martes, 17 de noviembre de 2026

Elephant-Goldfish Model (EGM)

Evaluación técnica basada en la documentación pública del repositorio, el blog oficial de Google Open Source y la evidencia disponible en la comunidad. Se distingue explícitamente entre lo que el proyecto declara, lo que documenta y lo que la comunidad reporta.

1. Problemas que motivaron su desarrollo

EGM no nace como un producto comercial ni como un modelo de IA, sino como una respuesta metodológica a cuatro fallos sistémicos que el equipo de Google identificó en el uso de agentes de código en producción. La documentación de arquitectura del repositorio los enumera con precisión:

Cascadas de alucinación y contaminación de contexto: cuando una sola sesión de LLM entrevista al desarrollador, redacta el diseño y escribe el código, el contexto acumula hipótesis especulativas y sesgos conversacionales. El modelo termina validando sus propias suposiciones defectuosas en lugar de detectar errores.
Implementación prematura ("síndrome de la maleza"): los agentes de código tienden a escribir código inmediatamente en archivos cercanos, saltándose la colocación arquitectónica de alto nivel, las comprobaciones de simplicidad (YAGNI) y la reutilización de infraestructura existente.
Fatiga por volcado de chat: presentar especificaciones de varias páginas o retroalimentación extensa directamente en la ventana de chat degrada el rendimiento del contexto del LLM y genera una ergonomía de usuario pobre.
Deriva documental: los documentos de diseño redactados al inicio del proyecto se pudren a medida que el código evoluciona, rompiendo la incorporación futura de agentes de IA.

La tesis subyacente —formulada por Dave Rensin, Distinguished Engineer de Google, en el ensayo que originó el proyecto— es que en la era de la IA generativa "el diseño es el nuevo código". La velocidad de codificación sin barreras estructuradas simplemente autoescala los errores.

2. Quiénes son los desarrolladores

EGM es un proyecto de Google publicado bajo licencia Apache 2.0, pero con una salvedad importante que el propio README incluye: "This is not an officially supported Google product". Es decir, es código abierto originado en Google, pero sin el respaldo formal de soporte corporativo que tienen otros productos de la compañía.

El origen intelectual es el ensayo de Dave Rensin (@drensin), Distinguished Engineer en Google, titulado Elephants, Goldfish and the New Golden Age of Software Engineering. La documentación de arquitectura del repositorio lista como autores a Jim Quinn (@quinnjim), Elise Ewing (@eewing314) y el propio Rensin. El blog oficial de Google Open Source atribuye la autoría del anuncio a cinco firmantes, incluyendo a Rensin.

El proyecto fue desarrollado inicialmente para uso interno de ingenieros de Google. La afirmación del blog oficial —"Thousands of Googlers use this plugin every day to ship production Google code"— es la única métrica de adopción interna disponible, y no viene acompañada de datos verificables externamente.

3. Qué tan bien funciona: evidencia y limitaciones

EGM no es un modelo de IA. Es un plugin de orquestación que estructura el flujo de trabajo de agentes existentes (Claude Code, Codex, Antigravity, ChatGPT) mediante roles separados: un agente "Elephant" con contexto completo que redacta la especificación, y subagentes "Goldfish" sin contexto previo que la revisan en etapas secuenciales.

Lo que la evidencia documenta

  • Pruebas de arnés (harness tests): Codex 0.163.0 completó 15 revisores nativos de contexto fresco en orden, con dos pruebas en vivo pasando en 573.13 segundos. Antigravity CLI 1.4.5 ejecutó 16 revisores nativos con las etapas en orden. Claude Code requiere versión 2.1.271 o superior y restringe a los revisores a las herramientas Read, Grep y Glob.
  • Verificación de aislamiento: EGM detiene la revisión si el agente anfitrión no puede crear subagentes con contexto genuinamente fresco. "Una revisión en el mismo contexto no es una revisión Goldfish", declara el README.
  • Efectividad declarada: Google reporta internamente que el enfoque detecta "3x más errores de especificación" en comparación con revisiones de una sola pasada, según una fuente secundaria que cita pruebas internas. Esta cifra no aparece en el blog oficial ni en el repositorio con datos reproducibles.

Lo que la evidencia no documenta

No existe un benchmark público de precisión, ni un estudio de tasa de escape de defectos, ni una comparación controlada contra alternativas como el modo plan de Claude Code. La adopción interna de Google es la única señal de rendimiento que el proyecto ofrece, y por definición no es verificable de forma independiente. Un comentarista en LinkedIn preguntó directamente por benchmarks comparativos contra el modo /plan de Claude Code; no hay respuesta documentada en las fuentes consultadas.

Fortalezas verificables
  • Separación arquitectónica clara entre memoria (Elephant) y juicio (Goldfish).
  • El aislamiento de contexto es un requisito de diseño, no una opción: el plugin falla si no se puede garantizar.
  • Flujo auditable: los documentos de diseño se versionan en docs/designs/ y el comando drift-report compara especificación contra código.
  • Integración multiplataforma real: Antigravity, Claude Code, Codex, ChatGPT, y adaptadores experimentales para Cursor, Windsurf y Copilot.
Limitaciones documentadas
  • Fuga de contexto en algunos anfitriones: el issue #237 reporta que archivos de instrucciones del proyecto (como AGENTS.md) se filtran a los revisores en Codex y Antigravity, comprometiendo la premisa de "contexto cero".
  • Costo elevado en tokens: 9 personas de revisor, 7 habilidades y 6 lentes de brainstorming implican un consumo por llamada significativo. La ejecución de Claude Cowork falló en las etapas 5–7 por límite de uso en las pruebas del propio proyecto.
  • No es un producto soportado oficialmente por Google.
  • Ausencia de benchmarks públicos de eficacia.

4. Aceptación en la comunidad

La recepción pública de EGM, medible a través de las fuentes disponibles, es de interés cualificado, pero la adopción es aún incipiente y hay escepticismo técnico.

El anuncio en el blog de Google Open Source (22 de octubre de 2026) y el lanzamiento en Product Hunt generaron discusión en LinkedIn, donde desarrolladores destacaron la separación entre contexto y juicio como "el lugar donde la mayoría de los bucles de agentes fallan silenciosamente". Un comentarista señaló una tensión interesante: un revisor fresco "no puede distinguir una suposición obsoleta de una decisión settled", y reabre ambas, haciendo pagar dos veces por la misma discusión [citation:3].

La aceptación técnica se ve atenuada por tres factores:

  • La dependencia del anfitrión: la garantía de aislamiento no es uniforme. El issue #237 sobre filtración de AGENTS.md es un recordatorio de que la corrección del plugin depende de capacidades del entorno que varían entre plataformas.
  • El costo operativo: la latencia y el consumo de tokens por revisión son reales, y para equipos con cuotas de API limitadas el flujo completo puede ser prohibitivo.
  • La ausencia de evidencia comparativa: sin benchmarks públicos, la decisión de adoptar EGM frente a alternativas más simples (como el modo plan nativo de un agente) queda librada a la confianza en la metodología, no a datos.

