Buenas, esto es BIMPRAXIS, el podcast donde el
Download transcript (.srt)
0:10
0:15
0:20
0:23
0:26
0:28
0:37
0:41
0:42
0:45
0:47
0:49
0:51
0:54
0:56
0:59
1:01
1:03
1:04
1:06
1:08
1:10
1:12
1:15
1:20
1:22
1:24
1:26
1:32
1:35
1:37
1:40
1:43
1:46
1:48
1:50
1:51
1:53
1:56
1:59
2:02
2:05
2:07
2:09
2:10
2:13
2:15
2:17
2:20
2:23
2:27
2:30
2:32
2:32
2:35
2:36
2:38
2:40
2:43
2:45
2:46
2:48
2:50
2:51
2:54
2:57
3:00
3:00
3:04
3:06
3:10
3:12
3:15
3:16
3:18
3:18
3:20
3:22
3:25
3:27
3:29
3:30
3:34
3:34
3:36
3:39
3:42
3:45
3:48
3:52
3:54
3:55
3:57
3:59
4:00
4:01
4:03
4:05
4:06
4:08
4:09
4:11
4:15
4:17
4:20
4:24
4:25
4:27
4:28
4:32
4:34
4:35
4:36
4:38
4:40
4:42
4:44
4:47
4:49
4:51
4:52
4:54
4:57
4:58
5:02
5:04
5:05
5:08
5:10
5:11
5:14
5:15
5:16
5:18
5:21
5:23
5:25
5:27
5:28
5:30
5:31
5:31
5:35
5:37
5:38
5:39
5:42
5:44
5:47
5:51
5:53
5:54
5:57
5:59
6:01
6:03
6:05
6:06
6:08
6:10
6:12
6:14
6:17
6:18
6:19
6:21
6:23
6:25
6:28
6:29
6:30
6:31
6:34
6:35
6:37
6:40
6:42
6:44
6:46
6:48
6:48
6:50
6:53
6:54
6:55
6:57
6:59
7:01
7:04
7:06
7:08
7:11
7:13
7:16
7:17
7:18
7:19
7:22
7:24
7:25
7:27
7:30
7:33
7:35
7:37
7:38
7:40
7:43
7:43
7:49
7:52
7:56
7:59
8:01
8:02
8:05
8:06
8:09
8:13
8:15
8:19
8:21
8:25
8:27
8:29
8:30
8:32
8:35
8:37
8:39
8:42
8:43
8:45
8:48
8:51
8:53
8:55
8:56
8:59
9:01
9:04
9:07
9:10
9:12
9:16
9:18
9:19
9:23
9:26
9:29
9:33
9:35
9:38
9:39
9:42
9:45
9:46
9:49
9:51
9:54
9:57
10:00
10:02
10:05
10:07
10:09
10:12
10:14
10:16
10:18
10:21
10:24
10:27
10:28
10:30
10:33
10:37
10:38
10:41
10:44
10:46
10:47
10:49
10:50
10:52
10:56
10:57
10:59
11:01
11:03
11:06
11:09
11:11
11:14
11:17
11:21
11:23
11:26
11:28
11:30
11:33
11:34
11:37
11:40
11:41
11:42
11:46
11:49
11:51
11:54
11:56
11:58
12:01
12:04
12:06
12:08
12:11
12:14
12:18
12:20
12:21
12:23
12:26
12:29
12:33
12:35
12:37
12:39
12:43
12:45
12:49
12:52
12:54
12:55
12:57
13:00
13:03
13:06
13:08
13:10
13:12
13:15
13:17
13:20
13:23
13:25
13:28
13:30
13:34
13:36
13:39
13:41
13:44
13:47
13:50
13:53
13:55
13:57
14:01
14:01
14:04
14:06
14:10
14:12
14:13
14:16
14:17
14:19
14:21
14:22
14:24
14:27
14:28
14:29
14:32
14:34
14:40
14:41
14:43
14:47
14:50
14:53
14:55
14:57
14:58
15:01
15:02
15:03
15:06
15:09
15:12
15:15
15:19
15:20
15:23
15:24
15:27
15:29
15:32
15:34
15:35
15:38
15:39
15:41
15:43
15:44
15:45
15:48
15:51
15:53
15:55
15:57
16:00
16:02
16:04
16:06
16:09
16:11
16:12
16:14
16:16
16:18
16:19
16:21
16:23
16:26
16:30
16:32
16:35
16:37
16:39
16:39
16:43
16:44
16:47
16:48
16:50
16:53
16:55
16:56
17:00
17:02
17:03
17:07
17:09
17:13
17:14
17:17
17:21
17:23
17:26
17:27
17:30
17:33
17:36
17:38
17:39
17:41
17:42
17:45
17:49
17:50
17:53
17:54
17:58
18:00
18:03
18:06
18:07
18:11
18:13
18:15
18:18
18:20
18:22
18:37
18:39
18:51
18:53
19:16
BIM se encuentra con la inteligencia artificial.
