Estrategias

La semana pasada el Departamento de Guerra de Estados Unidos (antes conocido como Departamento de Defensa, rebautizado por la administración Trump) designó a Anthropic como "riesgo de cadena de suministro para la seguridad nacional". El mismo rótulo que se le pone a Huawei y el mismo que se reserva históricamente para empresas controladas por adversarios extranjeros.

Anthropic es una empresa americana. Fue la primera empresa de frontier AI en desplegar modelos en las redes clasificadas del gobierno americano, la primera en hacerlo en los Laboratorios Nacionales, la primera en ofrecer modelos customizados para clientes de seguridad nacional. Tenía un contrato de $200 millones con el Pentágono firmado en julio de 2025. Acaba de participar en un contrato de $100 millones para enjambres de drones manejados con voz en conflictos armados del DoD. Y antes de todo esto, cortó varios cientos de millones de dólares en revenue para no vender a firmas vinculadas al Partido Comunista Chino —incluyendo algunas designadas por el propio Departamento de Guerra como Compañías Militares Chinas.

Si buscás la lógica, es dificil de encontrar.

Lo que sí puedo explicar es por qué esto importa, por qué no es tan simple como "Anthropic tiene razón y el gobierno está loco", y por qué la reacción de OpenAI merece más atención de la que está recibiendo.

Qué pidió Anthropic en realidad

Antes de cualquier análisis, conviene leer lo que Anthropic dijo en sus propios términos, porque la cobertura mediática lo simplificó bastante.

Dario Amodei fue explícito en su statement del 26 de febrero: Anthropic no objeta ninguna misión militar en general. Apoyó activamente el despliegue de Claude en inteligencia, planificación operacional, ciberoperaciones, modelado y simulación. No intentó limitar el uso de su tecnología de manera ad hoc ni objetó operaciones particulares.

Lo que Anthropic se negó a aceptar fueron exactamente dos cosas:

1. Vigilancia masiva doméstica. No inteligencia extranjera ni contrainteligencia —eso Anthropic lo apoya explícitamente. El problema específico es el uso de AI para construir perfiles automáticos y a escala masiva de ciudadanos americanos usando datos públicos que hoy son legales de comprar pero que, combinados con modelos de lenguaje potentes, crean algo cualitativamente distinto. La propia Comunidad de Inteligencia americana reconoció en documentos desclasificados que esta práctica genera problemas serios de privacidad. Amodei lo dijo directamente: la ley no prohíbe esto hoy no porque sea correcto, sino porque la tecnología avanzó más rápido que la legislación.
   
2. Armas totalmente autónomas. No armas parcialmente autónomas como las que se usan hoy en Ucrania, que Anthropic dice explícitamente que son "vitales para la defensa de la democracia". Específicamente sistemas donde un modelo de AI identifica, rastrea y mata targets sin ningún humano en el loop en ningún punto del proceso. Y la posición de Anthropic acá no es que esto nunca debería existir: es que los modelos actuales no son lo suficientemente confiables para eso hoy, y que ponerlos en ese rol pondría en riesgo a los propios soldados americanos y civiles.

Anthropic afirma que estas dos restricciones "no han sido barrera para ninguna misión del gobierno hasta la fecha."

El Departamento de Guerra respondió que solo trabajaría con empresas que acepten "cualquier uso legal" sin excepciones contractuales adicionales, y amenazó con la designación de riesgo de cadena de suministro más el Defense Production Act para forzar la remoción de los safeguards.

En su segundo statement del 27 de febrero, Anthropic señaló la contradicción con una precisión quirúrgica: las dos amenazas son "inherentemente contradictorias". Una dice que Anthropic es un riesgo de seguridad. La otra dice que Claude es esencial para la seguridad nacional. No pueden ser simultáneamente las dos cosas.

What does “supply chain risk” designation mean? A supply chain risk designation under U.S.C. § 3252 is a federal classification that bars a company from participating in defense procurement. It means no Pentagon contractor, supplier, or partner may conduct commercial activity with the designated entity. This mechanism was historically reserved for companies connected to foreign adversaries — such as Huawei (China) and Kaspersky Lab (Russia) — and had never before been publicly applied to an American company.

Y hay un punto legal que la cobertura masiva pasó por alto: Anthropic dice que Hegseth no tiene la autoridad estatutaria para lo que anunció. Bajo el 10 USC 3252, una designación de riesgo de cadena de suministro solo puede extenderse al uso de Claude en contratos del Departamento de Guerra, no puede afectar cómo los contratistas usan Claude para otros clientes. AWS puede seguir sirviendo modelos de Anthropic. Los clientes comerciales no se ven afectados. La amenaza más dramática del Secretario de Guerra, legalmente, no tiene piso sólido.

Honestamente, el argumento del gobierno tiene una parte legítima

Aunque el estilo no te guste, hay un punto que tiene el DOD que conviene no descartar demasiado rápido.

Ben Thompson en Stratechery lo planteó en la versión más dura y honesta: si Amodei mismo argumenta que la AI va a ser equivalente a las armas nucleares en términos de impacto estratégico, entonces el gobierno americano tiene un problema real permitiendo que una empresa privada no electa tenga veto contractual sobre cómo se usa esa tecnología. Palmer Luckey, founder de Anduril, lo dijo de otra forma: ¿creés en la democracia? ¿Debería el ejército ser regulado por líderes electos o por ejecutivos corporativos?

Son preguntas legítimas. Que una empresa incorpore en un contrato restricciones que funcionan como política pública es muy diferente a las restricciones técnicas normales de contratación. En ese sentido, la posición del gobierno ("preferiríamos que estas decisiones las tome el Congreso, no un CEO") tiene lógica.

El problema es la respuesta elegida: Cancelar el contrato y comunicarlo públicamente habría sido defendible. Exigir renegociación de términos, también razonable. Pero designar a Anthropic (empresa que rechazó revenue para no vender al ejército chino, que opera en redes clasificadas desde junio de 2024) con el mismo rótulo histórico de adversario extranjero es grotesco. Dean Ball en Hyperdimensional lo calificó directamente como "attempted corporate murder", y el calificativo no parece exagerado si tomás en cuenta las implicaciones en cascada que tendría para todos los proveedores de cloud e inversores de Anthropic.

El movimiento de OpenAI

El mismo día que Hegseth anunció la designación, Sam Altman posteó que OpenAI había llegado a un acuerdo con el Departamento de Guerra para desplegar sus modelos en redes clasificadas. El timing no fue una coincidencia.

Lo difícil es que Altman había dicho el jueves (un día antes) en un memo a empleados que OpenAI tenía las mismas "red lines" que Anthropic: sin vigilancia masiva, sin armas autónomas sin control humano. El viernes firmó el acuerdo aceptando "all lawful purposes" (la misma fórmula que Anthropic rechazó) pero con salvaguardas técnicas adicionales en lugar de restricciones contractuales explícitas: classifiers de AI, ingenieros propios monitoreando el uso, referencias a la Cuarta Enmienda como protección ya existente.