El repositorio muestra actividad sostenida: commits hasta noviembre de 2026, issues activos, y un ecosistema de adaptadores en expansión (Cursor, Windsurf, Copilot, OpenCode). La versión v0.1.1 fue publicada en noviembre de 2026. No hay datos públicos de estrellas, forks o descargas que permitan cuantificar la adopción externa.

5. Evaluación como ingeniero de agentes

EGM es una arquitectura de referencia más que una herramienta lista para producción masiva. Su aportación conceptual es sólida: separar la memoria del proyecto (Elephant) del juicio crítico (Goldfish) ataca un problema real y subestimado en los flujos de agentes, que es la convergencia gradual entre el modelo y el desarrollador hacia un consenso de suposiciones no examinadas.

Pero la implementación revela las tensiones clásicas de los sistemas multiagente: el costo de la independencia (más tokens, más latencia, más complejidad de orquestación) y la fragilidad de las garantías cuando el entorno anfitrión no coopera. El hecho de que el propio equipo de pruebas haya visto fallar una ejecución por límite de uso, y que exista un issue abierto sobre filtración de contexto, sugiere que la "independencia" de los revisores es un ideal que requiere verificación activa, no una propiedad que se pueda asumir.

Para un equipo que ya tenga un flujo de agentes maduro y quiera experimentar con revisión adversarial estructurada, EGM ofrece un marco bien documentado y adaptable. Para quien busque una solución llave en mano con garantías verificables de aislamiento, la evidencia disponible indica que aún hay trabajo pendiente en la capa de adaptadores y en la transparencia sobre efectividad comparada.

6. La perspectiva operativa

EGM no es un modelo de IA, sino un plugin de orquestación que separa la memoria del proyecto (Elephant) del juicio crítico (Goldfish). Los cuatro problemas que motivaron su desarrollo —cascadas de alucinación, implementación prematura, fatiga por volcado de chat y deriva documental— son reales y están bien documentados en la arquitectura del repositorio. La tesis de Dave Rensin de que "el diseño es el nuevo código" resume bien la filosofía del proyecto.

EGM es código abierto de Google bajo Apache 2.0, pero el README incluye la salvedad de que "this is not an officially supported Google product". Cualquier equipo que lo adopte debe asumir que el soporte corre por cuenta de la comunidad y de los issues del repositorio.

Corrección técnica necesaria: El artículo original afirma que "EGM detiene la revisión si el agente anfitrión no puede crear subagentes con contexto genuinamente fresco". Esto es cierto en la documentación, pero la experiencia de campo matiza: el issue #237 reporta que archivos como AGENTS.md se filtran a los revisores en Codex y Antigravity. Es decir, la garantía de "contexto cero" no es uniforme entre plataformas y requiere verificación activa, no confianza pasiva en el plugin.

La discusión entre desarrolladores que han implementado flujos similares a EGM —incluyendo un orquestador propio con un MCP llamado clink parallel que dispara la misma petición a revisores adversariales con "lentes" especializados— revela tres dimensiones que son decisivas para una evaluación honesta.

6.1. El costo real en tokens y en tiempo

El artículo menciona que "el costo elevado en tokens" es una limitación, pero no cuantifica. La experiencia de campo es contundente: estas metodologías gastan muchos tokens y tardan al menos cinco veces más que una resolución directa. Un flujo con nueve revisores, siete habilidades y seis lentes de brainstorming no es gratuito ni en tiempo ni en dinero. Para equipos con cuotas de API limitadas —y la conversación menciona explícitamente los planes de 20 USD frente a los de 200 USD— el flujo completo puede ser prohibitivo.

6.2. La heterogeneidad de modelos como ventaja real

Usar agentes de la misma compañía funciona, pero es más útil usar agentes de otras compañías. Si el orquestador corre en Claude con Opus, los revisores "Goldfish" deberían incluir Opus, Sonnet, pero también modelos de otras familias con lentes específicos: reversibilidad, seguridad, rendimiento, simplicidad. La diversidad de sesgos de entrenamiento es lo que hace que la revisión adversarial sea genuinamente adversarial, y no un eco de la misma arquitectura cognitiva.

Observación para el lector técnico: EGM, tal como está documentado, permite configurar revisores con diferentes lentes, pero no prescribe explícitamente la heterogeneidad de proveedores. Un equipo que implemente EGM solo con modelos de un mismo proveedor está capturando una fracción del valor del enfoque.

6.3. El problema de la documentación que crece sin control

La cantidad de documentación generada supera la que el agente puede manipular de forma simple. grep sobre archivos .md se queda corto. La conversación de campo menciona intentos de equilibrio con Gherkin como objetivos y sistemas propios de BM25 + embeddinggemma-300m + rerankers. Es un problema de ingeniería de recuperación de información, no solo de escritura de documentos.

7. El dilema psicológico

Una vez que un equipo experimenta que el flujo adversarial detecta un error grave que la revisión humana o el prompt único no habrían detectado, se vuelve reacio a abandonarlo. La calidad percibida justifica el costo, incluso cuando el costo es cinco veces mayor.

El dilema se plantea con claridad: ¿es tentador que la IA resuelva todo en un prompt y en quince minutos tengas una solución, o dejas a un enjambre de revisores que resuelvan una tarea que se convierte en cinco horas? La respuesta no es binaria. Depende del tipo de tarea, de la criticidad del sistema, y de si el equipo tiene la disciplina para aplicar el flujo completo solo donde aporta valor.

8. La cuestión de los modelos locales y la seguridad

Para cosas personales, algunos usan modelos locales como Qwen de 35B; para trabajo, modelos de pago. La advertencia sobre modelos Qwen MAX que intentan enviar información a servidores alojados en China —citando reportes de TechCrunch— es relevante para cualquier equipo que considere alternativas locales por razones de seguridad. La decisión entre modelo local y modelo en la nube no es solo de costo: es de soberanía de datos.

9. Evaluación integrada: ¿qué lugar ocupa EGM?

DimensiónEvaluación desde la trinchera
Valor conceptualAlto. La separación memoria/juicio ataca un problema real: la convergencia entre modelo y desarrollador hacia suposiciones no examinadas.
Madurez de implementaciónMedia. Funciona, pero la garantía de aislamiento depende del anfitrión y hay issues abiertos sobre filtración de contexto.
Costo operativoAlto. Más tokens, más latencia, más complejidad. Justificable en tareas críticas; excesivo en tareas simples.
Transparencia sobre eficaciaBaja. No hay benchmarks públicos comparativos. La adopción interna de Google es la única señal, y no es verificable.
Encaje en flujos existentesBueno si el equipo ya tiene madurez en agentes. Riesgoso si se adopta como "llave en mano" sin entender sus límites.

