Gaceta Crítica

Martin Hart-Landsbrerg (INFORMES DEL FRENTE ECONÓMICO y MR ONLINE), 11 de Agosto de 2026

Esta es la segunda publicación de una serie de artículos que buscan disipar la confusión generada por la IA para comprender algunos de los peligros reales que conlleva su uso y destacar posibles vías de resistencia efectiva. La primera parte ofrece una visión general de mi argumento. Esta publicación desmiente la exageración en torno a los sistemas de IA generativa basados ​​en grandes modelos de lenguaje (LLM, por sus siglas en inglés) (que posteriormente se convertirían en sistemas de IA multimodales) desarrollados por empresas tecnológicas líderes, en particular ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Grok (xAI), Copilot (Microsoft) y Llama (Meta).

Fallo en el lanzamiento

Los líderes tecnológicos quieren hacernos creer que la IA es una fuerza imparable; que nuestra única opción es aceptarla. Como dijo Eric Schmidt, ex director ejecutivo de Google, a los asistentes a su discurso de graduación en la Universidad de Arizona en 2026: «Cuando alguien te ofrece un asiento en el cohete, no preguntas cuál. Simplemente subes». Como era de esperar, su discurso fue recibido con fuertes y constantes abucheos por parte de los graduados.

El lanzamiento de ChatGPT por OpenAI en noviembre de 2022 marcó el inicio de la interacción pública con los sistemas de IA generativa basados ​​en modelos de lenguaje a gran escala (LLM). ChatGPT era gratuito, de fácil acceso y no requería conocimientos técnicos para su uso. En enero de 2023, se convirtió en la aplicación de software para consumidores de más rápido crecimiento de la historia, alcanzando más de 100 millones de usuarios en dos meses. Como era de esperar, otras compañías —Anthropic, Google, xAI, Microsoft y Meta— pronto lanzaron sus propios modelos competidores.

Con el tiempo, estos sistemas mejoraron tanto en velocidad como en capacidad gracias a un software y hardware más potentes. Además, se volvieron multimodales, capaces de responder a entradas de imagen, vídeo y sonido, así como a texto. Impulsadas por estos logros, las afirmaciones de los desarrolladores de IA se volvieron cada vez más exageradas.

Mark Zuckerberg, director de Meta, escribió que «la superinteligencia está ahora a la vista [y una vez alcanzada] mejorará todos nuestros sistemas actuales y permitirá la creación y el descubrimiento de cosas nuevas que hoy son inimaginables». Sam Altman, director de OpenAI, afirmó que «ahora confiamos en que sabemos cómo construir IAG (inteligencia artificial general)», [un logro] que acelerará enormemente el descubrimiento científico y la innovación mucho más allá de lo que somos capaces de hacer por nuestra cuenta». Dario Amodei, director de Anthropic, sugirió con cierta ironía que el modelo de IA de su empresa podría haberse convertido ya en una entidad consciente. Y según Elon Musk, director de SpacexAI, «cada vez parece más evidente que la humanidad es un cargador de arranque biológico para la superinteligencia digital».

Es imposible saber si estas personas creen lo que dicen o si lo hacen para seguir recibiendo dinero. En cualquier caso, lo cierto es que estos sistemas no son «inteligentes» y no representan un avance significativo hacia la creación de una inteligencia artificial general capaz de pensar, aprender y resolver problemas por sí misma.

Los sistemas de IA multimodal se basan en tecnología compleja. En su nivel más básico, son gigantescas máquinas de predicción estadística que dependen del reconocimiento de patrones a gran escala. Estos patrones se generan a partir de datos de entrenamiento que primero deben convertirse en tokens numéricos para que sean legibles por la máquina. Posteriormente, los tokens se procesan mediante una red neuronal compuesta por capas interconectadas de nodos que trabajan en conjunto para procesar los datos e identificar patrones relevantes. La velocidad y la precisión del proceso están determinadas por miles de millones de parámetros cuyos pesos se ajustan con el tiempo mediante procedimientos de entrenamiento especialmente diseñados.