¿Es esa diferencia sustancial o es sofisticado PR management? Honestamente, es puro verso, y los mismos empleados de OpenAI dijeron públicamente que las salvaguardas son "window dressing". Un investigador de alignment de la propia empresa criticó que el acuerdo dejaba demasiado espacio para interpretación. Altman admitió en un AMA que "el timing estuvo mal y la optica no se ve bien"

Lo que sí hizo, hay que reconocerlo: criticó explícitamente la designación. "I think this is a very bad decision from the DoW and I hope they reverse it. If we take heat for strongly criticizing it, so be it." Y argumentó que parte de la razón para negociar rápido fue intentar de-escalar una situación que amenazaba a la industria entera.

Pero el cínico en mi lo lee simple: OpenAI capturó el contrato que Anthropic perdió aprovechando el momento. Si sos un poco menos cínico: Altman genuinamente creyó que alguien tenía que hacer de puente antes de que la cosa escalara a algo irreversible.

Probablemente las dos cosas son parcialmente ciertas.

Lo que me preocupa más allá del drama

El conflicto entre Anthropic y el Pentágono sacó a la luz, de golpe, una conversación que normalmente ocurre completamente detrás de escena. Sarah Shoker, ex-investigadora de OpenAI que lideró el equipo de Geopolítica tres años, señaló algo que la cobertura mainstream ignoró: las políticas de uso militar de las frontier AI companies son vagas por diseño, lo que permite a los líderes preservar "optionality" y decidir caso a caso sin comprometerse con nada concreto. El público tiene muy poca visibilidad sobre qué contratos existen, en qué condiciones, y qué usos se están habilitando realmente.

Pero lo que me preocupa más es el precedente. El gobierno americano demostró que está dispuesto a usar su poder regulatorio de forma punitiva contra una empresa americana que cumple las reglas, que rechazó negocios para proteger intereses nacionales, que tiene contratos vigentes con el propio gobierno. Y lo hizo de una manera tan contradictoria que sugiere que la decisión tuvo más de reacción emocional ante una negativa que de estrategia coherente.

El mensaje que eso manda a toda empresa de tecnología que trabaje con el gobierno es bastante claro: o aceptás los términos del gobierno de turno sin restricciones, o te arriesgás a ser designado adversario. "All lawful purposes" sin más definición no es una garantía —es un cheque en blanco.

Y para la industria global de AI, la señal es igualmente clara: si incluso en Estados Unidos el gobierno puede designar como adversario a una de sus propias empresas líderes, ¿qué incentivo tiene cualquier gobierno o empresa en otro país de construir infraestructura crítica sobre AI americana? La respuesta obvia es construir la propia. Que es exactamente lo opuesto de lo que la administración Trump dice querer lograr con su política de AI.

Hay una ironía difícil de ignorar acá: DeepSeek —que sí tiene vínculos documentados con intereses militares chinos— nunca recibió la misma urgencia de designación. Anthropic, que cortó revenue para no vender al ejército chino, sí.

No sé si esto se resuelve limpiamente. Anthropic dijo que desafiará la designación en la justicia. Altman dijo que espera que el Pentágono la revierta. Hoy 03/03, la designación formal todavía no había sido enviada oficialmente, lo que sugiere que alguien, en algún lugar, frenó quizás porque estan usando los mismos sistemas de Anthropic en su guerra contra Irán.

Pero el daño está en la señal que se mandó al mercado. Y sobre todo, marca un punto que no tiene vuelta atrás: ya existe una tecnología en manos privadas capaz de afectar el balance geopolítico real. Y cuando el gobierno de Estados Unidos intentó doblegar a la empresa que la tiene, tuvo que parar.

Hay una parte del story de Proyecto Prometheus que no está circulando en la prensa general, y que cambia completamente cómo hay que leer la apuesta de Bezos, no es un "AI Lab" o una empresa de Inteligencia Artificial más realmente.

Prometheus es un AI lab con $6.2B de funding, enfocado en "physical AI" para manufactura, aerospace, y chips. Eso es lo que cubrió todo el mundo en noviembre. Prometheus también está levantando un holding company separado (con decenas de miles de millones adicionales) para adquirir las empresas industriales que su propia tecnología va a disrumpir.

Para entenderlo simple; con una mano están construyendo la tecnología que va a destruir un sector más allá de los LLMs, mientras arman el fondo para comprar ese sector mientras está barato; una estrategia de consolidación industrial con AI como weapon of choice.

Un modelo que ya existe, pero a escala minúscula

La idea de usar AI para disrumpir industrias tradicionales y al mismo tiempo adquirirlas no es nueva. Thrive Capital tiene Thrive Holdings, un vehículo de más de $1B para comprar empresas de servicios y rehacerlas con AI. General Catalyst tiene su "Creation Strategy" con $1.5B asignados a lo mismo. Están comprando estudios contables, agencias de property management, firmas legales.

El approach es el de un private equity de toda la vida: comprás empresas en industrias donde el margen es bajo y el trabajo es proceso-intensivo, aplicás AI para automatizar, los márgenes suben, y el múltiplo de salida es mucho más alto que el de entrada. Es private equity con AI como operador en lugar de consultores de McKinsey.

Lo que está haciendo Bezos es la misma lógica, pero aplicada a industria pesada (jet engines, semiconductores, aeroespacio, etc.) y a una escala que hace que los esfuerzos de Thrive y GC parezcan experimentos. En el FT se mencionan conversaciones con el Abu Dhabi Investment Authority y con Jamie Dimon de JPMorgan, a través de su fondo de $10B para resiliencia de supply chains americanas. Eso no es capital de VC, sino fondos soberanos y bancos sistémicos.

La escala importa porque define los targets. Thrive está comprando estudios contables de $20M, Bezos puede ir a empresa de varios billones y avanzadas como componentes de motores de avión.

¿Por qué Bezos específicamente me llamó la atención?

Hay tres cosas que Bezos hizo en Amazon que son directamente relevantes acá.

La primera es obvia: escala operacional. Amazon es una máquina de optimización logística que procesa millones de variables en tiempo real. Esa capacidad de orquestar sistemas físicos complejos — warehouses, fleets, supply chains — es exactamente lo que necesitás para meterte en manufactura industrial avanzada.

La segunda es el modelo de AWS. Amazon construyó infraestructura para su propio e-commerce, se dio cuenta que era un activo que otros necesitaban, y lo abrió como servicio. Prometheus podría estar siguiendo la misma lógica: construís AI para entender física de manufactura compleja, empezás aplicándola a tus propias adquisiciones, y eventualmente la vendés como plataforma al resto de la industria.

La tercera es la estratégica: su horizonte temporal Bezos tiene una tolerancia al horizonte temporal que pocos tienen. Blue Origin tardó más de dos décadas. AWS fue años de pérdidas antes de que alguien entendiera qué era. Prometheus está apuntando a transformar manufactura industrial — el tipo de cambio que tarda 10-15 años en materializarse, donde los jugadores con capital paciente ganan y los que necesitan retornos rápidos se quedan afuera.