Exploramos la ciencia, la tecnología y el futuro
desde el enfoque de la arquitectura, ingeniería y
construcción.
¡Empezamos!
Muy buenas, bienvenidas, bienvenidos a un nuevo episodio
de BIMPRAXIS.
Hoy os traemos el gran espejismo económico de
la inteligencia artificial.
Cuando los algoritmos salen más caros que la
plantilla humana.
Y bueno, estamos en pleno 2026 y la
verdad es que hay una ironía gigantesca flotando
en el ambiente del sector tecnológico ahora mismo.
Sí, sí, una ironía que además está costando
miles de millones a las empresas.
Totalmente.
Porque, a ver, por un lado tenemos los
titulares que todo el mundo ha visto en
las noticias financieras.
Más de 92.000 personas despedidas en lo que
va de año, Meta recortando 8.000 puestos de
trabajo, cancelando batantes, Microsoft ofreciendo bajas incentivadas masivas
a departamentos enteros.
Departamentos enteros a la calle, sí.
Y todo bajo esta gran bandera de una
supuesta eficiencia operativa impulsada por la inteligencia artificial.
La narrativa es clarísima, o sea, se automatiza
para ahorrar dinero.
Pero luego levantas la alfombra corporativa y descubres
que los presupuestos internos de estas mismas empresas
están saltando por los aires.
Claro, ¿es que los números internos no cuadran
con esa narrativa oficial?
Para nada.
Y aquí es donde entra una cita que
ha caído como una bomba en la industria.
La pronunció Brian Catanzaro, que es el vicepresidente
de Apply Deep Learning en NVIDIA.
Yo me quedé helada a leerla, de verdad.
Dijo literalmente que el coste de computación va
mucho más allá de los costes de los
empleados.
Pues lo fascinante aquí es esa colosal contradicción
que se está viviendo en las salas de
juntas de todo el mundo.
Porque si analizas los números macroeconómicos, las grandes
tecnológicas, las famosas Big Tech, han anunciado unos
gastos de capital de 740 mil millones de
dólares solo para este año, 2026.
Madre mía, es que es una barbaridad de
dinero.
Es un aumento del 69% respecto al año
pasado.
Así que la historia oficial, la que le
venden a Wall Street con mucho entusiasmo, es
que están sustituyendo nóminas humanas por servidores en
la nube para ser más ágiles.
Ya, claro.
Pero la realidad matemática en las trincheras del
desarrollo de software cuenta una historia muy, pero
que muy distinta.
Y por eso el objetivo de nuestra inmersión
a fondo de hoy es precisamente encender la
luz y ver la factura oculta de esta
tecnología.
Queremos entender por qué el mercado está atrapado
en este desajuste a corto plazo y, sobre
todo, desgranar un nuevo marco económico, el LCOI,
que es lo que están usando los directivos
para decidir si contratan a un humano o
encienden un servidor.
Una decisión que ahora mismo les está quitando
el sueño.
Desde luego.
Y para entender el nivel de pánico que
hay entre esos directores financieros, creo que tenemos
que bajar al barro y ver los sustos
reales que se están llevando.