Cuando se les plantea una pregunta o se les solicita información, estos sistemas recurren a sus redes neuronales para identificar material relacionado con la pregunta en su base de datos y elaborar una respuesta que, probabilísticamente hablando, satisfaga mejor la consulta. La respuesta, presentada en forma de token, se traduce posteriormente a palabras, imágenes o sonidos, según corresponda. En otras palabras, por muy conversacionales e inteligentes que parezcan estos sistemas, no «piensan» ni «razonan».

Esta arquitectura interna no solo es incapaz de generar una unidad operativa autónoma o una IA general, sino que también adolece de limitaciones que dificultan el uso actual de sistemas multimodales. Una de ellas es que los sistemas multimodales generan resultados que tienden a replicar los sesgos existentes. La razón es sencilla: dado que la mayor parte de los datos utilizados para el entrenamiento se extraen de internet, incluyen todo el material discriminatorio y de odio que allí se encuentra.

Así, un  artículo de Nature  sobre generadores de imágenes basados ​​en IA informa que los investigadores  descubrieron que:

En las imágenes generadas a partir de indicaciones que solicitaban fotos de personas con ciertos trabajos, las herramientas representaban a casi todas las empleadas domésticas como personas de color y a todas las azafatas como mujeres, en proporciones mucho mayores que la realidad demográfica. Otros investigadores han encontrado sesgos similares en general: los modelos de IA generativa de texto a imagen suelen producir imágenes que incluyen rasgos sesgados y estereotipados relacionados con el género, el color de piel, las ocupaciones, las nacionalidades y otros factores.

Este problema de sesgo no se limita a las imágenes. Investigadores de la Universidad de Washington  examinaron  tres de los modelos de IA de lenguaje más utilizados para analizar cómo trataban la raza y el género al evaluar a los solicitantes de empleo. Los investigadores utilizaron currículos reales y estudiaron cómo respondían los sistemas a su envío para ofertas de trabajo reales. Su conclusión: existía un “sesgo racial, de género e interseccional significativo”. Más específicamente, ellos:

Se analizaron diversos nombres asociados con hombres y mujeres blancos y negros en más de 550 currículos reales y se descubrió que los LLM favorecían los nombres asociados con personas blancas en el 85 por ciento de los casos, los nombres asociados con mujeres solo en el 11 por ciento de los casos, y nunca favorecían los nombres asociados con hombres negros sobre los nombres asociados con hombres blancos.

Cuanto más extendido esté el uso de esta tecnología, mayor será el daño social. Como explicó un estudio del gobierno del Reino Unido :

El sesgo humano afecta a grupos pequeños, pero el sesgo de los modelos de aprendizaje automático influye sistemáticamente en millones de usuarios a través de sistemas automatizados que aparentan ser objetivos y autoritarios. Estos modelos no solo reflejan los sesgos sociales existentes, sino que transforman activamente la forma en que se presenta la información y se toman las decisiones.

La integración generalizada de los modelos de aprendizaje lógico (MLL) en los sistemas de toma de decisiones aumenta exponencialmente estos riesgos. Cuando se utilizan modelos sesgados en la contratación, el diagnóstico médico, la educación o los procedimientos legales, los prejuicios individuales se convierten en parte de los sistemas a gran escala.

La implementación sesgada de modelos de aprendizaje por correspondencia genera efectos de amplificación que magnifican las desigualdades sociales más allá de la capacidad del sesgo humano individual. Millones de personas que interactúan con el mismo modelo sesgado normalizan los patrones discriminatorios en toda la sociedad. Al mismo tiempo, los ciclos de retroalimentación aceleran el sesgo, ya que los resultados sesgados influyen en el comportamiento humano y generan datos de entrenamiento que refuerzan la discriminación original.

La supuesta autoridad de los sistemas de IA reduce el escrutinio crítico, lo que hace que los usuarios sean más propensos a aceptar recomendaciones sesgadas como verdades objetivas. La propagación multiplataforma multiplica el impacto, ya que los mismos modelos impulsan simultáneamente las recomendaciones de empleo, los resúmenes de noticias y las redes sociales, creando una discriminación coordinada en todas las experiencias digitales.

Otra limitación, que preocupa especialmente a las empresas, es que los sistemas multimodales, debido a su toma de decisiones probabilística, suelen generar respuestas erróneas o mal construidas. Un ejemplo: en febrero de 2025, la BBC  puso a prueba  la capacidad de los principales modelos de IA para resumir noticias, proporcionándoles contenido de su propio sitio web y haciéndoles preguntas al respecto. Aproximadamente el 20 % de sus respuestas contenían errores de hecho, como afirmaciones, cifras y fechas incorrectas.