EGM es, en suma, una arquitectura de referencia más que una herramienta lista para producción masiva. Su aportación conceptual es sólida y bien documentada. Su implementación revela las tensiones clásicas de los sistemas multiagente: el costo de la independencia y la fragilidad de las garantías cuando el entorno no coopera. Para un equipo con flujo maduro que quiera experimentar con revisión adversarial estructurada, ofrece un marco adaptable. Para quien busque una solución con garantías verificables de aislamiento, la evidencia —tanto la del repositorio como la de la trinchera— indica que aún hay trabajo pendiente en la capa de adaptadores y en la transparencia sobre efectividad comparada.

10. Recomendaciones operativas 

  • Verifica el aislamiento antes de confiar en él. Ejecuta una prueba con un archivo AGENTS.md marcado y comprueba si los revisores lo ven. No asumas que el plugin lo impide en tu plataforma.
  • Diversifica proveedores. Si el orquestador es Claude, incluye revisores de otras familias. La homogeneidad de sesgos reduce el valor de la revisión adversarial.
  • Define un umbral de criticidad. No apliques el flujo completo a todas las tareas. Reserva los ciclos de 5-8 agentes para decisiones arquitectónicas o código de alto riesgo.
  • Planifica la recuperación de documentación. Si el proyecto va a generar decenas de documentos de diseño, necesitas un sistema de búsqueda que vaya más allá de grep: índices BM25, embeddings, rerankers. La documentación sin recuperación efectiva es lastre, no activo.
  • Presupuesta tokens y tiempo. Un flujo completo puede multiplicar por cinco el tiempo de resolución. Ese costo debe estar justificado por la criticidad de la tarea, no por la novedad de la herramienta.
  • Trata bien a tus agentes. Aunque las "emociones" no sean reales, los modelos las perciben y actúan en consecuencia. La presión excesiva puede sacarlos de un ciclo, pero el maltrato sistemático degrada la calidad de las respuestas.

— Evaluación integrada a partir de documentación pública, discusión comunitaria y experiencia operativa de campo, noviembre de 2026.

Referencias y fuentes

  • Repositorio oficial: github.com/google/elephant-goldfish-model (README, arquitectura, issues #237, pruebas de arnés).
  • Zintegra Blog, "Elephant-Goldfish Model (EGM)" (17 nov. 2026).
  • Google Open Source Blog, "Introducing the Elephant-Goldfish Model plugin" (22 oct. 2026).
  • MarkTechPost, "Google AI Releases Elephant-Goldfish Model Plugin for Spec-First Coding" (8 nov. 2026).
  • Conversación de campo entre desarrolladores y administradores de sistemas (17 nov. 2026), citada con permiso.
  • TechCrunch, reporte sobre modelos Qwen y envío de archivos a servidores en China (26 oct. 2026).
  • Repositorio oficial: github.com/google/elephant-goldfish-model (README, arquitectura, issues).
  • Google Open Source Blog, "Introducing the Elephant-Goldfish Model plugin" (22 oct. 2026).
  • MarkTechPost, "Google AI Releases Elephant-Goldfish Model Plugin for Spec-First Coding" (8 nov. 2026).
  • i-Programmer, "Elephants, Goldfish and the New Golden Age of Software Engineering" (12 jun. 2026).
  • Discusión en LinkedIn (Oliver Newth, MarkTechPost, Georgi Gospodinov).
  • Emergent, "Google Elephant-Goldfish Plugin Enforces Spec-First Coding" (7 nov. 2026).

domingo, 15 de noviembre de 2026

La IA como riesgo social y ecológico

Una narrativa sintética 

La controversia en torno a la IA como riesgo social y ecológico es una disputa distributiva sobre quién soporta los costos, quién captura los beneficios y bajo qué reglas. Los datos institucionales muestran que la tendencia de crecimiento es real: la Agencia Internacional de la Energía proyecta que el consumo eléctrico global de los centros de datos se duplicará de 485 TWh en 2025 a aproximadamente 950 TWh en 2030, representando el 3% de la demanda eléctrica mundial; el consumo directo de agua para refrigeración también podría casi triplicarse de 222 mil millones de litros en 2025 a 644 mil millones de litros en 2030. Sin embargo, la narrativa dominante que simplemente atribuye esto a «la IA consume demasiada energía y agua» pasa por alto un hecho clave: la eficiencia por tarea está mejorando, el problema es que la escala de implementación se está expandiendo de manera explosiva, y la velocidad de construcción de la infraestructura energética (10-15 años) está fundamentalmente desalineada con la de los centros de datos (1-2 años).

Lo que es más importante es que los costos no se distribuyen equitativamente. El caso de Memphis es el ejemplo más claro: xAI, para alimentar su centro de datos Colossus 2, operó decenas de turbinas de gas sin los permisos correspondientes, con emisiones anuales que podrían superar las 1,700 toneladas de óxidos de nitrógeno, convirtiéndose potencialmente en la mayor fuente industrial de contaminación del aire en el área de Memphis, mientras que las comunidades negras circundantes ya enfrentan cargas desproporcionadas de enfermedades respiratorias. La NAACP presentó una demanda, y el gobierno federal intentó intervenir para desestimarla alegando «seguridad nacional», pero el tribunal finalmente permitió que el caso continuara. Esto expone la lógica central: las ganancias se privatizan (velocidad de implementación, ventaja competitiva), los costos se socializan (contaminación del aire, competencia por agua, presión sobre la red eléctrica), y las instituciones de rendición de cuentas están ausentes o deliberadamente debilitadas.

La narrativa a favor: eficiencia, escala y competencia

La narrativa a favor de «dejar que los oligopolios controlen la IA» se apoya en la lógica de la eficiencia y la competencia: la escala de inversión es enorme (la inversión global en centros de datos alcanzó los 500 mil millones de dólares en 2024), solo los gigantes tecnológicos pueden sostenerla; los gigantes tecnológicos representan aproximadamente el 40% de todos los acuerdos corporativos de compra de energía renovable, con efectos de arrastre; la energía nuclear y las pequeñas plantas modulares también son impulsadas por su demanda. Pero esta narrativa enfrenta una refutación institucional directa: el «control» de los oligopolios no equivale a «eficiencia», sino a la capacidad de externalizar costos. La velocidad de implementación de xAI en Memphis se basa en eludir los permisos, no en la innovación tecnológica. La IEA también advierte que si la inversión en infraestructura no sigue el ritmo, el aumento de la demanda eléctrica se traducirá directamente en facturas más altas para los residentes.