Y no hablo de un desvío pequeño en
un Excel, hablo de presupuestos desbordados a niveles
absurdos.
Absurdos totales.
Pues, investigando, me topé con el caso de
Pravin Nepali Naga, el CTO de Uber.
Este hombre tuvo que confesar hace poco que
su equipo se había pulido íntegramente todo el
presupuesto anual de IA para 2026 en cuestión
de unos pocos meses.
En meses.
Y en una empresa del tamaño de Uber
eso no es calderilla, precisamente.
Hablamos de sumas astronómicas.
Exactamente.
¿Y cuál fue el culpable?
Pues el uso intensivo de herramientas de generación
de código.
En concreto, Cloud Code.
Pero ojo que no es un caso aislado
de una multinacional.
Amos Bar-Yosef, el CEO de GetsOne.com, publicó un
desglose que me dejó sin palabras.
Su equipo, que son solo cuatro personas, logró
generar una factura de IA de 113.000 dólares
en un solo mes.
¿Cuatro personas gastando eso?
Te deja loco.
¿Qué están tecleando para generar una factura de
100.000 dólares al mes?
Es una cifra que obliga a pararse a
pensar.
Y la respuesta nos lleva a la mecánica
oculta de los modelos de lenguaje.
Hay una desconexión brutal entre cómo la gente
cree que se cobra la IA y cómo
funciona realmente bajo el capó.
O sea, quiero decir, yo siempre lo había
pensado como quien se compra un coche de
superlujo.
Vas al concesionario, te fijas solo en la
cuota mensual, que sería la suscripción a la
API, y te olvidas de que ese coche
necesita seguro, mantenimiento y gasolina de avión.
Claro, esa analogía explica muy bien los costes
fijos paralelos.
Pero para entender los 113.000 dólares de esa
startup, necesitamos una metáfora más técnica enfocada en
el consumo puro.
Piensa en las llamadas a una API como
si fueran un trayecto en taxi.
Vale, un taxi.
Pero no un taxi normal.
En este taxi, el taxímetro no cobra por
kilómetros recorridos, sino que te cobra por cada
palabra que tú le dices al conductor y
por cada palabra que el conductor te responde
a ti.
Esos son los famosos tokens de entrada y
de salida.
Ah, vale.
O sea, cada fragmento de información, cada instrucción
que le das, tiene un precio.
Así es.
Y aquí es donde surge el problema real,
un fenómeno que ya han bautizado como token
maxim o maximizar los tokens.
Algunos directivos han adoptado esta filosofía temeraria de
intentar automatizar cualquier proceso usando agentes autónomos.
En plan, vamos a escalar la inteligencia en
lugar de contratar gente.
Eso es, pero hay que entender el mecanismo.
Cuando un agente autónomo recibe una tarea compleja
para la que no está optimizado, por ejemplo,
navegar por una web para extraer latos, a
menudo falla porque no tiene sentido común.
Claro, es una máquina.
¿Y qué hace entonces?
Como es autónomo, entra en bucle.
Intenta corregir su propio error y para hacerlo
vuelve a enviarse a sí mismo todo el
contexto anterior para entender qué falló.
Intento tras intento.
O sea, volviendo a lo del taxi, es
como si el pasajero cada vez que el
taxista se equivoca de calle le tuviera que
volver a contar la historia de su vida
desde el principio pagando por cada palabra una
y otra vez.
Exactamente.
A la velocidad de la luz.
La máquina puede hacer 50.000 intentos fallidos en
una hora.
Cada intento suma millones de tokens.
El taxímetro corre a una velocidad sobrehumana.
Y a final de mes, una tarea administrativa
tonta que un becario humano habría resuelto en
dos horas preguntando a un compañero, te genera
una factura de miles de dólares en la
nube.
Es alucinante.
Básicamente es una máquina muy rápida haciendo estupideces
a precio de oro.
Pero a ver, espera.
Si esto es así de ruinoso en la
práctica, alguien nos está tomando el pelo con
los titulares de los despidos.