Las alucinaciones pueden tener repercusiones financieras para quienes dependen de esta tecnología. Cientos de abogados en Estados Unidos han sido multados por presentar documentos judiciales con nombres de casos y citas generados por IA inexistentes. En un juicio de gran repercusión, los dos abogados que representaron sin éxito al director ejecutivo de My Pillow, Mike Lindell, en una demanda por difamación, fueron multados por presentar ante el tribunal más de dos docenas de casos ficticios. Como informó la Radio Pública Nacional (NPR), «El uso de la IA por parte de los abogados en los tribunales no es ilegal en sí mismo. Pero [Nina Y. Wang, la jueza en ese caso] determinó que los abogados violaron una norma federal que exige que los abogados certifiquen que las demandas que presentan ante el tribunal están “bien fundamentadas” en la ley. Resulta que los casos falsos no cumplen con ese requisito».

Se podrían citar muchos otros ejemplos de alucinaciones, pero un caso judicial de junio de 2026 en Alemania destaca por su potencial para cambiar drásticamente la forma en que las empresas evalúan el costo de usar estos sistemas en el futuro. Como explicaba un artículo del New York Times : «En 2024, Google comenzó a dar a las respuestas generadas por IA un lugar destacado en la parte superior de su página de resultados de búsqueda. El nuevo producto, AI Overviews, ayudó a transformar a Google de un curador de información a un editor».

El artículo del New York Times también citó un estudio reciente que reveló que aproximadamente una de cada diez respuestas proporcionadas por AI Overviews era inexacta. Además, más de la mitad de sus respuestas correctas incluían enlaces a sitios web que supuestamente aportaban pruebas, pero no lo hacían. Asimismo, muchas de sus respuestas correctas a las preguntas contenían información adicional incorrecta.

Google aparentemente pensó que la declaración debajo de cada respuesta de la sección «Resumen de IA», en la que se reconoce que los sistemas de IA cometen errores y que los lectores deben verificar sus respuestas, era suficiente para cubrir cualquier declaración falsa o engañosa. Pero Google ahora sabe que, al menos en Alemania, podría ser legalmente responsable de lo que dice su programa de IA. Según un informe de DW News:

La función de resumen de Google había vinculado erróneamente a dos editoriales con prácticas comerciales dudosas, estafas de suscripción y esquemas fraudulentos. Además, había vinculado a los demandantes con información sobre otras empresas realmente sospechosas e inventado conexiones inexistentes.

Las empresas exigieron a Google que rectificara la situación de inmediato. Ante la negativa de Google, las editoriales demandaron a la compañía y ganaron el juicio. El tribunal dictaminó que, dado que el programa de IA de Google iba más allá de resumir el trabajo de otros para realizar «declaraciones independientes, nuevas y sustanciales», su resultado constituía difamación. Google ha apelado la sentencia, pero de mantenerse, podría tener un efecto disuasorio en el uso futuro de la IA.

Los líderes tecnológicos suelen restar importancia a la gravedad de estas limitaciones, afirmando que se superarán con conjuntos de datos más amplios, un mejor entrenamiento de los modelos, algoritmos más sofisticados y mayor capacidad de procesamiento. Sin embargo, sus esfuerzos han estado lejos de ser exitosos. Por ejemplo, a los desarrolladores de IA les resulta difícil obtener los datos de alta calidad generados por humanos que necesitan para el entrenamiento, ya que una proporción cada vez mayor del contenido en la web es ahora creado por IA. Además, la dependencia de datos generados por IA, que ya son el resultado de una selección probabilística previa, reduce el abanico de posibilidades que los modelos futuros pueden aprovechar, lo que lleva a resultados que convergen hacia una especie de media estadística insípida y, finalmente, al colapso del modelo.

