← Todas las notas

Artículo ·

Nvidia, Anthropic y el coste real de depender de la IA

Nvidia, la salida a bolsa de Anthropic y los fallos de sistemas plantean una pregunta para tu negocio: cómo aprovechar la IA y mantener el control operativo.

Una empresa incorpora IA para responder consultas, preparar presupuestos o revisar documentos. La primera prueba funciona. El siguiente paso parece sencillo: conectarla al trabajo diario y ampliar su uso.

Ahí aparecen preguntas que una demostración rara vez resuelve. ¿Quién revisa una respuesta incorrecta? ¿Qué ocurre si el proveedor deja de responder? ¿Cuánto cuesta terminar una tarea cuando hay que corregirla dos veces?

Las noticias de noviembre sobre Nvidia, Anthropic, nuevos modelos y fallos de infraestructura permiten mirar esas preguntas desde otra escala. Mi lectura es que aprovechar la IA en un negocio exige invertir también en la capacidad de comprobar resultados, gestionar cambios y seguir trabajando cuando algo falla.

Nvidia: crecimiento y dependencia en la misma noticia

El 12 de noviembre, Nvidia anunció la dimisión de Jensen Huang como presidente, consejero delegado y miembro del consejo. Colette Kress asumió como consejera delegada interina mientras la empresa busca un sucesor. Comunicado de Nvidia.

Cinco días después, la compañía comunicó ingresos de 115.800 millones de dólares en el tercer trimestre de su ejercicio fiscal 2027, un 103 % más que un año antes. Para el trimestre siguiente, sus previsiones no incluyen ingresos de computación para centros de datos procedentes de China. Son cifras y previsiones de la propia empresa. Resultados trimestrales.

El crecimiento puede convivir con cambios profundos en la dirección y con límites en el acceso a mercados. Esa combinación importa cuando construimos servicios sobre tecnología ajena.

Un negocio que utiliza una aplicación de IA quizá nunca compre una GPU. Aun así, conviene conocer de qué proveedores depende esa aplicación y qué compromisos de servicio ofrece. La cadena empieza mucho antes de la pantalla donde escribimos una consulta.

La consecuencia práctica es revisar cuánto costaría cambiar de herramienta. ¿Podés exportar tus documentos? ¿Las instrucciones del proceso están guardadas fuera de la aplicación? ¿Hay una forma de atender los casos pendientes durante una interrupción?

Son decisiones que se pueden tomar al empezar, cuando todavía resulta barato modificar el proceso.

Anthropic: el capital captado y el valor para tu empresa

La documentación de Anthropic presentada ante la SEC el 11 de noviembre recogía un rango estimado de 70 a 78 dólares por acción para su oferta estadounidense. El propio documento aclara que ese rango podía cambiar. Es una referencia de la preparación de su salida a bolsa, no el precio definitivo de colocación. Documentación de la oferta.

Para quien evalúa incorporar Claude a un proceso, la pregunta útil está más cerca: ¿qué trabajo concreto mejora y cómo vamos a comprobarlo?

Pensemos en una empresa que recibe solicitudes de presupuesto por correo. Podría usar IA para extraer lo que pide el cliente y preparar un borrador. El resultado sería valioso si identifica los datos necesarios, señala lo que falta y permite al equipo responder antes con un presupuesto correcto.

La evaluación tendría que incluir solicitudes incompletas, condiciones poco habituales y mensajes ambiguos. También debería medir el tiempo de revisión. Una respuesta rápida que exige rehacer el presupuesto puede encarecer el trabajo.

Es un ejemplo propuesto, no una prueba realizada. Sirve para separar el entusiasmo por una compañía de la evidencia necesaria para adoptar su producto en una tarea propia.

Nuevos modelos: medir el coste de terminar el trabajo

OpenAI presentó GPT-6.2 Astra y Sol con mejoras de capacidad y eficiencia. Según su anuncio, Astra está orientado a proyectos exigentes y Sol a trabajo cotidiano; la compañía también atribuye a ambos una mayor eficiencia en el uso de tokens. Son afirmaciones del proveedor, que habría que contrastar en cada aplicación. Presentación de los modelos.

Para un negocio, el coste por consulta es una parte de la cuenta. También cuentan los intentos fallidos, las herramientas adicionales y el tiempo de quien revisa el resultado.

Una medida útil sería el coste por tarea completada y aceptada: sumar el consumo del servicio y el trabajo de revisión y corrección, y dividirlo por las tareas que cumplen el criterio acordado. Comparar ese resultado con el proceso actual ayuda a decidir si el cambio merece la pena.

En el ejemplo de los presupuestos, el criterio podría ser que el borrador conserve cantidades, condiciones y referencias, y que identifique la información pendiente. Conviene definirlo antes de probar modelos para evitar elegir por la respuesta que mejor suena.

Este criterio también permite aprovechar una mejora sin rehacer toda la herramienta: probar el nuevo modelo con los mismos casos y ampliar su uso si los resultados lo justifican.

Las caídas de sistemas muestran otro límite

Un reportaje de The Washington Sun atribuye a tres fuentes conocedoras de conversaciones privadas con legisladores la relación entre algunas interrupciones en bancos y la NSA y la aplicación urgente de parches para vulnerabilidades detectadas con IA. El mismo texto señala que la causa de la caída de la FAA seguía sin aclararse y que Microsoft había atribuido su interrupción a un defecto técnico. No permite concluir que todos los incidentes tuvieran una causa común. Reportaje sobre los fallos y los parches.

La cuestión operativa que plantea merece atención: descubrir problemas más rápido aumenta el trabajo necesario para resolverlos. Hay que decidir qué corregir primero, aplicar el cambio y comprobar sus efectos.

En el artículo sobre aplicar el parche de PHP2Shell con ayuda de la IA, hablamos del valor de recibir feedback rápido para adaptar una solución a distintas instalaciones. Esa rapidez ayuda cuando va acompañada de conocimiento del entorno y de una comprobación del resultado.

La misma disciplina sirve para una automatización comercial. Cambiar el modelo, sus instrucciones o una integración puede alterar lo que recibe el cliente. Por eso conviene conservar casos de prueba, observar las primeras ejecuciones y tener una forma de detener el envío automático si aparecen errores.

Una decisión concreta para esta semana

Si ya usás IA en tu negocio, elegí un proceso y dejá por escrito estas cinco cosas:

  1. El resultado esperado. Qué tiene que entregar y qué errores lo vuelven inaceptable.
  2. La comprobación. Qué casos vas a utilizar para evaluar un cambio antes de ampliarlo.
  3. El responsable. Quién recibe las excepciones y puede detener la automatización.
  4. La continuidad. Cómo sigue el trabajo si la herramienta falla o pierde acceso al proveedor.
  5. El coste completo. Cuánto consumen el servicio, las revisiones y las correcciones por tarea aceptada.

Con esas respuestas resulta más fácil decidir qué automatizar y hasta dónde. Un borrador interno puede admitir revisión antes de usarse; un mensaje que confirma un precio al cliente necesita controles antes de salir.

Las noticias de esta semana ofrecen motivos para probar nuevas capacidades. Mi propuesta es acompañar cada prueba con una pregunta de negocio: ¿podemos hacernos responsables del resultado cuando esta herramienta forme parte del trabajo diario?