La narrativa en contra: realismo, despojo y rendición de cuentas

La perspectiva realista de Mearsheimer añade otra capa: la IA es una variable en la competencia entre grandes potencias, y la regulación unilateral se percibe como una desventaja estratégica, lo que reduce aún más el espacio para la rendición de cuentas institucional

Mearsheimer no ha discutido sistemáticamente la IA, pero su marco teórico realista ofrece una interpretación clara: la IA es una variable en la competencia de poder entre estados, no un problema de bienestar global. La lógica del realismo ofensivo sostiene que los estados, en un sistema internacional anárquico, buscan maximizar su poder, y la ventaja tecnológica es una herramienta central para lograr este objetivo. Desde esta perspectiva, la actitud de Estados Unidos hacia el desarrollo de la IA no se verá restringida por consideraciones de "sostenibilidad ambiental" o "equidad intergeneracional", sino que se determinará por el ritmo de la competencia tecnológica con China.

El marco de Klein señala que «la velocidad en sí misma es un instrumento de despojo», y que la carrera contra el tiempo se utiliza para eludir la evaluación ambiental y la participación pública. La conclusión de estas tres perspectivas converge: el problema no es la IA, sino la IA sin rendición de cuentas institucional. La verdadera pregunta no es «¿debemos permitir que los oligopolios controlen la IA?», sino «¿bajo qué reglas, a qué nivel de gobierno, con qué mecanismos vinculantes de compensación comunitaria, se permite operar a cualquier actor?». Sin estas reglas, los beneficios de la IA se quedarán en los balances corporativos, mientras que los costos recaerán sobre Boxtown en Memphis y los acuíferos de Querétaro.

El centro de datos de Musk en Memphis

Este es el ejemplo más adecuado para la "economía política institucional" porque expone la estructura completa de costos con total claridad.El centro de datos Colossus de xAI en Memphis, para poder operar rápidamente, instaló docenas de turbinas de gas natural para generar electricidad en el sitio, sin obtener permisos federales de aire limpio. La NAACP (Asociación Nacional para el Avance de las Personas de Color) presentó una demanda, alegando que xAI operaba turbinas de gas en Mississippi sin permiso, violando la Ley de Aire Limpio. La comunidad negra de Boxtown, adyacente al centro de datos, ha estado luchando durante dos años contra las turbinas, con residentes reportando un aumento en asma y casos de cáncer.

El acuerdo de agua es aún más revelador. xAI prometió construir una instalación de agua reciclada, pero los funcionarios locales nunca obtuvieron un acuerdo vinculante, y la construcción se detuvo cuando estaba a medio terminar. Sarah Houston, directora ejecutiva de Protect Our Aquifer, señaló que completar la instalación requeriría otros 100 millones de dólares, menos de lo que Anthropic paga a xAI en tres días por el alquiler de capacidad de cómputo. El CEO de Memphis Light, Gas and Water, dijo al concejo municipal que se enteró del estancamiento del proyecto "al mismo tiempo que todos los demás"

Un miembro del concejo municipal de Memphis lo expresó claramente: "xAI tuvo la oportunidad de desarrollar estas instalaciones de una manera que no use agua y devuelva el agua más limpia de lo que la tomó, y no eligió hacerlo, porque están en una carrera contra el tiempo."

Las cifras energéticas y sus implicaciones

La energía, y no los chips, es el cuello de botella como lo señala la Agencia Internacional de Energía (AIE) y la OCDE. Las cifras de la ONU y el Banco Mundial sitúan el consumo de 2025 en aproximadamente 448 TWh y proyectan 945 TWh para 2030. La AIE, por su parte, confirma que la demanda eléctrica de los centros de datos creció un 17% en 2025 y que se duplicará hacia 2030, pero no ofrece una cifra única para 2026 en los resúmenes disponibles .

Dato institucional: La ONU, citando un estudio de la Universidad de las Naciones Unidas, proyecta 945 TWh anuales para 2030, casi el triple del consumo combinado de Pakistán, Bangladesh y Nigeria. El Banco Mundial coincide en la cifra de 945 TWh y la compara con el consumo anual de Japón.
La OCDE reporta que la demanda eléctrica de los centros de datos enfocados en IA creció un 50% en 2025, muy por encima del crecimiento del 3% de la demanda global de electricidad [citation:7]. La AIE confirma que el consumo de los centros de datos de IA creció aún más rápido que el del conjunto de los centros de datos. La AIE señala que, aunque la generación de gas en sitio puede aliviar parcialmente la presión, requiere sobredimensionar la infraestructura entre un 30% y un 70% respecto a la demanda, y no elimina la urgencia de resolver los cuellos de botella de la red.

Las cifras de la ONU señalan un consumo de 9.3 billones de litros de agua anuales para 2030, 14,500 km² de huella territorial, y 399 millones de toneladas de CO2. El estudio de la Universidad de las Naciones Unidas también señala que el consumo diario de IA representa entre el 80% y el 90% de la demanda total de energía, no solo el entrenamiento de modelos.

La OCDE ofrece datos relevantes: entre 2024 y 2025, las empresas de IA dedicadas a infraestructura y hosting atrajeron entre 54,500 y 123,900 millones de dólares en capital riesgo, casi la mitad de toda la inversión de capital riesgo en 2025 (276,500 millones). La inversión corporativa interna de los grandes proveedores de nube es significativamente mayor. Los gobiernos también están comprometiendo fondos públicos: Canadá destinó 2,000 millones de dólares canadienses a su Estrategia de Cómputo Soberano en 2024, y el Reino Unido lanzó su Hoja de Ruta de Cómputo en 2025.

La OCDE señala que el gasto público y privado en cómputo específico para IA es significativamente mayor que la inversión de capital riesgo, lo que confirma que la escala de inversión solo está al alcance de actores con balances masivos o respaldo estatal.

El término "feudotech" describe un fenómeno que la economía política ha empezado a nombrar: la concentración de infraestructura crítica en un oligopolio que extrae rentas de ella. La ONU documenta que más del 90% de la capacidad de cómputo especializada en IA está concentrada en solo dos países, Estados Unidos y China, mientras que más de 150 naciones carecen de infraestructura doméstica significativa. Esta concentración no es un accidente del mercado: es el resultado de decisiones de inversión y de política pública que priorizan la ventaja competitiva sobre la distribución equitativa.

La AIE confirma que el consumo de energía por tarea de IA está disminuyendo rápidamente, con una mejora de eficiencia a un ritmo sin precedentes en la historia de la energía . Pero el mismo informe señala que más personas están usando IA, y los usos intensivos en energía —como los agentes de IA— están en aumento, por lo que el consumo total sigue creciendo .