Si automatizar es un sumidero de dinero, porque
seguimos viendo a startups vendiendo la idea del
reemplazo laboral total.
Esa es la gran disonancia cognitiva del momento.
Por un lado tenemos la declaración del directivo
de NVIDIA, que mencionabas diciendo que la computación
es carísima.
Sí, lo de Catanzaro.
Pero hay que matizarla.
Si te metes en foros de ingenieros, ves
que el equipo de Catanzaro hace I más
D profundo.
Entrenan modelos masivos desde cero.
Claro, eso son granjas inmensas de servidores.
Exacto, miles de tarjetas gráficas, consumiendo megavatios de
electricidad.
En ese contexto, la computación siempre será el
mayor gasto.
Pero el pánico real está en las empresas
tradicionales que intentan aplicar la IA al trabajo
diario.
Investigadores del laboratorio CSAIL publicaron en 2024 un
análisis detallado sobre la viabilidad económica de reemplazar
humanos con IA Específicamente en trabajos donde el
análisis visual es importante, como un inspector de
calidad en una fábrica de pan Yo habría
apostado a que la IA ya era más
rentable ahí ¿Era lo que todo el mundo
asumía, la verdad?
Pues resulta que los datos son demoledores La
automatización solo es económicamente viable en un triste
23% de esos roles.
En el 77% restante sigue siendo muchísimo más
barato pagar el salario a un ser humano.
Ese 77% es el jarro de agua fría
que necesitaba la industria.
Y tiene una explicación biológica y técnica muy
sencilla.
Los humanos somos máquinas de reconocimiento de patrones
asombrosamente eficientes.
Nuestro cerebro funciona consumiendo la energía de un
bocadillo y un café.
Si una panadería quiere automatizar la inspección visual
para ver si el pan está quemado, no
basta con descargar un programa.
Requiere instalar cámaras de alta resolución, configurar redes
locales, mantener servidores, pagar licencias.
El gasto de capital es tan alto que
pagarle a un empleado sigue siendo infinitamente más
barato.
Entonces, si la ciencia y la economía dicen
que el humano es más barato en casi
8 de cada 10 casos, ¿por qué los
directivos siguen cayendo en la trampa?
¿Están los fundadores de las startups ocultando los
costes en sus presentaciones de ventas?
¿Por qué te muestran gráficos maravillosos donde afirman
que puedes despedir a 5 asistentes legales de
golpe?
A ver, no siempre es un engaño malicioso.
A veces es pura ceguera tecnológica.
El profesor Kiddley, experto en economía de la
IA, lo llama el desajuste a corto plazo.
Argumenta que el mercado vive una ilusión temporal.
Una ilusión subsidiada, ¿no?
Eso es.
Las grandes empresas como OpenAI o Antropic pierden
dinero a puertas ofreciendo suscripciones baratas para captar
clientes.
Y las startups basan su negocio asumiendo que
esos precios serán eternos.
Claro, están construyendo su casa sobre un terreno
alquilado a un precio artificialmente bajo.
Y además, ignoran todo el iceberg de costes
de mantenimiento que decíamos antes.
porque te venden el asistente legal de IA,
pero el comercial omite que vas a gastar
una fortuna en costes de orquestación en la
nube para que el sistema no se caiga.
Ni te mencionan las alucinaciones, claro.
Exacto, las alucinaciones.
Los modelos se inventan información con total seguridad
y para evitar mandar un contrato inventado a
un cliente terminas contratando a un abogado senior,
carísimo, cuya única función es revisar los errores
de la máquina.
Al final cambias salarios junior por facturas de
servidores enormes y un supervisor muy caro.
Y ese inmenso dolor financiero, esa incapacidad para
predecir si un proyecto va a ahorrar dinero
o hundir la empresa, es lo que ha
llevado a buscar una solución matemática estandarizada.
Porque facturar por millones de tokens es muy
opaco.
No puedes comparar nada así.
Claro.
