“Solo el 16 por ciento de los estadounidenses cree que la IA tendrá un impacto positivo en la sociedad.” Es una cifra brutal, pero tiene todo el sentido del mundo. Pasamos todo nuestro tiempo en la burbuja: leyendo X, siguiendo las estrellas de GitHub, discutiendo sobre ventanas de contexto y debatiendo los méritos de los diferentes métodos de cuantización, y olvidamos que la persona promedio no está buscando un “copiloto.” Está buscando una razón para que su trabajo no esté a punto de ser eliminado por un script escrito por un joven de 22 años en San Francisco que cree que la “eficiencia” es un sustituto de un salario digno.
La desconexión es una característica, no un error. Mientras la C-suite se antoja con los beneficios de eficiencia y el potencial de plantillas más reducidas, las personas que realmente hacen el trabajo se quedan mirando una herramienta que ocasionalmente les dice que pongan pegamento en la pizza. Según este informe de TechCrunch, la brecha entre el optimismo de los inversores y el pánico del público es un cañón. ¿Por qué habría de ser optimista el público en general? La mayoría de las “funciones de IA” añadidas al software existente durante el último año no han sido más que una capa fina sobre un prompt que hace que la interfaz sea más lenta y la salida más genérica.
Este es el clásico “Efecto Demo” escalado a toda una industria. Ya lo hemos visto antes con los inicios del metaverso: muchos cascos caros y presentaciones corporativas brillantes, pero muy pocas razones para que una persona normal realmente los use. La industria se ha centrado completamente en la “magia” del modelo (y probablemente en menos si le preguntas a la gente que realmente tiene que leer la salida) en lugar del trabajo aburrido de la fiabilidad. Si no puedes confiar en una herramienta para acertar un hecho básico el 100% de las veces, no lo ves como un beneficio; lo ves como un pasivo que requiere un cuidador humano a tiempo completo para evitar una catástrofe corporativa.
El problema es que los laboratorios persiguen la AGI mientras los usuarios solo intentan averiguar por qué su cliente de correo ahora intenta escribir sus pensamientos por ellos en un tono que suena como un manual de RRHH corporativo de 1994. Es como venderte un coche de Fórmula 1 para ir al supermercado. Claro, es rápido, pero hace ruido, da miedo y no puedes meter un galón de leche en el maletero. ¿Realmente esperamos que la gente vitoree a una tecnología que es esencialmente una caja negra diseñada para optimizarlos fuera de un cheque de nómina?
Luego está la realidad física del asunto. Los requisitos de energía son astronómicos, los H100 tienen un precio como si fueran artefactos medievales raros, y la latencia sigue siendo lo suficientemente molesta como para romper el flujo de una conversación real. Hablamos de la “inteligencia” en abstracto, pero el usuario experimenta la fricción de un icono de carga girando y una cuota mensual por una función que antes era gratis. El coste de inferencia es efectivamente un impuesto a la paciencia del usuario. O quizás la latencia es solo un efecto secundario de la arquitectura actual; no estoy del todo seguro de si hemos dado con un techo aquí o si los laboratorios simplemente son perezosos con la optimización.
Este sentimiento no cambiará solo porque un nuevo modelo se lance con un puntaje MMLU ligeramente mejor o una ventana de contexto más grande. Al público no le importan los benchmarks. Le importa si la herramienta realmente resuelve un problema sin crear otros tres. A menos que haya un cambio fundamental hacia una utilidad verificable sobre la adivinación probabilística, ese 16% seguirá bajando. Para el Q4 de 2026, veremos este número caer a un solo dígito a medida que se desgaste la novedad y los costes reales—económicos, sociales y ambientales—se conviertan en el punto principal de discusión.
El hype finalmente se está topando con un muro.