La apuesta técnica

Para que todo esto funcione, Prometheus necesita AI que realmente entienda el mundo físico a nivel de ingeniería. No un LLM que puede escribir sobre jet engines, sino un sistema que entienda diseño de componentes, tolerancias de manufactura, física de materiales, y pueda optimizar procesos de producción complejos.

Por eso están reclutando ingenieros cerca de Nueva Delhi para crear modelos 3D precisos de componentes industriales: motores, chips, estructuras aeroespaciales. Eso es trabajo de datos: construir el training set que ningún competidor tiene, porque nadie invirtió en digitalizarlo antes (y como siempre el MOAT son los datos).

El equipo técnico confirma la dirección: Nal Kalchbrenner de DeepMind, Christian Bodnar de Microsoft Research y ya compraron General Agents, una startup de agentes web. El stack apunta a sistemas que pueden navegar y actuar en el mundo físico, no solo describirlo.

Y acá viene la distinción clave con el post anterior: esto es diferente a los world models de Fei-Fei o LeCun; World Labs y AMI Labs están tratando de entender el mundo físico en general; física, geometría, causalidad universal. Prometheus está tratando de entender procesos industriales específicos en profundidad.

Es la diferencia entre un médico generalista y un cirujano cardiovascular. El generalista tiene más alcance. El especialista puede hacer cosas que el generalista no puede hacer ni de cerca.

El riesgo real

La estrategia tiene un problema que nadie está nombrando directamente: el timing es todo, y el timing es incierto.

Para que el holding tenga sentido, Prometheus necesita que su AI esté lo suficientemente madura como para transformar operaciones industriales antes de que el capital de compra se deprecie esperando. Comprás una empresa manufacturera a un múltiplo bajo asumiendo que la podés rehacer con AI en 3-5 años. Si la AI tarda 8 años en estar lista para ese problema, la matemática no funciona.

El riesgo tecnológico está trasladado al balance sheet del holding.

Y está el riesgo de los world models generales. Si Fei-Fei o LeCun logran sistemas de comprensión física suficientemente buenos y suficientemente pronto, la ventaja propietaria que Prometheus está construyendo — datos industriales específicos, modelos especializados — se achica. No desaparece, porque los datos dominio-específico siempre tienen valor. Pero la brecha con el mercado general se reduce.

Prometheus opera en modo stealth casi total — sin website, sin research publicado, empleados bajo NDA estricto. Scott Chou de ESO Fund lo dijo claro cuando salió la noticia: "Lo que quisiera saber es si hay algún secret sauce que no hemos visto, o si esto es puramente aspiracional." Tres meses después, la respuesta sigue siendo que no lo sabemos.

Lo que estamos viendo en realidad

Tomá distancia por un segundo.

Hay un patrón emergiendo en AI que va más allá de Prometheus. Thrive, General Catalyst, Lightspeed; todos están moviéndose hacia el mismo modelo: usá AI para comprar y transformar industrias tradicionales. Lo que distingue a Prometheus es el target (industria pesada vs. servicios profesionales) y la escala (decenas de miles de millones vs. cientos de millones).

La pregunta de fondo es la misma para todos: ¿es esto una nueva forma de private equity con mejor tecnología, o es realmente algo diferente? La respuesta importa porque esto define cómo captura valor.

El Private Equity tradicional mejora márgenes y vende, ese modelo es medianamente predecible, pero si Prometheus logra construir AI que transforme cómo se diseñan y fabrican objetos físicos complejos desde cero (no solo optimizando procesos existentes) el upside es completamente de otro orden de magnitud.

Bezos históricamente apunta a lo segundo y lo logra a través de lo primero, AWS empezó siendo infraestructura operacional y terminó redefiniendo cómo se construye software. Es posible que Prometheus empiece siendo un vehículo de adquisición y termine siendo la plataforma sobre la que se diseña y fabrica la próxima generación de hardware complejo.

¿Cómo ven ustedes esta apuesta — Prometheus como nuevo modelo de PE con AI, o como algo genuinamente distinto?

El reporte de Citrini Research que salió la semana pasada movió mercados. Adobe cayó, Salesforce cayó, DoorDash cayó. Los titulares declararon el fin del SaaS. Y todo basado en... un thought experiment escrito desde la perspectiva hipotética de junio de 2028 donde el desempleo llegó a 10,2% y el S&P cayó 38% desde sus máximos.

Seamos honestos sobre lo que es esto: un escenario de ciencia ficción con formato de macro memo. Citrini lo aclara en el preface (es un "thought exercise, not a prediction"), pero el mercado leyó los titulares y vendió. Conviene preguntarse si eso fue accidental.

Hoy, la gente de Citadel Securities respondió con datos reales. Y la diferencia entre los dos documentos es la diferencia entre un escenario que suena coherente y un análisis que es coherente.

El problema de confundir tecnología con adopción

El argumento central de Citrini es que la IA va a destruir el empleo white-collar tan rápido que el consumo colapsa, lo cual destruye la economía, lo cual genera una crisis sistémica que hace que el S&P caiga 38%. Todo en dos años.

Citadel apunta al problema fundamental: la difusión tecnológica históricamente sigue una S-curve, no una línea recta al infinito. Que la tecnología pueda mejorar recursivamente no implica que la adopción sea recursiva. Son dos cosas distintas, y Citrini las confunde deliberadamente (o inadvertidamente, que es peor).

Los datos del St. Louis Fed sobre uso de IA en el trabajo muestran algo que destruye la narrativa de Citrini: la adopción diaria de IA para trabajo es sorprendentemente estable. No hay evidencia de una inflexión exponencial. Y más importante: los job postings para software engineers subieron 11% interanual. Si la IA estuviera destruyendo esos empleos al ritmo que describe Citrini, ese número no existiría.

La formación de nuevos negocios en EEUU también está creciendo rápidamente (datos del Census Bureau que Citadel incluye). Que haya desplazamiento en algunos sectores no implica que no haya creación en otros. Esto es Economía 101, pero Citrini lo ignora olímpicamente para que el escenario funcione.

El error lógico de la demanda agregada

Acá viene lo importante. Citrini construye un loop donde la IA destruye empleos → los trabajadores gastan menos → la economía colapsa. El problema es que ese razonamiento viola identidades contables básicas.

Si la productividad sube, los costos bajan, los precios caen, el poder de compra real aumenta. Citadel lo dice directamente: un escenario donde la productividad sube y la demanda agregada colapsa simultáneamente viola identidades de contabilidad nacional. Si el output sube, algo en el lado de la demanda tiene que estar subiendo también: consumo, inversión, gasto público, exportaciones netas.

Citrini necesita asumir que el ingreso laboral cae, que no hay respuesta fiscal, que la inversión no absorbe el impacto y que no hay crecimiento de exportaciones. Todo al mismo tiempo. Es un escenario que solo funciona si uno asume que todo falla simultáneamente y que las democracias no responden a una crisis de desempleo masiva con política fiscal. Ese es un supuesto de una ingenuidad notable.