De esta frustración profunda nace el concepto de
Eliseo Curcio, el LCOI o coste nivelado de
la inteligencia artificial.
Me encanta que lleguemos a este punto porque
por fin pone algo de orden en el
salvaje oeste de los precios tecnológicos.
Es un enfoque súper inteligente porque toma prestada
una metodología del sector energético.
Cuando un gobierno decide si construye un parque
solar o una planta de carbón, usa el
LCOE que calcula el coste real de generar
un kilovatio sumando construcción, licencias, mantenimiento y combustible
durante toda su vida útil.
El LCOI hace exactamente lo mismo con la
IA, dividiendo el gasto en CAPEX y OPEX.
Frena un segundo, que aquí es donde mucha
gente se pierde con las siglas financieras.
Para que nos entendamos, sin tener un máster
en economía, el CAPEX vendría a ser como
la hipoteca de una casa, la inversión de
golpe desde los cimientos.
Eso es.
Y el OPEX serían los gastos operativos continuos,
las facturas de la luz, el agua y
el mantenimiento mensual.
El LCOI básicamente mete todo eso en una
licuadora matemática, ¿verdad?
Mejor explicado imposible.
Suma esa gran hipoteca inicial de servidores físicos,
desarrollo a medida e integración, más las facturas
de la luz, que son el consumo eléctrico,
los tokens y los salarios de los ingenieros.
Y la clave maestra es que divide todo
ese dineral entre las inferencias válidas.
Ah, o sea, no divide entre clics, sino
entre resultados útiles.
Exacto.
Respuestas correctas que el sistema entrega.
Y esto cambia totalmente la perspectiva.
Pues, pasando los modelos por esta trituradora del
LCOI, los números de cursos son fascinantes.
Él plantea un escenario de procesar 10 millones
de inferencias al año.
Si vas por lo fácil y usas GPT
4.1, el coste es de 15 dólares por
cada 1.000 inferencias.
Si usas Cloud Haiku, baja a 9,80 dólares.
Números bastante manejables de momento.
Sí, pero aquí me surgía una duda al
leerlo.
Si las empresas temen a las facturas de
la NUME, ¿no sería más lógico abrazar el
código abierto, montar un modelo como Lama 2
en servidores propios en la oficina y no
pagarle peaje a nadie?
Debería ser la opción más barata.
La intuición dice que sí, pero ahí es
donde la metáfora de la hipoteca, el CAPEX,
destroza cualquier presupuesto.
Totalmente, porque el estudio muestra que el alojamiento
propio dispara el coste a 24,80 dólares por
cada 1.000 inferencias.
casi el triple que usar una API externa.
Y todo por la inversión inicial de comprar
servidores con tarjetas NVIDIA A100, que son unos
200.000 dólares el primer día.
Este análisis cambia por completo el debate de
comprar frente a construir.
Históricamente, las corporaciones quieren su propia infraestructura por
privacidad, pero el LCOI demuestra que el punto
de equilibrio es inmensamente alto.
¿De cuánto estaríamos hablando para que compense?
Construir y alojar un modelo interno solo empieza
a ser rentable si superas la barrera de
los 30 o 40 millones de inferencias útiles
al año.
Una cantidad industrial de procesamiento.
O sea, a menos que seas un banco
multinacional procesando datos cada milisegundo, montar eso por
privacidad es quemar billetes en la sala de
calderas.
Sabiendo esto y sabiendo que el humano sigue
siendo más barato, ¿cuándo se va a invertir
esta balanza?
Porque la tecnología no para.
Es un análisis de trayectorias.
Para predecir el cruce de curvas hay que
observar las dinámicas opuestas del silicio frente al
talento humano.
Una observación muy certera.
Sí, el hardware se optimiza y los algoritmos
hacen más con menos.
OpenAI lanzó GPT 5.5 gastando muchísimos menos tokens
internos.
Eso implica que ese punto mágico donde la
máquina es indiscutiblemente más barata avanza hacia nosotros
cada 12 o 18 meses.
Hay una pinza económica inevitable, salarios al alza
por inflación frente a chips a la baja.