Los desarrolladores de IA sin duda han aumentado la sofisticación y la capacidad computacional de sus modelos, pero numerosos estudios han constatado que estos esfuerzos no han logrado reducir las alucinaciones. Como  explicó el New York Times  : «Las tecnologías más nuevas y potentes… generan más errores, no menos». Además, como señaló Computer World , incluso investigadores asociados con OpenAI, el principal desarrollador de IA, han concluido que «los grandes modelos de lenguaje siempre producirán alucinaciones debido a limitaciones matemáticas fundamentales que no pueden resolverse mediante una mejor ingeniería». De hecho, «los propios modelos de razonamiento avanzado de OpenAI presentaban alucinaciones con mayor frecuencia que los sistemas más simples».

La prueba está en los resultados.

La experiencia empresarial con esta tecnología, marcada en gran medida por las limitaciones mencionadas anteriormente, contrasta notablemente con las declaraciones de los líderes tecnológicos. Por ejemplo, una evaluación realizada en 2025 por el MIT Media Lab sobre cientos de implementaciones de IA reveló que el 95 % de las organizaciones no obtenían ningún retorno. Una encuesta realizada por S&P Global Market Intelligence a más de 1000 empresas de Norteamérica y Europa descubrió que el 42 % había abandonado la mayoría de sus iniciativas de IA en 2025, frente al 17 % en 2024. Una encuesta del National Bureau of Economic Research a altos ejecutivos de Estados Unidos, Reino Unido, Alemania y Australia, realizada entre noviembre de 2025 y enero de 2026, reveló que las empresas reportan un impacto mínimo de la IA en los últimos tres años, y más del 80 % no reporta ningún impacto ni en el empleo ni en la productividad.

Este pésimo historial ha puesto a los desarrolladores de IA en una situación difícil. Los dos líderes del sector, OpenAI y Anthropic, que en conjunto representan la gran mayoría de la demanda de computación para IA, aún no han obtenido beneficios. La razón es sencilla: entrenar y ejecutar sus modelos es costoso, pero han ofrecido a sus clientes servicios de suscripción gratuitos o con precios muy subvencionados para fomentar su adopción.

Como se mencionó anteriormente, los sistemas de IA multimodal no pueden procesar texto directamente. Las preguntas o directivas deben convertirse primero en unidades numéricas legibles por máquina, llamadas tokens. La cadena de tokens resultante se procesa y se genera una respuesta, también en forma de token, que luego se convierte nuevamente en texto legible. Debido a que las suscripciones, con tarifas mensuales que oscilaban entre $20 y $200, permitían un uso prácticamente ilimitado de tokens, las empresas desconocían o no les preocupaban los costos que OpenAI o Anthropic debían pagar por los servicios informáticos necesarios para ejecutar sus respectivos modelos de IA.

Así, animaron con entusiasmo a sus empleados a maximizar el uso de la IA. De hecho, muchas de las empresas más grandes, como Amazon, establecieron clasificaciones internas para monitorizar y premiar a sus usuarios de IA más activos, con la esperanza de que este incentivo generara nuevas ideas de productos o procesos de producción. Desafortunadamente para los proveedores de modelos, la brecha entre los ingresos por suscripción y sus costes operativos era considerable.

Como señaló el comentarista tecnológico Ed Zitron , los proveedores de IA “están derrochando dinero, ya que hasta hace poco Anthropic permitía gastar más de 8 dólares en computación por cada dólar de suscripción. OpenAI permite hacer lo mismo, aunque es difícil calcular cuánto”. Un dato interesante: Futurism informó que Sam Altman, CEO de OpenAI, reconoció que incluso la cuenta Pro más cara de la compañía, de 200 dólares al mes, resulta deficitaria debido a los altos costos de computación que implica el funcionamiento de ChatGPT. Añadió: “La gente lo usa mucho más de lo que esperábamos”.

No es de extrañar, entonces , que ChatGPT perdiera 5 mil millones de dólares en 2024 y 8 mil millones en 2025. OpenAI pronostica una pérdida de al menos 14 mil millones de dólares en 2026, y algunos analistas creen que la empresa podría quedarse sin efectivo a mediados de 2027 si no recibe una importante inyección de capital. ChatGPT tiene más de 500 millones de usuarios semanales, pero solo 15,5 millones son suscriptores de pago, lo que, como observa Zitron , «es una tasa de conversión absolutamente pésima». Anthropic va por el mismo camino: perdió 5200 millones de dólares en 2025.