Citadel hace referencia a Keynes, que en 1930 predijo que trabajaríamos 15 horas semanales para 2030 gracias a la productividad. Se equivocó en la conclusión porque subestimó la elasticidad de los deseos humanos: cuando la productividad baja los costos, la gente no trabaja menos, consume más. El mismo mecanismo aplica acá.

El ejemplo de DoorDash, o cómo confundir código con negocio

El análisis de Citrini usa a DoorDash como el "poster child" de la destrucción por IA. El argumento: los agentes de coding colapsaron la barrera de entrada para lanzar una app de delivery, entonces van a aparecer decenas de competidores que le roban los drivers y fragmentan el mercado hasta que los márgenes lleguen a cero.

Es el ejemplo más revelador del documento, y no por las razones que Citrini cree.

El moat de DoorDash no es el código. Nunca lo fue. El código de una app de delivery es la parte más replicable de todo el negocio. Lo que no se replica con un agente de coding son las otras tres patas del negocio:

Los restaurantes. DoorDash tiene contratos negociados con cientos de miles de establecimientos. Eso implica relaciones comerciales, términos de comisión, integraciones con sistemas de punto de venta, acuerdos de exclusividad parcial. Nada de eso se genera con código. Se genera con vendedores en la calle, abogados, y años de construcción de relaciones.

Los repartidores. El supply side del marketplace es un activo construido con onboarding, soporte, sistemas de pagos, garantías de mínimos en algunas ciudades, y reputación. Si sos delivery person, trabajás donde hay volumen de pedidos y donde el sistema de pago es confiable. Un app nueva con código limpio pero sin pedidos no te da trabajo.

Los consumidores. Acá Citrini tiene un punto parcial: los agentes no tienen lealtad de marca. Pero lo que ignora es que los consumidores sí valoran reliability. El riesgo de que tu pedido llegue tarde, frío, o no llegue es suficiente para que muchos sigan usando la plataforma que conocen, aunque un agente encuentre una alternativa 15% más barata.

El dual-sided marketplace (en realidad tri-sided: restaurantes, repartidores, consumidores) tiene network effects que no se replican con código porque el valor de la plataforma aumenta con la densidad de los tres lados. Una app nueva en Buenos Aires con 50 restaurantes y 20 repartidores es inútil para el consumidor aunque esté escrita con el mejor código del mundo.

Citrini confunde "la barrera tecnológica es más baja" con "la barrera de entrada al negocio es más baja". Son cosas radicalmente distintas. Siempre fue barato construir el software de un banco. Lo que no es barato es conseguir la licencia regulatoria, el capital de respaldo, y la confianza de los depositantes.

Lo que el análisis sí tiene de valioso

Para ser justos: el escenario de Citrini no es completamente inútil. Hay partes donde el análisis es correcto.

El long tail de SaaS (Monday.com, Zapier, Asana) sí está genuinamente expuesto. Productos que existen principalmente para eliminar friction técnica en procesos sencillos tienen un problema real cuando la IA hace eso directamente. El argumento de la negociación de renewals también tiene sustancia: si un CIO puede mostrar un prototipo funcional en semanas, tiene leverage en la negociación aunque nunca piense deployar ese prototipo.

Pero de ahí al colapso sistémico hay un salto lógico enorme que Citrini hace con narrativa en lugar de con datos.

El timing del documento también genera preguntas legítimas. Un análisis bearish sobre SaaS, publicado días antes de resultados de empresas del sector, que genera caídas del 7-15% en acciones específicas... no digo que sea la intención, pero uno nota que Citrini eligió no aclarar sus posiciones. En el mundo de los hedge funds, eso importa.

La pregunta que me queda

Citadel tiene razón en el análisis macro. Citrini construyó un escenario que solo funciona si asumís que todo falla al mismo tiempo, que las respuestas institucionales no existen, y que los moats de negocios complejos se reducen a código.

Pero hay una pregunta más interesante que el debate sobre si el escenario es realista o no: ¿por qué nos convence tanto?

Quizás porque mezcla algo verdadero (el long tail de SaaS tiene un problema real) con algo seductor (la narrativa del colapso total es más marketeable que "algunas categorías de software van a bajar de precio"). Y en los mercados, la narrativa seductora mueve precios antes que el análisis riguroso.

El reporte de Citadel es más aburrido. Tiene gráficos del St. Louis Fed y referencias a identidades contables keynesianas. No genera titulares. Pero tiene algo que el de Citrini no tiene: datos del mundo real donde estamos, no de un 2028 que nadie conoce todavía.

Desde que apareció ChatGPT que la idea del impacto de la inteligencia artificial en el trabajo es un péndulo que va desde "vamos a convertirnos en máquinas ultraproductivas con un copiloto" hasta "no necesitaremos más programadores (o abogados, o insertá acá tu profesión)" y muy pocas voces coherentes en el medio. Este estudio es interesante porque analiza con datos qué impacto se está viendo en el mercado laboral y muestra algunas conclusiones que van más allá del hype y el pánico.

El paper "Canaries in the Coal Mine" de Stanford usa datos administrativos de ADP (la empresa de nóminas más grande de EEUU) para trackear qué está pasando realmente con el empleo desde que ChatGPT explotó a fines de 2022. La muestra es enorme: millones de trabajadores cada mes, con información hasta septiembre 2025.

Los cuatro hallazgos clave

Anthropic anunció que levantó $30.000 millones en su Serie G, duplicando su valuación a $380.000 millones en apenas cinco meses y muchos dudan de la logica de esta ronda. La ronda fue liderada por GIC y Coatue, con co-liderazgo de D. E. Shaw Ventures, Dragoneer, Founders Fund, ICONIQ, y MGX. La lista de inversores lee como un directorio de quién es quién en capital global: Accel, Blackstone, Fidelity, Goldman Sachs, JPMorgan, Sequoia, y varios fondos soberanos.

Y mirá, ya sé lo que estás pensando. "$380.000 millones de valuación para una empresa que hace tres años facturaba cero. Es una locura. Estamos en plena burbuja". Excepto que no: NO ESTAMOS EN UNA BURBUJA.

Esta ronda tiene toda la lógica del mundo si entendés la dinámica real de la carrera de IA. Y el hecho de que suene excesiva es precisamente el punto.

El martes pasado, Adobe cayó 7,31%, Salesforce 6,85%, y Thomson Reuters se desplomó 15,83%. Los analistas corrieron a declarar que "la IA va a reemplazar al software" y que "las empresas de SaaS están condenadas". Es el tipo de narrativa que suena profunda en un titular pero que se desmorona cuando la pensás dos minutos.

Porque acá hay una confusión fundamental sobre qué es el software y para qué sirve.

El software no es el enemigo de la IA. El software es la herramienta que hace que los datos sean útiles. Es lo que transforma información en decisiones, contexto en acción. Y esa necesidad no desaparece porque tengamos modelos de lenguaje más potentes. Si acaso, se vuelve más crítica.

La pregunta mal formulada

"¿Va a desaparecer el software?" es como preguntar "¿van a desaparecer las herramientas?" cuando inventamos mejores materiales. La pregunta asume que el software es una cosa específica que puede ser reemplazada, cuando en realidad es la forma en que estructuramos soluciones a problemas.

