Las empresas tecnológicas en la era de la IA: el foso más profundo es el aprendizaje secuencial

Llevo 43 años programando. Empecé a los diez, vendí mi primer software a los doce y he pasado mi vida adulta construyendo empresas de software. La era de la programación humana ha terminado. La IA no escribe código perfecto. El código ya no es el cuello de botella.

Un momento concreto desencadenó este manifiesto. Vi a una IA aplicar ingeniería inversa a una función compleja de uno de nuestros productos, una función con una carga matemática considerable que los competidores humanos no habían logrado replicar. La IA no tenía acceso a nuestro código fuente. Estudió la interfaz, razonó sobre las restricciones y reconstruyó el enfoque. El resultado no era perfecto, y se acercó lo suficiente como para hacerme replantear todo lo que creía sobre la capacidad de defensa. Mi corazón de emprendedor quedó en un leve estado de shock.

Escribí este documento para gente como yo: fundadores, creadores de producto, inversores y cualquiera que tenga que tomar decisiones reales sobre qué construir y dónde invertir.

Nota: la AGI completa, cuando la IA pueda hacerlo todo mejor que los humanos, probablemente esté a medio o largo plazo. Cuando llegue la AGI completa, toda la lógica competitiva cambiará para todos a la vez. Este documento es para la ventana anterior, en la que el juicio humano todavía importa y la física del trabajo del conocimiento todavía se cumple. Esa ventana puede ser la más decisiva en la historia de la creación de empresas.

¿Qué cambia cuando la IA puede escribir software?

Thalius sostiene que la IA hace un trabajo conceptualmente conocido a una velocidad tan alta que cambia la categoría. La generación de software pasó de semanas de esfuerzo humano a minutos de esfuerzo de la IA. Un coche muestra el patrón: a 10 km/h un coche es una ayuda para el peatón, a 100 km/h es transporte y a 1.000 km/h es aviación. La física sigue siendo la misma y el mundo a su alrededor cambia. El cambio de velocidad en el software es lo bastante grande como para convertirse en un cambio de categoría, y el trabajo que era demasiado lento para ser rentable se vuelve trivial.

La industrialización siguió el mismo camino en la fabricación. El valor migró de las manos del artesano a la mente del diseñador de la fábrica, después a la marca y después a la red de distribución. Cada transición abarató la capa anterior y revalorizó la siguiente. El software está atravesando ahora la misma migración, comprimida en años en lugar de décadas.

¿Qué productos de software puede copiar la IA?

Thalius llama «productos de órbita» al software que la IA puede producir hoy: software commodity como un CRM complejo o una gran herramienta de diseño, que una buena IA puede producir en días. Los viajes espaciales marcan la escala. Muchos pueden llegar a la órbita, lo cual es difícil pero está resuelto. Ir a la Luna es cualitativamente más difícil, y Marte lo es aún más. Nuestra estrella más cercana es una categoría completamente distinta, no Marte multiplicado por mil. La clave está en cómo crece el combustible necesario: exponencialmente. Un cohete necesita combustible para transportar el combustible que transporta el combustible, y cada incremento de distancia exige recursos desproporcionadamente mayores.

Thalius sostiene que aquí es donde falla el razonamiento de la mayoría, porque la IA no vuelve todos los problemas igual de triviales. El trabajo del conocimiento tiene la misma estructura que los viajes espaciales. Los productos construidos enteramente sobre la capa de órbita están expuestos. Su arquitectura es su producto, y una vez que esa arquitectura es visible, es replicable, incluidos los algoritmos subyacentes que sus dueños creían secretos.

¿Por qué son difíciles de copiar Google Search y el motor antifraude de Stripe?

Thalius sitúa el ranking de búsqueda y la detección de fraude entre los problemas de Luna y de Marte, en los que la complejidad se acumula y la calidad vive en el aprendizaje acumulado. Uno de esos problemas es ordenar mil millones de páginas web para que el mejor resultado aparezca primero. Otro es construir un sistema de detección de fraude que decide en milisegundos si una transacción es legítima, entrenado con miles de millones de pagos de millones de comercios. Cada capa de calidad en un sistema así exige exponencialmente más datos, más aprendizaje y más juicio acumulado. La arquitectura de Google Search y del motor antifraude de Stripe se entiende a grandes rasgos. Su calidad vive en el aprendizaje acumulado, años de señal secuencial sobre datos privados, que Thalius llama el combustible que un competidor no puede comprar.

La pregunta para cada fundador es si está construyendo un producto de órbita o un producto de Luna, porque la economía de ambos ha divergido por completo.