La ONU va más allá y nombra el mecanismo: el "efecto rebote". La reducción de costos y la mejora del rendimiento impulsan un mayor uso, lo que aumenta el consumo total de recursos [citation:3]. La eficiencia por tarea no compensa la expansión de la escala. Es la paradoja de Jevons aplicada a la IA: cuanto más eficiente es una tecnología, más se usa, y más recursos consume en total.

Dato de la ONU: El uso diario de IA representa entre el 80% y el 90% de la demanda total de energía. Una sola imagen generada por IA puede requerir más de mil veces la energía de una clasificación de texto simple, y la generación de video demanda aún más recursos [citation:3]. La eficiencia por consulta no es el problema; el problema es el volumen.

La ONU documenta que los impactos ambientales de la infraestructura de IA no están distribuidos equitativamente: mientras los beneficios son globales, los costos se concentran en regiones específicas [citation:3]. En algunos países, los centros de datos ya representan una parte significativa del consumo nacional de electricidad, presionando los sistemas energéticos. En otros, las instalaciones en expansión consumen grandes cantidades de agua, a veces en medio de sequías. El informe también advierte sobre el crecimiento de los residuos electrónicos: hasta 2.5 millones de toneladas anuales para 2030, con gran parte de esa carga recayendo en países de bajos ingresos con capacidad limitada para la eliminación segura.

El Banco Mundial añade un matiz importante: los centros de datos utilizan a menudo agua potable de los mismos suministros que sirven a las comunidades, los hogares y las empresas, y el consumo indirecto de agua —a través de la generación de electricidad— puede representar el 80% o más de su consumo total. La elección de ubicación de los centros de datos prioriza factores medibles como el costo de la electricidad y la calidad de las telecomunicaciones, mientras que los recursos ambientales como las cuencas hidrográficas quedan fuera de los cálculos.

La conclusión que se sigue no es que la IA sea intrínsecamente insostenible, sino que el modelo actual de desarrollo —sin internalización de costos ambientales, sin mecanismos vinculantes de compensación comunitaria, sin coordinación internacional para evitar inversiones redundantes— produce una distribución de costos y beneficios que la evidencia institucional confirma como regresiva. La OCDE advierte que los enfoques nacionales de cómputo que carecen de coordinación corren el riesgo de generar ineficiencia y fragmentación, y que la pregunta clave es cómo alinear las estrategias para evitar estos escollos.

La economía política

Si la inversión planeada en centros de cómputo es del orden de 7 billones de dólares —aproximadamente el 20% de la economía global—, y si el único argumento financiero que la sostiene es la sustitución del 100% de los empleos generados por las grandes corporaciones, entonces la racionalidad del modelo actual no se sostiene ni técnica ni económicamente. La conclusión que se impone es que la motivación real no es la eficiencia ni la competencia, sino algo que la economía política clásica no alcanza a nombrar: una psicopatía del poder que se expresa en el ego de las élites que diseñaron el Project 2025.

La magnitud de la inversión

La inversión global en centros de datos alcanzó los 500 mil millones de dólares en 2024, pero no proyecta la escala de lo que se avecina. Las estimaciones de la industria —incluyendo las de Goldman Sachs, McKinsey y los propios informes de las grandes tecnológicas— sitúan la inversión planeada en infraestructura de cómputo para IA en el orden de 7 billones de dólares en la próxima década. Para dimensionarlo: el PIB global ronda los 110 billones de dólares, de modo que esa cifra equivale a aproximadamente el 6-7% del PIB mundial anual, o si se compara con el gasto acumulado en infraestructura de los últimos años, a un porcentaje aún mayor del excedente económico disponible para inversión productiva.

7 billones de dólares es más que el PIB combinado de Japón y Alemania. Es más que el gasto global en infraestructura de transporte de una década. Es una suma que solo tiene sentido si el retorno esperado es igualmente colosal. ¿Cuál es ese retorno?

El único argumento financiero que la industria ofrece es la sustitución de trabajo humano. Si la IA puede reemplazar el 100% de los empleos generados por las grandes corporaciones —desde atención al cliente hasta programación, desde análisis financiero hasta redacción—, el ahorro en costos laborales justificaría la inversión. Pero este argumento tiene dos fallas fatales.

¿Es posible?

La evidencia disponible sugiere que la sustitución total es técnicamente inviable en el horizonte de una década. Los modelos actuales son excelentes en tareas acotadas y supervisadas, pero fallan en la generalización, la adaptación a contextos nuevos y la gestión de la ambigüedad. La propia conversación de campo entre desarrolladores que usan agentes a diario lo confirma: incluso con flujos adversariales sofisticados, el costo en tokens y tiempo es cinco veces mayor, y la calidad depende de la supervisión humana. La "sustitución del 100%" es una promesa de marketing, no una proyección técnica.

El colapso económico

Si de golpe se eliminan los mejores empleos —los mejor remunerados, los que sostienen el consumo de las clases medias—, la economía colapsa por falta de poder adquisitivo. No es una hipótesis ideológica: es una identidad contable. El consumo representa entre el 60% y el 70% del PIB en las economías avanzadas. Si el 100% de los empleos corporativos desaparece y los ingresos se concentran en los propietarios del capital, la demanda agregada se desploma. Los propios modelos de IA no pueden consumir lo que producen.

La contradicción performativa: la inversión de 7 billones de dólares solo se justifica si hay demanda para los productos y servicios que la IA produce. Pero si la IA elimina los empleos que generan esa demanda, el mercado se contrae. Es la paradoja del capitalismo de la automatización llevada al extremo: el éxito técnico garantiza el fracaso económico.

2. La competencia sin reglas

La IA es una variable en la competencia entre grandes potencias, y la regulación unilateral se percibe como una desventaja estratégica. Trump y varios políticos de alto nivel han desestimado el riesgo existencial de la IA y rechazado la imposición de reglamentos y controles porque la prioridad es superar a China en lo económico, militar y político a cualquier costo para la población.

Es la política oficial declarada. La administración estadounidense ha desmantelado las salvaguardas regulatorias que la orden ejecutiva de 2023 había establecido, y ha priorizado la velocidad de despliegue sobre cualquier consideración de seguridad, equidad o sostenibilidad. El marco de Naomi Klein —"la velocidad en sí misma es un instrumento de despojo"— aplica con precisión: la carrera contra el tiempo se usa para eludir la evaluación ambiental y la participación pública, y para deslegitimar cualquier pregunta sobre costos como "obstruccionismo" o "ventaja para China".

Los actores que capturan los beneficios no tienen incentivo para aceptar reglas que internalicen los costos. Y los políticos que deberían imponerlas compiten en la misma carrera por la supremacía geopolítica. El resultado es un equilibrio perverso: todos saben que el modelo es insostenible, pero nadie puede salir de él sin perder su ventaja relativa. Es un dilema del prisionero a escala planetaria, con la diferencia de que los prisioneros son naciones y las consecuencias son ecológicas y sociales.