Lo que está pasando es mucho más interesante y matizado que eso.

En los últimos dos años, gran parte de la conversación sobre IA se ha centrado en el ascenso de ChatGPT y en los supuestos errores de Google. La narrativa dominante, en la que incluso entré a veces, pinta a ChatGPT como el first mover que tomó la delantera mientras Google dudaba y perdía terreno por la tibieza de Sundar Pichai cuando lo comparabas con la decisión de Satya Nadella y otros. Y, sobre el papel, esa historia es tentadora, pero.

Es innegable que ChatGPT logró una tracción impresionante. Lanzado en noviembre de 2022, alcanzó los 100 millones de usuarios en apenas dos meses — la curva de adopción más rápida en la historia del consumo digital. Desde entonces, OpenAI ha mantenido un ritmo de lanzamientos vertiginoso: GPT-4, GPT-4 Turbo, GPT-5, capacidades multimodales, voz, memoria, agentes, versiones enterprisa… todo en menos de tres años. Todo esto respaldado por un músculo financiero sin precedentes: más de 13.000 millones de dólares de Microsoft y unos 4.000 millones comprometidos por Softbank. El resultado: alrededor de 700 millones de usuarios activos semanales a mediados de 2025 y una posición cultural en la que, para mucha gente, “IA” es sinónimo de “ChatGPT”.

Hoy en día, las startups tecnológicas de EE.UU. tardan más tiempo en salir a bolsa y lo hacen con valuaciones mucho mayores que las empresas de décadas pasadas . Gran parte del upside (el mayor crecimiento en valor) ocurre ahora en el mercado privado – beneficiando a venture capital y private equity – y no en el mercado público al que acceden los inversores minoristas. Esto significa que el tramo inicial de creación de valor se privatiza: el inversor retail se pierde potenciales ganancias tempranas, aunque por otro lado pudieran evitarse algunos riesgos de invertir en empresas inmaduras infladas por inversores privados.

¿Pero cuándo salían “baratas” las IPO tecnológicas?

Veamos algunos ejemplos de grandes tecnológicas y sus valuaciones al momento de salir a bolsa, comparadas con startups recientes:

• Microsoft (fundada 1975, IPO en 1986): 11 años para salir a bolsa, con una valuación de mercado de aproximadamente $500–780 millones. La oferta pública inicial recaudó apenas $61 millones . (Dato curioso: Bill Gates consideraba que un precio por acción de $20 ya empujaría la capitalización por encima de $500 millones, lo cual le parecía “incómodamente alto” ).
• Amazon (fundada 1994, IPO en 1997): Solo 3 años hasta su IPO, debutando con una capitalización cercana a $438 millones . Jeff Bezos llevó a Amazon al mercado público cuando aún era esencialmente una librería online con altísimas tasas de crecimiento pero muy pequeña en tamaño.
• Google (fundada 1998, IPO en 2004): 6 años hasta la IPO, debutando con una valuación de alrededor de $23.000 millones . Google ya era rentable y dominaba la búsqueda en Internet, pero aun así el público pudo invertir desde un market cap relativamente “moderado” en comparación con los gigantes actuales (hoy Alphabet vale más de $1,7 billones ).
• Facebook (fundada 2004, IPO en 2012): 8 años hasta salir a bolsa. Su IPO fue histórica: valuación de $104.000 millones, recaudando $16.000 millones – en su momento, la tercera oferta pública más grande de la historia de EE.UU. . Ya fue un mega-IPO, reflejando que Facebook había capturado gran parte de su crecimiento antes de llegar al mercado público.
• NVIDIA (fundada 1993, IPO en 1999): ~6 años hasta la IPO, con una valuación inicial mucho más modesta. Sus acciones salieron a $12 por acción , lo que implicó una capitalización de apenas unos $500–600 millones (estimados). Tras 25 años como empresa pública, NVIDIA superó los $1–2 billones de market cap en 2024, pero aquel crecimiento fenomenal se gestó desde una base pública muy pequeña.

Si hay algo fundamental en una startup es medir qué tan bien tu producto cumple con las expectativas de los usuarios y si logra mantenerse como parte de su vida: eso se hace midiendo la retención. Punto. Es uno de los indicadores clave de product-market fit, que muestra si las personas no solo prueban tu solución, sino si regresan y la usan de manera recurrente. ¿Y dónde impacta esto? Directamente en los ingresos, sostenibilidad del negocio y tu capacidad de escalar, ya que adquirir nuevos usuarios es mucho más caro que mantener a los existentes.

Pero un problema que veo en varias startups e incluso analistas de fondos es que la retención no se mide en una sola instancia porque el comportamiento de los usuarios cambia con el tiempo. Una sola medición no captura esta evolución ni permite tomar decisiones estratégicas informadas.

Tomar periodos de medición permite identificar patrones de comportamiento, detectar posibles puntos de abandono y optimizar la experiencia de usuario. Por eso la retención se mide a través de timeframes específicos, que podemos estandarizar en los primeros 30, 90 y 365 días.

En un mundo, casi tiktokero, dominado por soluciones rápidas y frases llamativas, los mejores líderes logran dominar la complejidad y hacer que parezca sencilla; los malos lideres sobre-simplifican sin entender siquiera las bases del problema. Hay una frase de Steve Jobs que captura la escencia de esto: la capacidad de simplificar soluciones complejas sin reducirlas a respuestas ineficaces y excesivamente simplificadas es realmente complejo.

“Simple can be harder than complex: You have to work hard to get your thinking clean to make it simple. But it’s worth it in the end because once you get there, you can move mountains.” Steve Jobs

Y cuando sos un emprendedor la simplicidad es una ventaja competitiva SIEMPRE. La gente ansía la simplicidad de manera natural; y lo vas a ver sea un cliente eligiendo entre productos o un equipo alineándose con una estrategia, la claridad inspira confianza y seguridad.

Creo que el ecosistema inversor/emprendedor de la region (Latam+España) no entiende el momento o espacio en el que está en temas de Inteligencia Artificial especialmente en GenAI y, quizás, analizar los 100 papers más citados en el ámbito académico ayude a explicar dónde estamos parados para así entender dónde podemos encontrar oportunidades de inversión para crecer.

¿Por qué los 100 papers más citados? [fuente] Por dos razones principales: por un lado, el momento actual de la inteligencia artificial generativa es el de transferencia tecnológica, de R&D y academia a corporaciones y startups. Y, por otro lado, porque el avance de las corporaciones sobre la investigación académica se está dando a pasos agigantados por la cantidad de capital necesario para desplegar estas soluciones.

Perplexity está empeñado en crear "el próximo Google", o al menos finalmente sacarnos del ridículo paradigma de los 10 links azules como la mejor forma de buscar en Internet; pero es interesante que esto implica que uno puede "dialogar" con el LLM, que es parte del buscador, mantener las búsquedas en memoria e indagar mucho mas en cualquier búsqueda que hagas, entre otras. Esto tiene, al menos, dos nuevas derivadas:

1. Es mucho más interesante "investigar que buscar" con lo que para un dato puro termino volviendo a Google, pero para buscar cuando estoy armando o creando termino dialogando con Perplexity.
2. Si podés usarlo para profundizar, utilizar tus propios documentos o papers suma mucho a este trabajo.

