La industria informática que hemos conocido durante décadas se construyó sobre una decisión fundamental de los años treinta: fabricar máquinas matemáticas hiperliterales en lugar de sistemas modelados según la cognición humana. Según Marc Andreessen, ahora estamos apenas a unos pocos años de la llegada, con 80 años de retraso, de esa vía alternativa, desatando la revolución tecnológica más significativa de nuestras vidas, una que, en su opinión, empequeñece a internet en escala. Esta conversación explora el ritmo vertiginoso de la adopción de la IA, donde el crecimiento de los ingresos no tiene precedentes, los costos se están desplomando y toda la industria se está reconstruyendo antes de que los actores establecidos puedan reaccionar plenamente, mientras cuestiones estratégicas fundamentales sobre modelos de negocio, geopolítica y regulación siguen ferozmente sin resolverse.

Andreessen enmarca el panorama actual de la IA como una serie de “preguntas de un billón de dólares” que aún no tienen respuestas claras. Observa una evolución en dos vías, en la que enormes modelos propietarios “divinos” siguen avanzando rápidamente, mientras que los modelos de código abierto tanto de EE. UU. como de China replican con rapidez esas capacidades y las reducen para ejecutarlas eficientemente en hardware mucho más pequeño y barato. Esta dinámica está convirtiendo la inteligencia avanzada en una mercancía a una velocidad asombrosa. Además, la industria se está apartando de los ciclos históricos de las plataformas tecnológicas; en lugar de una lenta construcción de infraestructura y ecosistemas de desarrolladores, la IA se está propagando “a la velocidad de la luz” sobre el internet existente, con la demanda arrastrando la tecnología hacia el mundo mucho más rápido que cualquier innovación anterior.

La discusión también profundiza en la intensa carrera geopolítica, particularmente entre EE. UU. y China, que Andreessen considera una fuerza esclarecedora y, en última instancia, motivadora para la política estadounidense. Sostiene que la aparición de modelos chinos de código abierto creíbles, como DeepSeek y Kimi, ha hecho que los reguladores estadounidenses vean la situación con mayor sobriedad, reduciendo el apetito por el tipo de regulación paralizante que se ve en la UE. Sin embargo, ha surgido una nueva amenaza a nivel estatal en EE. UU., donde un mosaico de leyes potencialmente devastadoras podría fragmentar la innovación. A lo largo de todo esto, Andreessen enfatiza la ventaja única del modelo de capital de riesgo en un entorno tan incierto: la capacidad de apostar agresivamente por todos los futuros plausibles y, a menudo, contradictorios al mismo tiempo, desde modelos grandes frente a pequeños hasta código abierto frente a cerrado.

Ideas sorprendentes

• La IA es inherentemente deflacionaria: El costo por unidad de inteligencia (“tokens por consumición”) está cayendo más rápido que la Ley de Moore, impulsado por la competencia, las mejoras arquitectónicas y los ciclos de sobreoferta en chips y centros de datos. Se espera que esta hiperdeflación impulse una demanda explosiva.


• China es líder en IA de código abierto: Contrariamente a la narrativa habitual de China como un seguidor de sistemas cerrados, algunos de los modelos de código abierto más capaces y eficientes disponibles actualmente, como Kimi, están surgiendo de empresas y grupos de investigación chinos.


• La crítica del “wrapper de GPT” está al revés: Los primeros críticos descartaron a las empresas de aplicaciones de IA como simples “envoltorios” alrededor de modelos fundacionales sin ninguna defensa competitiva. En realidad, las aplicaciones líderes se están integrando hacia atrás, construyendo sus propios modelos especializados y entrelazando docenas de sistemas de IA, convirtiéndose en empresas de tecnología profunda por derecho propio.


• Ponerse al día es más fácil de lo que parece: La suposición de que construir un modelo de IA de frontera requiere recursos y talento intocables se está desmoronando. Ejemplos como xAI (Grok), que ha alcanzado capacidades comparables a las de OpenAI en menos de un año, sugieren que las barreras técnicas pueden ser menos profundas de lo que se creía, permitiendo una competencia rápida.


• Pánico público vs. adopción privada: Aunque las encuestas muestran al público en un “pánico total” por la posibilidad de que la IA destruya empleos, el comportamiento real revela que las personas están adoptando rápidamente y disfrutando estas herramientas en su vida personal y profesional, creando una fuerte divergencia entre la ansiedad expresada y el uso práctico.

Conclusiones prácticas

• Experimente con precios basados en el valor: Para las empresas que construyen con IA, eviten fijar precios simplemente según el costo (por ejemplo, por token). Exploren modelos que capturen un porcentaje del valor creado, como fijar precios en función del aumento de productividad de un profesional o del valor de una tarea automatizada.


• Planifique un ecosistema híbrido de modelos: No diseñe su arquitectura para un solo proveedor de IA. Diseñe sistemas que utilicen múltiples modelos —grandes y pequeños, abiertos y de código cerrado— adaptando la herramienta a la tarea específica para optimizar costos y rendimiento.


• Siga de cerca los avances del código abierto: La brecha de capacidades entre los enormes modelos propietarios y las alternativas eficientes de código abierto se está cerrando rápidamente. Evalúe con regularidad si un modelo de código abierto puede satisfacer sus necesidades por una fracción del costo, especialmente para aplicaciones específicas y acotadas.


• Participe proactivamente en la política pública: Para las empresas que operan en el espacio de la IA, es importante entender que las batallas regulatorias se han trasladado al nivel estatal. Participe de forma constructiva con los responsables políticos para defender la primacía de la regulación federal y evitar un mosaico catastrófico de 50 leyes estatales diferentes.


• Los precios altos pueden ser una herramienta estratégica: Como creador, no infravalore su producto. Los precios más altos pueden permitir una mayor inversión en I+D, creando en última instancia un mejor producto para el cliente, y también pueden transmitir un valor serio en un mercado inundado de experimentos de bajo costo.