¿Por qué el aprendizaje secuencial es el foso más profundo del software?

Thalius sostiene que el aprendizaje secuencial es la categoría de foso que gana importancia a medida que la ejecución se abarata. El aprendizaje secuencial abarca todo lo que exige el paso N antes del paso N+1, donde cada paso se apoya en el anterior y nadie puede saltar hacia delante. La distribución, la marca y los costes de cambio siguen importando junto a él.

La elaboración del vino muestra la estructura. Una bodega puede comprar las mejores uvas y el mejor equipo y contratar al mejor enólogo, y aun así no puede acelerar la fermentación, porque la química de cada día depende de la del día anterior. Un competidor con dinero infinito no puede comprar una añada de 2019 en 2020.

El conocimiento funciona igual. Un sistema que ha pasado doce meses aprendiendo qué preguntas importan, qué patrones se repiten y qué decisiones compensan posee un juicio acumulado que un competidor no puede replicar echándole más dinero al problema. El dueño de ese sistema tuvo que vivir la secuencia.

El foso es la integral de tu tasa de aprendizaje a lo largo del tiempo. Nadie puede comprarla. Nadie puede atajarla.

¿Puede un competidor inferir lo que una empresa ha aprendido?

Thalius advierte de que un competidor puede saltarse una secuencia de aprendizaje infiriendo su destino a partir del rastro que deja, y de que la IA infiere mejor a medida que razona mejor. Cada artefacto público filtra señal: el comportamiento de la API, las decisiones de producto y cómo gestiona un sistema los casos límite. Un modelo lo bastante capaz trata todo eso como datos de entrenamiento y trabaja hacia atrás.

Los fundadores se enfrentan entonces a dos preguntas. La primera es si un competidor puede replicar el camino de la empresa. La segunda es si un competidor puede inferir adónde va la empresa observando por dónde ha pasado. Thalius concluye que el foso está en correr en direcciones difíciles de inferir incluso para quien puede ver por dónde ha pasado la empresa, más allá de correr más rápido. Thalius aconseja a las empresas proteger cada señal que filtran, porque la carrera se ha vuelto inferencial además de secuencial.

¿Qué limita cuánto puede inferir la IA sobre una empresa?

Thalius señala dos límites a la inferencia que impiden que el panorama desemboque en desesperación. Primero, la teoría de la información fija un suelo firme: ninguna capacidad de razonamiento puede extraer una señal que no está en la entrada. El trabajo del conocimiento complejo depende de datos privados que nunca se externalizaron, como el comportamiento de los clientes en los registros de una empresa, la verdad operativa de ejecutar el proceso real y las correcciones que solo existen en su bucle de retroalimentación. Ni siquiera un razonador perfecto puede inferir lo que nunca estuvo ahí para ser encontrado.

Segundo, el trabajo del conocimiento pesado sigue siendo pesado, incluso cuando un problema se puede resolver a partir de su enunciado. El problema del combustible del cohete se aplica aquí: procesar 50.000 contratos, integrar dos años de datos portuarios o construir modelos de gusto a partir de millones de sesiones de navegación requiere cómputo real, datos reales y tiempo real. Una máquina de conocimiento bien afinada hace ese trabajo más rápido y más barato. Cuando el trabajo en sí es grande, la velocidad de la máquina es el foso.

¿Cómo sigue siendo defendible una empresa cuando su diseño es público?

Thalius aplica a los negocios un principio de la criptografía: la capacidad de defensa de una empresa debe depender de sus parámetros, no de ocultar cómo funciona su sistema. Una empresa quiere que su producto sea visible, que su arquitectura se entienda y que sus métodos se conozcan, y si todo es visible, todo es copiable. Thalius lo describe como construir un foso en una casa de cristal.

La criptografía resolvió el problema hace mucho. El campo se asienta sobre un principio de 1883: la seguridad de un sistema debe depender únicamente de la clave, no del secreto del diseño. La banca en línea sigue ese principio. El algoritmo de cifrado está publicado y el software suele ser de código abierto. La clave concreta del titular de la cuenta sigue siendo secreta, y eso mantiene la cuenta a salvo. El diseño es público, la clave es privada, y con eso basta. El mismo principio se aplica ahora a los negocios.

¿Qué son los parámetros en un sistema de IA?

Los parámetros son los ajustes de un sistema de IA: millones de valores numéricos que, en conjunto, determinan qué sabe el sistema, cómo razona y qué produce. Toda máquina tiene ajustes que determinan cómo se comporta. Un termostato tiene una temperatura objetivo y un motor de coche tiene un tiempo de inyección de combustible. Nadie diseña a mano los parámetros de una IA. El entrenamiento los afina gradualmente mediante la exposición a datos y retroalimentación, y cada ajuste se apoya en el anterior.