Por eso que aparezcan los Perplexity Spaces tiene sentido y parece un paso natural; los Perplexity Spaces son espacios donde podés agrupar tus búsquedas en la web con tus archivos personales e invitar a terceros a sumarse a ese "centro de colaboración" donde tus búsquedas son híbridas (porque agrupan data pública y data tuya), grupales (porque podés invitar a terceros) y colaborativas (porque todos suman al espacio).

En estas dos semanas vimos noticias sobre el uso de energía nuclear por parte de Microsoft, Amazon y Google; todos apostando a la energía nuclear para alimentar la infraestructura necesaria para sostener el crecimiento de GenAI. Microsoft reactivando Three Mile Island; Google y Amazon apostando a los Small Modular Reactors. Y todo esto está empujando una fuente de energía que nunca debió dejarse de lado.

¿Por qué perdió apoyo la energía nuclear en este tiempo?

La realidad es que perdió apoyo por una mezcla de factores económicos y una idea falsa de la inseguridad de esta fuente:

• Accidentes importantes: los accidentes de Three Mile Island (1979), Chernobyl (1986) y Fukushima (2011) generaron serias preocupaciones sobre los riesgos y consecuencias de las plantas nucleares.
• Gestión de residuos radiactivos: cuando se habla de los desechos radioactivos, en general, los medios solo se enfocan en los problemas a largo plazo, en vez de la optimización de uso del combustible nuclear y la innovación para ese manejo.
• Altos costos de construcción sumados a la desregulación del mercado: los crecientes costos de construir nuevas plantas nucleares, que a menudo superan miles de millones de dólares, hicieron que la energía nuclear fuese menos atractiva económicamente; al desregularse el mercado y bajar los precios, la energía nuclear fue menos competitiva en algunas regiones, y eso empujó menos inversión y, por lo tanto, menos innovación.
• Preocupaciones sobre la proliferación: los temores acerca de que la tecnología nuclear civil pudiera contribuir a la proliferación de armas nucleares aumentaron la inquietud pública.

Un par de temas en los que no quiero meterme son los políticos 1. Repito: Alemania dejó de ser autosostenible y ahora es prisionera del gas de Rusia) 2. El crecimiento de otras renovables con mejor prensa (eg: hidroelectricas y eólicas), especialmente en momentos en los que el foco en cambio climático a veces se torna basado en prensa y no en datos.

Las tecnológicas impulsando la energía nuclear

De golpe (aunque este mercado no frenó) nos encontramos con algunas cosas, como Microsoft reactivando Three Mile Island y comprometiendose a comprar TODA la energia que generen por los próximos 20 años; luego Amazon invirtiendo en el desarrollo de plantas modulares y Google haciendo algo similar con Kairos y todos hablando de "El resurgimiento de la energía nuclear"... con varias razones que se pueden dividir en 4 temas :

• 1. Creciente Demanda de Energía
  • IA y Centros de Datos: el rápido crecimiento de la inteligencia artificial y los centros de datos está creando una demanda de electricidad sin precedentes. La Agencia Internacional de Energía prevé que el consumo eléctrico de los centros de datos podría más que duplicarse para 2026, superando los 1,000 teravatios hora.
  • Electrificación: la tendencia global hacia la electrificación de edificios y vehículos está incrementando aún más la demanda de energía
• 2. Metas de Energía Limpia
  • Electricidad sin carbono: la energía nuclear se ve como una solución climática porque los reactores no emiten gases de efecto invernadero, alineándose con los compromisos de las empresas tecnológicas para reducir emisiones.
  • Limitaciones de las renovables: aún con las inversiones gigantes en energía eólica y solar, hay limitaciones en términos de consistencia y capacidad que la energía nuclear puede subsanar.
• 3. Estabilidad y Confiabilidad de la Red
  • Energía de Base: La energía nuclear puede proporcionar una energía de base estable, crucial para mantener la confiabilidad de la red a medida que aumenta la participación de fuentes renovables intermitentes.
  • Seguridad Energética a Largo Plazo: Invertir en energía nuclear ayuda a las big tech a asegurarse un suministro energético estable y a largo plazo para sus operaciones
• 4. Avances Tecnológicos
  • Reactores Modulares Pequeños (SMR): las empresas están invirtiendo en SMRs, que ofrecen ventajas como menores costos iniciales y construcción modular. Estos se consideran más económicos y más fáciles de desplegar que los reactores tradicionales a gran escala.
  • Otros startups: Terra Power que está ya construyendo su Natrium Plant que supuestamente sale del paradigma del enfriamento por agua para pasar a metales liquidos.

Sumémosle que hay avances con los SMR e inversiones como las de BillG en TerraPower: termina siendo un no-brainer que sean las tecnológicas las que lideren este resurgir sin que esto signifique que el resto de las energías se dejen de lado. De hecho, cuando estaba en MS firmamos un acuerdo gigante con Brookfield enfocado en energía eólica.

All of this matters because the world needs to make a big bet on nuclear. As I wrote in my book How to Avoid a Climate Disaster, we need nuclear power if we’re going to meet the world’s growing need for energy while also eliminating carbon emissions. None of the other clean sources are as reliable, and none of the other reliable sources are as clean. - Bill Gates

En definitiva, la inversión en nuclear, que estamos viendo como una derivada de las necesidades de los datacenters y la inteligencia artificial, es un gran paso adelante para tener complementos a las renovables y que finalmente pasemos a energía verde sin frenar el mundo porque no sabemos salir de la dependencia de viejas tecnologías.

Pocas cosas son mas simples de entender que el ZIRP que vivimos hasta 2021; con tasas de interés en cero el mercado no le preocupa el ROI ahora o en una década con lo que un fondo de inversión puede apostar a largo plazo y en ideas estúpidas.... ¿cuando levantaron plata esos fondos que admirás?

Fast-Forward a hoy: con tasas de 5.5% pongo plata en bonos y en una década tengo 170% de retorno ¿que fondo me da ese retorno? (*) entonces a un VC no puedo darle plata para que haga pelotudeces y entonces los inversores de riesgo se vuelven mas conservadores porque les cuesta levantar un fondo.

¿Cual es la segunda derivada de esto? los fondos grandes que invirtieron en valuaciones ridiculas (eg: A16z) llamaron la atención de los PE players (eg: Coatue, Tiger, etc.) y juntos generaron una generación de startups que van a parir para que sus siguientes rondas no sean un downround y hay una fricción gigantesca para invertir si no tienen runway.

¿A que viene esto? a que es un gran momento para invertir en early stage o inversiones ángel... el mercado se limpió:

• muchos de los fondos que necesitaban desplegar su capital en growth hoy no van a molestar en early stage porque necesitan cuidar sus números,
• muchos emprendedores que lograron salir en 2020/21/22 tienen ganas de hacer cosas y tienen capital para invertir en otros,
• Ai está recién arrancando y el valle de la desilusión va a borrar wrappers y startups sin diferenciación.