Y es difícil ver cómo estos desarrolladores líderes de IA van a superar esta situación. Como señala Cory Doctorow :

¿Cómo van a recuperar la inversión? No es que la vayan a recuperar añadiendo más clientes. La IA tiene una economía unitaria muy baja, que es como los economistas describen lo que sucede cuando una empresa vende otro de sus productos o añade un nuevo cliente. Ya sabes, la web en sus inicios generaba pérdidas, pero cada usuario aportaba más dinero a las empresas de internet. Cada vez que usaban la web, esta se volvía más rentable. Cada generación de la web es más rentable. Con la IA, cada nuevo cliente supone más pérdidas para las empresas de IA. Cada nuevo uso de la IA les genera más pérdidas.

Una respuesta perdedora

A principios de 2026, ante las cuantiosas y crecientes pérdidas, los principales desarrolladores de IA, liderados por OpenAI y Anthropic, lanzaron una nueva estrategia de precios. Comenzaron a adoptar la facturación basada en tokens, con la esperanza de que este cambio de estrategia finalmente los encaminara hacia la rentabilidad. Sin embargo, esta nueva estrategia se basa en una premisa fundamental: que sus clientes estén dispuestos a aceptar costos que aumentan rápidamente y, quizás aún más importante, que son impredecibles por el uso de la IA. Y parece que no lo están.

El principal problema de esta estrategia para los usuarios empresariales es que resulta imposible conocer o predecir, de antemano, el consumo total de tokens asociado a cualquier consulta o directiva de IA. Esto se debe a que los sistemas de IA suelen explorar múltiples vías de consulta antes de generar una respuesta, y cada vía puede implicar un consumo significativo de tokens. Además, siempre existe la posibilidad de que la respuesta final sea una alucinación, lo que requeriría otra consulta y una nueva ronda de consumo de tokens. En otras palabras, la facturación basada en tokens transforma un coste fijo para el uso de la IA en un coste incierto, que puede superar fácilmente los límites presupuestarios establecidos. De hecho, esto es lo que ha sucedido y la respuesta empresarial ha sido inmediata: se está ordenando a los empleados que reduzcan drásticamente su uso de la IA.

Como lo describe una noticia de 404 Media :

Las noticias evidencian las consecuencias de que las empresas adopten la IA lo más rápido posible, y de que los proveedores de IA cobren a las empresas en función de su uso, en lugar de una tarifa fija. Correos electrónicos obtenidos por 404 Media incluso muestran que algunas empresas están cortando el acceso a ciertos modelos de IA para evitar el consumo excesivo de sus tokens de IA, y grandes empresas tecnológicas como Adobe están poniendo fin al acceso ilimitado a Claude.

Esta respuesta empresarial, fácilmente predecible, deja claro que se necesita mucho más que una nueva política de precios para que los desarrolladores de IA generen el crecimiento de ingresos necesario para mantener sus actividades y financiar los numerosos centros de datos hiperescalables que se están construyendo bajo la premisa de un crecimiento constante de la demanda de sus servicios de IA más caros. Y, a principios de 2026, los desarrolladores de IA empezaron a creer que habían encontrado la solución a su problema: los agentes de IA.

Se decía que los agentes de IA permitirían a las empresas revolucionar sus operaciones, aumentando la producción y reduciendo drásticamente el empleo. Y dado que estos agentes dependen de los sistemas multimodales existentes para su funcionamiento, su uso garantizaría un futuro rentable para los principales desarrolladores de IA. Las visiones de un futuro de abundancia para todos quedaron en el olvido, sustituidas por la amenaza de un «apocalipsis laboral». Sin embargo, como veremos en la Parte III, las empresas están descubriendo rápidamente que la utilidad de los agentes de IA se ha exagerado enormemente.

Martin Hart-Landsberg es profesor emérito de Economía en el Lewis and Clark College de Portland, Oregón, e investigador adjunto en el Instituto de Ciencias Sociales de la Universidad Nacional de Gyeongsang , Corea del Sur. Sus áreas de docencia e investigación incluyen la economía política, el desarrollo económico, la economía internacional y la economía política de Asia Oriental. También es miembro de la Junta de Derechos Laborales (Portland, Oregón) y mantiene el blog « Reports from the Economic Front», donde se publicó originalmente este artículo.