Los parámetros tienen un matiz que importa para la capacidad de defensa. Quien obtiene los parámetros de una empresa, los valores aprendidos reales, puede copiar su máquina: quien consigue los pesos consigue el sistema. La industria de la IA lo sabe, y por eso las empresas líderes protegen sus parámetros con celo.

¿Por qué el bucle de aprendizaje es el activo defendible?

Thalius sostiene que la parte defendible de un sistema de IA es el control del bucle que sigue mejorando sus parámetros, y no los parámetros en un momento dado. El bucle son los datos propietarios, el flujo de retroalimentación humana, los flujos de trabajo de los clientes que generan nueva señal y la capacidad de seguir afinando más rápido que nadie. Para cuando alguien roba la instantánea de hoy, el dueño ya ha avanzado. Los parámetros son el resultado y el bucle de aprendizaje es el activo.

La industria de la IA lo ha demostrado a escala. La arquitectura transformer es completamente pública: publicada, de código abierto y construible por cualquiera. Anthropic y OpenAI tienen algo que les falta a los modelos abiertos: parámetros en mejora continua, refinados mediante millones de interacciones de retroalimentación humana e integrados en flujos de trabajo de clientes que generan nueva señal de entrenamiento cada día. La arquitectura es el algoritmo publicado y el bucle de aprendizaje es la clave secreta.

La estructura va más allá de las empresas de IA. En un bufete de abogados, el estado aprendido es el juicio acumulado sobre qué cláusulas contractuales predicen litigios. En una empresa de logística, es la inteligencia operativa sobre qué rutas funcionan en la práctica. El vocabulario cambia y la estructura es idéntica: un bucle de aprendizaje que mejora continuamente cómo toma decisiones un sistema.

¿Qué es una máquina de conocimiento?

Una máquina de conocimiento, en los términos de Thalius, es el proceso que decide qué produce un sistema a continuación y mejora esa decisión con cada ciclo. Un producto es una instantánea: lo que el sistema produce hoy.

La diferencia es la que hay entre una biblioteca y un bibliotecario. Una biblioteca es una colección, valiosa y estática. Un bibliotecario sabe qué libro necesita un lector antes de que lo pida, gracias a años de observar qué lee la gente, a qué vuelve y qué abandona. Un competidor puede copiar la biblioteca y no puede copiar las recomendaciones personales del bibliotecario.

Una máquina de conocimiento hace girar un volante de inercia que se refuerza a sí mismo. El capital financia actualizaciones de parámetros. Mejores parámetros producen mejor selección, mejor selección genera más valor y más valor atrae más capital. Cada estado depende de todos los estados anteriores, así que nadie puede incorporarse a mitad de camino.

¿Por qué recomienda Thalius una arquitectura abierta?

Thalius propone un modelo de negocio contraintuitivo: hacer la arquitectura abierta a propósito y licenciar los parámetros. Una arquitectura abierta permite que la gente construya sobre el formato de una empresa, de modo que la apertura se convierte en la estrategia de distribución de la empresa. Cuanta más gente usa el sistema, más datos vuelven sobre cuáles deberían ser los próximos parámetros. La empresa licencia entonces los parámetros en actualización continua, a un precio razonable, porque meses o años de aprendizaje secuencial no se pueden saltar.

Ejemplos de arquitectura copiable y de aprendizaje que no se puede copiar

Thalius ilustra el argumento con tres casos. En cada caso, la arquitectura es genérica y copiable, y el bucle de aprendizaje no lo es.

Discovery jurídico

Un bufete construye un sistema que revisa contratos en busca de riesgos concretos. Cualquiera podría construir el mismo sistema en una semana. Tras procesar 50.000 contratos de responsabilidad farmacéutica, el sistema ha aprendido qué patrones de cláusulas predicen litigios y qué combinaciones de términos crean exposición oculta. Un competidor puede copiar el software de la noche a la mañana. El competidor no puede copiar el juicio que nació de 50.000 revisiones secuenciales.

Optimización de la cadena de suministro

Una empresa de logística construye un sistema de rutas sobre una arquitectura estándar. Tras dos años operando en los puertos del sudeste asiático, el sistema ha aprendido los patrones reales de retraso frente a los horarios oficiales, qué agentes de aduanas agilizan las cosas y cómo afecta en la práctica la temporada de monzones a las distintas rutas. Un competidor puede copiar el algoritmo en un fin de semana. El competidor no puede copiar dos años de inteligencia operativa.