Soy más que optimista de este momento, creo que el ecosistema emprendedor debería enfocarse en construir porque el capital va a seguirlos, en vez de seguir ellos al capital (x) como pasó un tiempito nomás.

notas:

(*) y eso es solo para mantener mi poder de compra porque con 5.5% técnicamente voy a perder un 42% de valor.

(x) si los fondos y las asociaciones regionales no empiezan a hablar en serio del tema del ZIRP van a seguir mirando boludeces en vez de dar un debate interesante aunque privado.

Desde que llegó a Twitter Elon Musk hizo casi todo mal pero logró algo interesante que fue romper algunos mitos y uno de esos fue que la gente encuentra valor en tener cuentas verificadas y pagaría por eso.

Es cierto, en Twitter se hizo mal y se convirtió en un badge of shame pero en Meta se hizo realmente bien y cada vez más gente tiene un badge porque hay una propuesta de valor atras.

Pensalo en “identidad verificada” o “soporte prioritario” o “protección de cuenta” o cualquier otro pilar… pero hay algo de esto que representa un gancho para que los usuarios paguen y, consecuentemente, sean más civilizados 🤣

Meta lo enmarcó en un concepto de “como usuario que quiere usar nuestra plataforma las preocupaciones son X,Y,Z (eg: seguridad, verificación, soporte) y esto te sirve en todos los productos” mientras que Twitter lo enmarcó en una guerra cultural hasta forzando el checkmark en gente que no lo quería.

Las comunidades no son fáciles, especialmente a escala, pero la confianza es su pilar… y la narrativa de Meta fue súper clara y directa; y ahora tiene una nueva fuente de ingresos sin confrontación o daño a la marca.

La crisis del Silicon Valley Bank me trajo recuerdos a un Ministro de economía argentino quejándose del mercado -"Les hablé con el corazón y me respondieron con el bolsillo"- porque un componente importante de esta crisis se dio por temas de percepción y timming sumadas a una de las peores diversificaciones a nivel negocio que vi:

SVB customers were pulling deposits out of the bank as the prolific venture capital fund Founders Fund advised its startup companies to withdraw funds from SVB. This deposit outflow is forcing the bank to sell bonds worth $21bn at a combined post-tax loss of $1.8bn forcing SVB Financial to announce a public offering of common stock worth $1.25bn and $500mn of depository shares.

Esto disparó una serie de comunicaciones por parte del CEO que, en otro momento, podría generar un debate sobre que sus comunicaciones hicieron un cocktail explosivo:

• El CEO decidió vender varios millones de dólares que tenia en acciones del banco.
• Decidieron reforzar su balance sheet con 2.5bn luego de la venta de MBS a pérdida.
• Comunicaron esto el mismo dia que Silvergate, otro banco, tenía que cerrar operaciones por sus problemas de balance-sheet (misma lógica)
• Y comenzaron algunas declaraciones del CEO: “We have ample liquidity to support our clients, with ONE exception” y “If everybody is telling each other that SVB is in trouble, that will be a challenge.”

Honestamente creo que la suma de mala estrategia de negocio sumada a un muy mal timming y estrategia de salida, crearon lo que llevó al banco preferido del ecosistema de startups y fondos de inversión a ser intervenido por la FDIC porque no lograron interés de compradores que, en este punto, esperan que todo se rompa para pagar menos.

¿Cómo sigue esto? El procedimiento tradicional de la FDIC:

"All insured SVB depositors will have access to their insured deposits no later than Monday morning" ... "It would pay uninsured depositors an advance dividend within the next week." ... "Uninsured depositors will get a receivership certificate for the remaining amount" ... "as it sells off SVB’s assets, future payments may be made to uninsured depositors" ... "the FDIC will now look for a buyer to take over SVB" ... "If one can't be found, the bank will likely be pieced out over the coming weeks. Stockholders in the bank will be wiped out."

Ahora ¿quién va a pagar por este outlook? Acá les dejo el PDF con el update oficial del banco.

Cuando Elon Musk decidio cortar acceso a las APIs a los developers externos lo hizo sin anuncio oficial, sin aviso de lo que iba a venir y sobre todo sin darle tiempo a los que ayudaron a Twitter crecer como plataforma a cambiar sus modelos o cerrar de forma ordenada.

Twitterific fue el que le dio el nombre "tweets" y el que uso un pajaro como logo antes que Twitter el que creo la primer app para MacOS y hasta el que "nesteó" respuestas a los tweets... literalmente creó el concepto de conversaciones y hoy está pidiendo a sus usuarios que instalen un update a sus apps solo para evitar la bancarrota.

¿que paso? un dia dejaron de funcionar sin motivo y hoy estan pagando las malas decisiones de Twitter

Ese dia se dieron cuenta que no tenian mas acceso a Twitter y tuvieron que asumir que su negocio habia muerto... pero no solo eso, sino que al morir su acceso a Twitter las suscripciones anuales via Apple Store se empiezan a devolver a los usuarios de forma automática; para entenderlo mejor:

Twitter’s kneecapping of third-party clients didn’t just mean that their future revenue was gone — it meant revenue they’d already collectedfrom App Store subscriptions would need to go back to customers in the form of prorated refunds for the remaining months on each and every user’s annual subscriptions. Consider the gut punch of losing your job — you stop earning income. It’s brutal. Now imagine that the way it worked when you get fired or laid off is that you’re also suddenly on the hook to pay back the last, say, 6 months of your income. 

Tweetbot and Twitterrific Face the Cliff

Lo que hizo Twitter/Musk es simplemente imperdonable en un ecosistema de partners... cuando uno tiene relaciones no solo comerciales sino casi simbioticas como una plataforma y sus clientes si no hace un "sunsetting" el acceso a las APIs porque sino matas a todo el ecosistema

Lección para ambas partes: el onboarding tiene la gran ventaja de que es el momento donde tenés todo por ganar y donde ambas partes se suman valor; el off-boarding en cambio necesita ser planeado porque la dinámica de abandonar una plataforma tiene derivadas que no podes ver instantáneamente.

Leccion para las "terceras partes": cuando haya cambios estratégicos en una plataforma creá planes de contingencia para estas situaciones.

Fue Steve Jobs el que dijo "If you don't cannibalize yourself, someone else will." y creo que por eso la acción de Google cayó un 9% en un solo dia cuando apuró un evento de AI y no porque "hubo un error en una demo".