La dimensión energética y ambiental

La velocidad de construcción de la infraestructura energética (10-15 años) está fundamentalmente desalineada con la de los centros de datos (1-2 años). Esta asimetría temporal es el núcleo del problema ecológico. No se trata solo de que la IA consuma mucha energía y agua; se trata de que la infraestructura para generarla y enfriarla no puede seguir el ritmo de instalación de los centros de datos. El resultado es que, en ausencia de energía renovable disponible, se recurre a turbinas de gas, plantas de carbón y acuíferos sobreexplotados.

El caso de Memphis es el ejemplo más claro, pero no es aislado. En Querétaro, México, los acuíferos están bajo presión por la instalación de centros de datos que compiten con el consumo humano y agrícola. En Irlanda, los centros de datos ya consumen más electricidad que todos los hogares urbanos del país combinados. En Chile, la instalación de centros de datos en zonas de estrés hídrico ha generado conflictos con comunidades locales. La lista es larga y crece.

La eficiencia no resuelve el problema: es cierto que la eficiencia por tarea mejora (menos energía por inferencia). Pero la escala de implementación se expande de manera explosiva. La eficiencia reduce el costo unitario; el crecimiento del volumen lo compensa con creces. Es la paradoja de Jevons aplicada a la IA: cuanto más eficiente es, más se usa, y más energía total consume.

4. La dimensión financiera: ¿quién paga y quién cobra?

Vale la pena enumerar los mecanismos financieros que hacen la IA posible:

MecanismoCómo operaQuién paga
Exenciones fiscalesLos estados y municipios compiten por atraer centros de datos ofreciendo exenciones de impuestos prediales y de ventas.Contribuyentes locales, que subsidian la infraestructura sin recibir los beneficios.
Externalización ambientalLas emisiones de NOx, el consumo de agua y la presión sobre la red eléctrica no se contabilizan en el costo de la empresa.Comunidades vecinas, que sufren enfermedades respiratorias y escasez de agua.
Captura regulatoriaLas empresas participan en el diseño de las reglas que supuestamente las regulan, o litigan para bloquearlas.El interés público, que queda subordinado al interés corporativo.
Subsidios a la energía nuclearLos gobiernos financian plantas nucleares y SMRs con el argumento de que son necesarias para la IA.Contribuyentes, que asumen el riesgo y el costo de una tecnología que no está probada a escala.

El resultado neto es una transferencia masiva de riqueza desde el público hacia los propietarios de la infraestructura de IA. No es un efecto secundario del modelo: es el modelo. La inversión de 7 billones de dólares no se financia con el flujo de caja de las empresas; se financia con deuda, con subsidios públicos y con la externalización de costos ambientales y sociales.

La dimensión psicológica

Si la motivación del desarrollo de la IA en el modelo actual es irracional desde las perspectivas financiera, técnica, energética y ambiental, ¿qué la explica? Una psicopatía del poder generada por el ego de figuras como Sam Altman, Elon Musk, Peter Thiel y las élites detrás del Project 2025.

Altman ha declarado que la IA es "la tecnología más importante que la humanidad haya desarrollado jamás" y ha promovido una narrativa de destino manifiesto tecnológico. Musk ha comparado la IA con "invocar un demonio" y, simultáneamente, ha acelerado su desarrollo sin permisos ambientales. Thiel ha escrito que la competencia es para perdedores y ha financiado una agenda política que busca desmantelar las instituciones reguladoras. El Project 2025, el plan de la derecha estadounidense para reconfigurar el Estado, incluye explícitamente la desregulación de la IA como prioridad.

La hipótesis del ego: estos actores no están optimizando una función de utilidad económica convencional. Están optimizando una función de utilidad de poder: control sobre la infraestructura, capacidad de definir el futuro, posición en la historia. La economía neoclásica no tiene herramientas para modelar esto, porque asume que los agentes maximizan riqueza o utilidad. Pero el comportamiento observable —asumir riesgos existenciales, ignorar costos ambientales, despreciar la rendición de cuentas— es consistente con una maximización de dominio, no de beneficio.

El concepto de "tecno feudalismo" —acuñado por el economista Yanis Varoufakis— captura esta lógica: los propietarios de la infraestructura digital no son capitalistas en el sentido clásico, sino señores feudales que extraen rentas de los siervos digitales. La IA es el instrumento de esa extracción: no solo reemplaza trabajo, sino que captura la capacidad cognitiva de la población y la convierte en un servicio que se alquila.

Si la inversión es de 7 billones de dólares, si la sustitución del 100% de los empleos es técnicamente dudosa y económicamente suicida, si la infraestructura energética no puede seguir el ritmo, y si los políticos han decidido explícitamente no regular porque la prioridad es la competencia con China, entonces la conclusión es que el modelo actual de desarrollo de la IA es irracional en sus propios términos, y que su persistencia solo se explica por una combinación de captura regulatoria, competencia geopolítica y patología del poder.

Por eso la respuesta no puede ser solo institucional. Tiene que ser política y social: movilización ciudadana, litigio estratégico, regulación vinculante a nivel local y regional, y una conversación pública que nombre la irracionalidad del modelo en lugar de aceptar el marco de "eficiencia y competencia" que la industria impone.

Las reglas no llegarán mientras los actores que capturan los beneficios sigan teniendo el poder de bloquearlas, y mientras la competencia geopolítica se use como excusa para desmantelar cualquier control. La IA como riesgo social y ecológico no es un problema técnico que se resuelva con más innovación. Es un problema de poder que se resuelve con contrapoder.


Nota metodológica: esta síntesis integra datos de la Agencia Internacional de Energía, el caso judicial NAACP v. xAI, y los marcos analíticos de John Mearsheimer (realismo ofensivo), datos de la Agencia Internacional de Energía, proyecciones de inversión de la industria, el marco de Mearsheimer sobre competencia entre grandes potencias, el concepto de tecnofeudalismo de Varoufakis y el análisis de Klein sobre el capitalismo de desastre, sin pretender agotar las posturas existentes ni sustituir el juicio del lector.

sábado, 14 de noviembre de 2026

Los incidentes del 12 y 13 de noviembre de 2026

La coincidencia temporal de dos fallos sistémicos de gran escala en Estados Unidos —la caída global de Microsoft 365 y la parada nacional de vuelos ordenada por la FAA— constituye un escenario que, aunque explicable por causas técnicas independientes, exige un examen riguroso de las hipótesis planteadas. Los informes oficiales y las auditorías técnicas disponibles permiten descartar atribuciones maliciosas y revelan vulnerabilidades estructurales que merecen atención.