Curación en comercio electrónico

Un minorista construye un motor de recomendaciones. Tras un año registrando cómo navega la gente además de qué compra, incluidos qué atributos impulsan las decisiones y qué combinaciones acaban en devoluciones y cuáles en satisfacción, el sistema aprende un modelo de gusto que predice las preferencias mejor que cualquier encuesta. El algoritmo de recomendación es commodity. El gusto, no.

¿Qué es la regla 95/5?

La regla 95/5 es la división del trabajo del conocimiento según Thalius: la IA hace el 95 % del trabajo y los humanos hacen el 5 % restante. El 95 % es volumen: generar, procesar, redactar y calcular. El 5 % es juicio: elegir la pregunta correcta, detectar la respuesta equivocada y saber cuándo un resultado seguro de sí mismo está seguramente equivocado. Thalius compara el 5 % con el volante y los pedales, y el 95 % con el motor. Sin dirección, la potencia es ruido.

Thalius trata a los humanos como un requisito arquitectónico de los sistemas de IA que funcionan en producción, y no como una concesión, porque los sistemas de IA están estructuralmente rotos en aspectos concretos. Los sistemas de IA alucinan, no tienen juicio en los casos ambiguos y no pueden saber lo que no saben. La escala sin juicio produce basura a escala. El juicio sin escala produce conocimiento demasiado despacio para que importe. La combinación de ambos es lo que funciona.

¿Por qué los humanos conservan el trabajo de juicio en la era de la IA?

Thalius señala un vaciamiento rápido del centro, más que el desempleo masivo, como el escenario de la IA que debería asustar a la gente. Las personas capaces de ver la estructura y dirigir a la IA se vuelven extraordinariamente productivas. Todos los demás se vuelven más baratos, y más baratos rápido.

La regla 95/5, en la que la IA hace el 95 % del trabajo y los humanos conservan el 5 % que es juicio, importa por tres razones. La regla es buena para los resultados, porque la supervisión humana detecta errores que se acumulan. La regla es buena para la humanidad, porque las personas conservan roles con sentido. La regla es buena para la adopción, porque las organizaciones avanzan más rápido cuando el sistema hace a su gente más poderosa, no más reemplazable.

La máquina hace el trabajo pesado y el humano da la orientación crítica. Juntos, la máquina y el humano son la máquina de conocimiento.

El manual de Thalius para las empresas de software en la era de la IA

Thalius condensa el manifiesto en estos principios operativos.

• Los viejos fosos del software han muerto. Asume que todo lo que emita suficientes señales sobre su mecánica interna será sometido a ingeniería inversa y copiado.
• Conoce tu altitud. Decide si estás construyendo un producto de órbita o un producto de Luna. Si tu valor vive en la capa visible, la velocidad de replicación te devorará. Construye donde la complejidad se acumula.
• Deja de proteger tu arquitectura. Ábrela y deja que se convierta en un estándar. Tu capacidad de defensa viene de tu bucle de aprendizaje, no de tu diseño.
• Construye máquinas de conocimiento, no productos. Un producto es lo que tu sistema produce hoy. El valor es la función de selección que lo eligió.
• Optimiza para el aprendizaje secuencial. Todo lo que exige el paso N antes del paso N+1 es defendible. Todo lo que se puede saltar, no.
• Protege tu señal. Cada resultado público filtra información sobre tu estado interno. Construye donde la brecha entre lo visible y lo valioso sea mayor.
• Aplica la regla 95/5. Deja que la IA haga el trabajo de volumen y mantén a los humanos en el trabajo de juicio. La combinación es estructuralmente mejor que cualquiera de los dos por separado.

¿Quién definirá la próxima era de las empresas de software?

Thalius sostiene que los fundadores que definan la próxima era construyen máquinas de conocimiento: sistemas que aprenden qué crear, mejoran ese juicio con cada ciclo y se acumulan más rápido de lo que nadie puede copiar. Lo que distinga a esos fundadores no será el mejor código ni las funciones más ingeniosas.

Hace cuarenta y tres años me senté ante un teclado y empecé a escribir código porque así se construían las cosas. Producir software ahora es gratis. Eso da miedo y es maravilloso a la vez.

La arquitectura es abierta. El diseño es conocido. Nuestro trabajo es saber cómo afinarlo.

Un humano escribió este manifiesto tal como describe, dirigiendo a dos modelos de IA de frontera: uno ayudando a escribir y otro criticando. La regla 95/5 en la práctica, en una pequeña fábrica de conocimiento.