Lo que el análisis de 280 caracteres resume en "Google perdió un 9% porque una demo salió mal" es no entender el porque Google no habia presentado hasta ahora una interfaz conversacional como ChatGPT para aumentar los resultados: esto cambia la dinamica de negocio y no hay incentivos para innovar si canibalizas tus ingresos mientras cambia tu estructura de costos

• La estructura de costos de una interfaz conversacional sobre inteligencia artificial es diferente a la del modelo actual de los buscadores (aka: 10 blue links).
• El modelo de ingresos cambia radicalmente versus la actual integracion de links de anuncios arriba y abajo de los resultados en varios sentidos:
  • La interfaz es diferente entonces el espacio "above the fold" cambia; la integracion/mezcla de SERP/SEO cambia
  • pero mas estratégico es que el usuario ahora espera algo mas que "un link con la informacion" y nadie hizo pruebas a escala de esos nuevos modelos.

Pero entonces ¿con tantas preguntas porque el mercado le pego a Google este golpe que borró $100b en una hora? porque esperaban que se presente algo parecido al nuevo Bing que presentó Microsoft y Google no lo hizo... repito: no lo hizo porque pese a tener talento y tecnologia no tenia incentivos para probar algo que pudiera canibalizar su modelo de negocios por eso hay otro jugador, Microsoft, probando cosas nuevas.

¿Porque hablo de Microsoft si empece hablando de la caida de 9% en un dia de $GOOG o citando a Steve Jobs? porque la realidad es que en algun momento todos los negocios necesitan cambiar... y los mejores ejemplos son los dos "abuelos" del mercado de las Big Tech: Apple y Microsoft tienen 47 años y ya sufrieron reinvenciones.

Apple presento el iPhone en 2007 sabiendo que iban a volver obsoleto al iPod aun cuando era el motor de su crecimiento; Microsoft se enfoco en la nube aun cuando era su core eran los servers... "If you don't cannibalize yourself, someone else will."

Enter Satya y su experiencia en canibalizarse antes que lo canibalice otro, que explica MUY bien en su entrevista con The Verge sobre "The New Bing":

Like all things, one of the things that I think about is, in platform shifts, two things have to happen. You have to retool pretty much every product of yours, so you’ve got to rethink it, whether that’s the way you build it or what its core features are. It’s like how Microsoft had to pivot for the cloud to rethink exchange. It was not an exchange server. It was exchange as a service or what we had to do with our server infrastructure. We had to rebuild, essentially, a new core stack in Azure. So every time, with transitions, you have to essentially rewrite it. That’s how I think about it. The second thing is you also have to think about the business model. Sometimes these transitions are pretty harsh. I’ll tell you, the last transition from having the high share server business with great gross margins to saying, “Hey, the new business is called cloud, and it’s going to have one-fourth the margins” as the new news was pretty harsh, but we made it.

Satya Nadella explicando las dos caras de un cambio de paradigma.

Pero ¿hace bien el mercado en apostar contra Google? honestamente no lo creo... Google tiene el talento, tiene el market share y sobre todo tiene a Chrome y Android para apalancar todo; ojala hoy tengan algo de miedo y dejen de alocar experimentos interesantes como Google Duplex a una parte de Assistant.

Me pareció interesante el lanzamiento de Quora, POE o “Platform for Open Exploration” es su AI conversacional usando OpenAI y Anthropic como motor para encontrar contenido con dos enfoques diferentes pero sin entrenarlo con su contenido porque todavía no esta claro como impacta en propiedad intelectual y saben que no hay precisión fáctica... sabiendo que quieren construir un ecosistema sobre este.

(1) Dos modelos en un producto ¿porque Quora usa dos motores y cuales son las diferencias entre OpenAI y Anthropic? Por las dudas explico algo básico; cada modelo tiene su propio entrenamiento, cada modelo se optimiza para cosas diferentes y, estoy seguro que a medida que aparezcan mas opciones veremos cosas muy diferentes (eg: un modelo entrenado en el "cespool of hate" que es Twitter seguro sale racista pero sin duda va a estar optimizado para engagement) lo bueno de esto es que uno puede elegir.

Por ejemplo, por la base de sus decisiones, OpenAI no tiene acceso a eventos posteriores a 2021 y Anthropic no responde ciertas preguntas (honestamente no se cuales son esos lineamientos) entonces cuando instalas POE y elegís entre Sage, Claude o Dragonfly... en realidad estas eligiendo bots entrenados por esas modelos y atados a esas limitaciones...

Por esas mismas limitaciones, que incluyen los sesgos de entrenamiento, las limitaciones de dataset y sobre todo que no están entrenados para certeza es que NO se integran en Quora sino que se mantiene como un "extra" para experimentar... de ahi su nombre: “Platform for Open Exploration”

(2) una comunidad para refinar preguntas y resultados Y acá viene lo interesante de Quora, no solo podes elegir el modelo, sino que podes crear un perfil y seguir a otros usuarios que esten usando POE y puedas usar sus "prompts" para hacerles sintonía fina y vayan mejorando... con algo de suerte una comunidad de varios cientos de millones ayudaran a mejorar el modelo con el ida y vuelta que genera su uso.

(3) una api para crear ecosistema Ah, si sos developer... Quora está preparando una API para que puedas integrarlo en tus aplicaciones o crear algo nuevo desde cero en ese ecosistema. Que es lo que, en última instancia, los va a separar del resto y le da sentido a la frase que uso el CEO en el anuncio:

Over time, we hope to become the most efficient way for people to collectively explore the possibilities opened up by new AI models as they are released. 

Adam D'Angelo: POE

Pueden descargar POE para iOS en este link

Amazon abre a todos los comercios de US su plataforma Buy with Prime para que puedan ofrecer todos los beneficios de Amazon Prime a tus clientes finales... a cambio solo le permitís a Amazon convertirse en el dueño "de facto" de tus clientes ya que es la plataforma de pago, procesamiento, logística y las devoluciones.

Pero ¿porque los dueños de los small business de USA aceptarían algo que es claramente darle mas dominio a su principal "enemigo" que es Amazon? porque claramente tiene ventajas asociadas y pocas veces entienden como una plataforma se convierte en su enemiga.

Las Ventajas de Amazon Buy with Prime son claras; para alguien que no quiere dedicarse al fulfillment de ventas via internet esto es una solución llave en mano que tiene la gran ventaja de que todos-conocemos-a-amazon y eso sube mucho la confianza por eso aumenta la conversion general de cualquier sitio que incluya a Amazon en el workflow.

Las desventajas, por otro lado, son claras si conoces como trabaja Amazon; estas cediendo hasta las políticas de devolución y el stock no lo manejás centralizado sino que el definido para e-commerce lo tiene ahora un tercero que no sos vos.

Pero el peor problema es estratégico y es que le das mas poder a Amazon que si ya tenía en sus manos el acceso a los compradores, ahora quiere ser el que maneje a los pocos vendedores que no estaban en amazon.com o en el marketplace. Quedándose cada vez con una parte mas grande del valor que se negocia en su plataforma.

enshittificación es "… una consecuencia aparentemente inevitable que surge de la combinación de la facilidad de cambiar la forma en que una plataforma asigna valor, combinada con la naturaleza de un "mercado de dos lados", donde una plataforma se encuentra entre compradores y vendedores, manteniendo a cada uno como rehén de el otro, llevándose una parte cada vez mayor del valor que pasa entre ellos".

Cory Doctorow: The enshitification of TikTok