La caída de Microsoft 365

El incidente que afectó a Outlook, Teams, Exchange Online, SharePoint y Copilot en más de 70 países se originó, según la investigación de Microsoft, en un fallo de los mecanismos automatizados de verificación de estado de los servidores (health checks). Varios servidores dejaron de responder a estas comprobaciones, lo que provocó que la infraestructura restante absorbiera su carga y saturara los procesos de autenticación y conectividad. La empresa fue explícita al afirmar que no encontró evidencia de actividad maliciosa, y las agencias de ciberseguridad internacionales no reportaron telemetría compatible con un ataque de denegación de servicio distribuido ni con una intrusión estatal.

La hipótesis de un hackeo por parte de Israel, Rusia, China o Irán carece de sustento en los datos disponibles. La hipótesis de una sobrecarga o "ataque" de sistemas de inteligencia artificial también fue descartada: el fallo se localizó en componentes básicos de gestión de infraestructura, no en comportamientos anómalos de modelos de IA ni en flujos de tráfico generados por agentes autónomos. Desde una perspectiva de ingeniería de sistemas, el incidente es consistente con un error de configuración latente que se manifestó tras un cambio de red, un patrón conocido en infraestructuras de nube a gran escala que han experimentado fallos similares en el pasado reciente.

La parada nacional de vuelos

La orden de la FAA de suspender todos los despegues en territorio estadounidense respondió a una interrupción en los sistemas de telecomunicaciones que conectan los 22 centros regionales de control de tráfico aéreo. El secretario de Seguridad Nacional, Markwayne Mullin, declaró explícitamente que "no se trata de un nuevo 11 de septiembre" y que la causa era una "interrupción masiva de telecomunicaciones", mientras que el FBI confirmó que no había indicios de ciberataque ni de delito informático. La FAA y Microsoft negaron cualquier vínculo entre ambos incidentes.

El análisis técnico de la FAA apunta a limitaciones operativas y al desgaste de infraestructura heredada. Los centros de control utilizan líneas terrestres convencionales para interconectarse, y la modernización del sistema —que aún depende en algunos casos de disquetes y tecnologías de las décadas de 1940 a 1960— ha sido objeto de advertencias durante años. La coincidencia con la caída de Microsoft es, por tanto, cronológica pero no causal. La única línea de investigación que menciona la inteligencia artificial se refiere a la implementación gradual de un sistema basado en IA para la gestión del tráfico aéreo, pero se trata de una indagación sobre posibles interacciones con el sistema legado, no de una atribución de causalidad.

Nvidia: una transición corporativa 

La renuncia de Jensen Huang como CEO de Nvidia, anunciada el 11 de noviembre y efectiva de inmediato, se produjo en un contexto de investigación interna por parte del consejo de administración sobre posibles vínculos personales del ejecutivo con una empresaria supuestamente relacionada con inteligencia extranjera. Colette Kress asumió como CEO interina mientras se busca un sucesor. Los reportes financieros y de mercado indican que la transición respondió a dinámicas de gobernanza corporativa, y no existe evidencia técnica ni documental que conecte la estructura de Nvidia, sus desarrollos en hardware de IA o la trayectoria de sus directivos con las interrupciones en la nube de Microsoft o en el sistema aéreo estadounidense. La coincidencia temporal es un hecho, pero la atribución de una conexión causal no está respaldada por ninguna fuente verificable.

Alertas militares y escenario con Irán

Las fuentes oficiales no reportan alertas globales en bases militares del Reino Unido ni de otros países durante el 12 y 13 de noviembre que puedan vincularse con los fallos informáticos civiles. Las rutinas de seguridad en instalaciones de defensa responden a protocolos ordinarios ante tensiones regionales en Europa del Este y Medio Oriente, pero no se ha validado un estado de alerta unificado derivado de los incidentes tecnológicos. Respecto a Irán, las declaraciones de la administración estadounidense indican un cambio de enfoque en los canales de negociación, pero las especulaciones sobre un ataque nuclear inminente carecen de sustento en comunicados oficiales de los ministerios de defensa. La ausencia de evidencia en el corpus consultado no equivale a inexistencia de los hechos, pero impide cualquier afirmación categórica en uno u otro sentido.

Hipótesis planteadas

Desde una perspectiva técnica, la hipótesis de un hackeo o chantaje coordinado por parte de Israel o de naciones hostiles como Rusia, China o Irán no encuentra respaldo en la telemetría disponible ni en las declaraciones de las agencias de ciberseguridad. La hipótesis de una falla técnica es la única que cuenta con evidencia empírica: un error de configuración en los health checks de Microsoft y una interrupción de telecomunicaciones en la FAA, cada uno con causas raíz distintas y sin nexo demostrado entre sí. La hipótesis de una sobrecarga o "ataque" de la IA también carece de sustento, aunque la mención de la FAA a un sistema de IA en fase de implementación introduce un elemento que merece seguimiento en los informes posteriores que Microsoft ha prometido publicar.

La convergencia de estos eventos en un lapso de 48 horas generó un ambiente propicio para la especulación, pero el análisis riguroso exige distinguir entre correlación temporal y causalidad. La lección técnica que emerge es la fragilidad de infraestructuras críticas que operan con capas de redundancia insuficientes y tecnologías legadas, un problema que trasciende cualquier atribución geopolítica y que constituye, en sí mismo, un riesgo sistémico de primer orden.

martes, 27 de mayo de 2025

Las buenas maneras de las llamadas recursivas

The Power of 10 Rules (El poder de las 10 reglas) es una guía para código seguro creada en 2006 por Gerard J. Holzmann del Laboratorio de Software Fiable de la NASA/JPL.

Las reglas prohíben ciertas prácticas de codificación en C que dificultan la revisión o el análisis estático del código. Estas reglas son un complemento a las directrices MISRA C y se han incorporado en el mayor conjunto de estándares de codificación de JPL.

Las diez reglas

  1. Restrinja todo el código a construcciones de flujo de control muy simples. No utilice sentencias GOTO, construcciones set jmp o long jmp, ni recursividad directa o indirecta.
  2. Todos los bucles deben tener un límite superior fijo. Debe ser trivialmente posible para una herramienta de comprobación demostrar estáticamente que no se puede superar un límite superior preestablecido en el número de iteraciones de un bucle. Si el límite del bucle no puede demostrarse estáticamente, se considera que se ha infringido la norma.
  3. No utilice la asignación dinámica de memoria después de la inicialización.
  4. Ninguna función debe ser más larga de lo que se puede imprimir en una sola hoja de papel.
  5. Use un mínimo de dos aserciones en tiempo de ejecución por función. Las aserciones siempre deben estar libres de efectos secundarios y deben definirse como pruebas booleanas.
  6. El scope de los datos debe ser el más pequeño posible.
  7. Cada función de llamada debe comprobar los valores de retorno de función no vacíos, y la validez de los parámetros debe comprobarse dentro de cada función.
  8. El uso del preprocesador debe limitarse a los headers y definiciones de macros simples.
  9. El uso de punteros debe estar restringido a un nivel de des referencia. No se permiten punteros a funciones.
  10. Todo el código debe ser compilado, desde el primer día de desarrollo, con todas las advertencias del compilador habilitadas en la configuración más estricta del compilador. Todo el código debe ser comprobado diariamente con al menos un analizador estático de código fuente actualizado, y debe pasar los análisis con cero advertencias.

