observación empírica y no una ley universal: en 2022, Jensen Huang, de Nvidia, que no es sospechoso de pesimismo tecnológico, ya firmó su defunción.

"La Ley de Moore, que en 1965 decía que los transistores se doblaban cada año, es, como la de Kaplan, una observación empírica y no una ley universal"

El otro muro es el de los datos. Estos modelos son motores de generación estadística basados en redes neuronales, a los que se necesitan muchos ejemplos para que puedan ser útiles. Un niño pequeño, con una docena, ya aprende qué es una cosa y qué es otra, incluso antes de que no pueda hablar. A una máquina le hace falta una cantidad inhumana de datos: ChatGPT ha procesado entre 10.000 y 100.000 veces más palabras que cualquiera de nosotros, que nos basta con 20 o 30 millones. El científico cognitivo de Stanford, Michael C. Frank, dice que los LLM lo pueden hacer, "pero todavía tenemos que quemar un bosque y recoger toda la suma de todo el conocimiento humano para recrear este hito que ocurre en nuestras salas de estar a lo largo de un año".

¿De dónde salen estos datos? En 2020, el año de la epifanía de Kaplan, salían de la internet abierta. Se coge todo lo que hemos publicado, se alimenta la red neuronal y ¡ale-hop! Magia. Pero esta es la fruta madura, la que todo el mundo puede coger y que no te da ninguna ventaja competitiva. Algunas empresas cosecharon los frutos de un poco más arriba: los vídeos de YouTube. OpenAI nos regala el modelo abierto Whisper, que transcribe audio en cualquier idioma, el catalán incluido. Pero tiene un truco: cuando lo usamos para transcribir una entrevista o una mesa redonda y lo publicamos, estamos trabajando para estas empresas.

Pero no es suficiente. Sabemos que Meta no tuvo ningún escrúpulo en bajarse enteras las bibliotecas pirata de Anna's Archive y LibGen —81 terabytes—, que no es lo mismo que cuando os bajáis un libro vosotros. Lo sabemos porque en correos internos sus ingenieros hablaban de cómo quitar las marcas que estos sitios dejan en los archivos. Anthropic, OpenAI y Google también lo han hecho. La fruta prohibida.

Pero esto también se acabó. Y entonces llegó Panamá, el nombre en clave que Anthropic dio a la operación: "nuestro esfuerzo por escanear destructivamente todos los libros del mundo", dice el memorándum que destapó el Washington Post en enero. Ciertas empresas compraban librerías enteras de tiendas de segunda mano, ricas en libros no digitalizados: fruta fresca.

Si quieres saber más

 

   

Josep M. Ganyet-Anthropic 451

Y la manera más eficiente de escanearlos resulta que es cortando el lomo, escaneando las páginas y vendiéndolas para hacer pasta de papel. Anthropic fichó a Tom Turvey, el jefe de alianzas de Google Books, para tal propósito. Paradójicamente, también resultó la manera más legal: el juez William Alsup dictaminó en junio de 2025 que, como se creaba un nuevo producto a partir del libro y el libro se destruía (si no hay original, no hay duplicado), no contravenía ninguna ley de propiedad intelectual. El mismo juez, la misma sentencia, dijo que bajarse siete millones de libros piratas no colaba: esto a Anthropic le ha costado 1.500 millones de dólares. El incentivo estaba servido.

Es por eso que Panamá se ha ido acercando. El librero de viejo Marçal Font Espí, de la librería Fènix de Badalona, recibió esta primavera una serie de pedidos curiosos: últimos ejemplares de libros de temáticas locales catalanas donde los costes de envío superaban con creces el precio del producto. Colegas suyos alemanes habían detectado lo mismo. Marçal se puso a trabajar con el experto en IA Xavier Vinaixa y, tirando del hilo, vieron cómo la sospecha se volvía certeza: la compradora era ZoomBooks, un intermediario canadiense disfrazado de empresa de reciclaje, y los libros viajaban a un almacén en las afueras de Chicago y de allí a una empresa que los escaneaba destruyéndolos.

El asunto ha llegado a todos los medios internacionales, e incluso el infame Musk hizo un tuit diciendo que ordenaría a SpaceXAI que conservara los libros raros y los escaneara sin cortarles el lomo (un bookwashing en toda regla: no dice qué es un libro raro ni promete nada para los demás). La web 404 media puso un AirTag dentro de uno de estos pedidos, de mil ejemplares: después de salir de California y pasar por Milwaukee, los libros llegaban a un almacén de Amazon en Las Vegas. Encima de la puerta se ve el logo de la división a la que van a parar: se llama VGT3 y es un tiranosaurio que devora un libro. Un Padrenuestro por la sutileza.

Pero aún hay otra fuente: los datos de las empresas difuntas. Hace una semana supimos que Google se había interesado por Spirit Airlines, la aerolínea que cerró en mayo. Los rumores de que Google montaría una aerolínea corrieron por redes, mar y aire. Al final resultó que (de momento) no, que solo estaba interesada en el cadáver exquisito de la aerolínea: en sus datos. Ha acabado pagando diez millones de dólares por 100 millones de correos, 500 millones de mensajes de Teams y 30 millones de líneas de código. Aquí está encapsulado el conocimiento para crear, operar y hundir una aerolínea. El precio demuestra que son datos valiosos y, si hacemos caso de la experiencia de compras de Google, el tiempo demostrará que es irrisorio.

"Google ha acabado pagando diez millones de dólares por 100 millones de correos, 500 millones de mensajes de Teams y 30 millones de líneas de código de la difunta Spirit Airlines"

Los entrenamientos han evolucionado mucho desde el 2020 de Kaplan. Si entonces lo que contaba era el volumen de datos, ahora la tendencia es entrenar modelos con simulaciones. Agentes autónomos toman decisiones en un entorno determinado —pongamos por caso la gestión de una aerolínea— y se les premia si lo hacen bien (el método está basado en lo que usamos para potenciar los buenos hábitos en nuestros hijos). Según The Information, Anthropic tenía previsto gastarse más de 1.000 millones de dólares en un año solo en estos entornos.

Seguiré atento a estas nuevas y creativas maneras de obtener datos para entrenar modelos de lenguaje. Debo reconocer que esta última, ubicada en la intersección del emprendimiento, el punk y la matanza del cerdo, me ha sorprendido. Emprende rápido, muere joven y deja un cadáver bonito, que lo aprovecharemos todo.