Pero a corto plazo esto crea un problema
preocupante.
Como los modelos verdaderamente competentes son muy caros,
la IA se está convirtiendo en un producto
de lujo.
Se percibe una estratificación brutal, ¿sí?
Las corporaciones ricas asumen esas facturas altísimas para
usar modelos punteros que no fallan.
Y las pequeñas empresas se conforman con alternativas
gratuitas que alucinan más, requieren supervisión y son
menos productivas.
Es un riesgo de desigualdad sistémica enorme.
Totalmente.
Es una brecha definida puramente por quién puede
pagar el recibo eléctrico de la computación.
Pero bueno, para ofrecer una visión equilibrada y
cerrar el círculo de la rentabilidad, creo que
hay que poner sobre la mesa el valor
intrínseco de esta tecnología más allá del susto
de las facturas.
La IA es cara si se usa a
lo loco, pero si se focaliza el impacto
es asombroso.
A ver, cuéntame.
Volviendo a los datos del LCOAI, si analizas
un centro de atención al cliente humano, el
coste ronda los 300 dólares por cada 1.000
interacciones.
Si enfrentas esos 300 dólares a los 15
dólares de GPT 4.1, el ahorro en tareas
repetitivas es indiscutible.
Ya, pero 15 dólares sigue siendo dinero si
lo multiplicas por millones de interacciones.
Y si la máquina no entiende al cliente
y este se frustra y se va, lo
barrato sale caro.
Una objeción muy válida.
Por eso los directivos astutos no buscan abaratar
lo que ya hacen, sino el desbloqueo de
capacidades.
Ese es el verdadero cambio de paradigma.
¿A qué te refieres con desbloqueo?
Imagina una aseguradora ante un desastre natural severo.
Reciben 50.000 reclamaciones complejas en un solo día.
Un equipo humano, por mucho dinero que gastes,
físicamente no puede leer y responder 50.000 expedientes
en 24 horas.
Logísticamente imposible sin colapsar.
colapsar.
Exacto, pero una IA bien orquestada sí puede.
En ese escenario, la métrica no es comparar
el salario de un oficinista con el coste
de un token.
La métrica es comparar la incapacidad humana para
operar esa escala frente a una tecnología que
desbloquea una respuesta masiva que antes era ciencia
ficción empresarial.
Me parece un punto de vista fundamental para
no quedarnos solo en el pesimismo de los
costes.
La clame es expandir los límites logísticos.
Sin embargo, y repasando todo, quiero dejar flotando
una última idea provocadora para la reflexión.
Todo el mundo dice que la IA es
democratizadora, un atajón mágico para todos, pero varias
investigaciones hablan de una distribución bimodal de la
productividad.
Ah, sí, el efecto multiplicador según la experiencia.
Exactamente.
La IA no mejora a todos por igual.
Si un profesional ya es altamente cualificado y
sabe qué pedirle a la máquina, la tecnología
es un multiplicador de fuerza brutal.
Le ahorra horas.
Claro, porque sabe evaluar el resultado.
Eso es.
Pero si un pabajador inexperto no sabe formular
peticiones ni detectar errores, acaba dando vueltas en
círculo.
Pierde horas peleándose con la máquina en bucles
improductivos.
Así que la pregunta inquietante es, ¿estamos construyendo
una herramienta que en lugar de igualar el
terreno va a ensanchar radicalmente la brecha de
habilidades premiando a la élite y dejando atrás
a los junior?
Ahí queda la pregunta Antes de despedirnos, hasta
el próximo programa os informamos de que las
voces que oyes han sido generadas por la
IA de Notebook LM y que dirigiendo el
podcast se encuentra Julio Pablo Vázquez, un humano
que te envía saludos En caso de error
probablemente sean errores humanos ¿Nos escuchamos?
Y hasta aquí el episodio de hoy.
Muchas gracias por tu atención.
Esto es BIMPRAXIS.
Nos escuchamos en el próximo episodio.
¡Suscríbete al canal!