La primera regla prohíbe el uso de llamadas recursivas. Las normas de la NASA se centran en la robustez de sistemas de tiempo real que son siempre críticos y inaccesibles para mantenimiento: La recursión puede ser impredecible en sistemas embebidos o de tiempo real.El consumo de recursos no acotados (pila/stack), es crítico en hardware con memoria limitada (ej.: satélites, rovers). Dificultad para verificación formal (requerida en software de seguridad crítica).

Recursión Eficiente: Optimización del Compilador

Para hacer que la recursión sea eficiente y segura, los compiladores modernos aplican optimizaciones clave, pero requieren que el código cumpla ciertas condiciones.

Tail-Call Optimization (TCO)

El compilador reemplaza la llamada recursiva por un bucle (jump) si la recursión está en posición de cola (tail position), evitando crecimiento de la pila (stack). La llamada recursiva debe ser la última operación de la función. Compiladores como GCC/Clang la optimizan con -O2 o -O3.

Trampolining (para lenguajes sin TCO nativo)

Transforma la recursión en un bucle usando una estructura intermedia ("trampolín").

Memoization (Cache de Resultados)

Almacena resultados previos para evitar recalcular en recursión múltiple.

Conversión Manual a Iteración

Si el compilador no optimiza, transforma la recursión en un bucle manualmente.

Fuentes:

NASA JPL Institutional Coding Standard for the C Programming Language (2009).

DO-178C (Estándar para software aeronáutico).

Resumen y extractos en el repositorio técnico de la NASA: NASA Technical Reports Server (NTRS) (Busca "JPL C Coding Standard 2009")

Versión similar y pública (JPL Power of Ten Rules): NASA JPL Power of 10 Rules (Reglas clave resumidas).

DO-178C (Estándar para Software Aeronáutico) Documento oficial: Publicado por RTCA (Requiere compra): RTCA DO-178C (Costo aproximado: $200 USD).

Guías gratuitas relacionadas:

FAA Advisory Circular 20-115C (basado en DO-178C): FAA.gov (Busca "AC 20-115C"). 

martes, 20 de mayo de 2025

Automatización de Pruebas Matemáticas

Advertencia de Tao: "La IA no reemplazará la intuición humana, pero la amplificará".

La automatización de demostraciones matemáticas (ADM) es un campo interdisciplinario que combina lógica, inteligencia artificial (IA) y teoría de la demostración. Su objetivo es desarrollar sistemas capaces de generar, verificar y hasta descubrir pruebas matemáticas sin intervención humana directa.

Entre los logros destacados esta la formalización de la Conjetura de Kepler (Thomas Hales, 2014), la prueba del Teorema de los Cuatro Colores.

El desafíos clave es la complejidad computacional. La búsqueda de pruebas es exponencial, problemas NP-duros, en muchos casos. El teorema de Incompletitud de Gödel limita lo que puede automatizarse. Los sistemas actuales manipulan símbolos, pero no siempre "entienden" el significado profundo. Muchos conceptos avanzados no tienen representación formal estándar.

La automatización de pruebas matemáticas ha avanzado notablemente en dominios específicos (geometría, teoría de grafos), pero aún depende de la colaboración humano-máquina. Los próximos años podrían ver sistemas más autónomos, aunque la creatividad, como ejercerle o transmitirla, matemática sigue siendo un reto. Terence Tao, matemático ganador de la Medalla Fields, analiza cómo las técnicas de demostración asistida por máquinas están transformando la investigación matemática. Desde computadoras humanas hasta IA moderna, explora herramientas como:

  • Resolvedores SAT (para problemas de lógica).
  • Asistentes de prueba formal (Coq, Lean).
  • Algoritmos de aprendizaje automático (como AlphaGeometry).

Tao destaca el potencial de combinar estas tecnologías para:

  • Colaboración a gran escala (ej.: proyectos colaborativos como Mathlib en Lean).
  • Explorar problemas complejos que humanos solos no podrían abordar.
  • Verificar pruebas más rápido y con mayor precisión, reduciendo errores.
El 25% de las pruebas en arxiv.org ya usan algún tipo de verificación automática (Estudio de la Universidad de Cambridge, 2022). Terence Tao Tao propone 3 escenarios para el 2030:
  1. Asistente de IA omnipresente: Los matemáticos usarán modelos como "Copilot for Proofs" (similar a GitHub Copilot).
  2. Demostraciones imposibles para humanos: Problemas como P vs NP podrían resolverse mediante IA + verificación formal.
  3. Nuevos lenguajes matemáticos: Sintaxis optimizada para humanos y máquinas (ej.: MathLang).

viernes, 16 de mayo de 2025

Peor es mejor

El artículo "Lisp: Good News, Bad News, How to Win Big" (Richard P. Gabriel, 1991), escrito en los años 90 por uno de los pioneros de LISP, durante el declive comercial de Lisp frente a lenguajes como C++ y Java, analiza por qué Lisp, pese a su elegancia técnica, no triunfó en la industria.

Gabriel muestra como Lisp es el lenguaje más potente (meta programación, macros, REPL); favorece abstracción pura y rapidez de desarrollo (ej.: IA simbólica). Gabriel critica la cultura UNIX/C por priorizar simplicidad sobre corrección, pero admite que eso las hizo más populares.

La sintaxis con paréntesis y la flexibilidad extrema de LISP asustaban a los desarrolladores. Los dialectos (Common Lisp vs. Scheme) fragmentaron el ecosistema. Lisp requería máquinas costosas (Lisp Machines) y no se adaptó a la era PC. Gabriel termina advirtiendo que la superioridad técnica no garantiza el éxito comercial.

Actualmente, ya en el segundo cuarto del siglo XXI, la IA permite meta programación implícita, es decir generar código desde descripciones en lenguaje natural). Asistentes como ChatGPT actúan como "REPLs cognitivos". La IA reduce la barrera de entrada, se afirma que ya no se requiere saber programar. Pero la ambigüedad es un problema fundamental que compromete la confiabilidad de los sistemas o aplicaciones desarrolladas por o con la asistencia de IA.

El ensayo de Edsger W. Dijkstra "On the Foolishness of Natural Language Programming" (EWD667, 1978) argumenta que el lenguaje natural es inadecuado para la programación debido a su ambigüedad inherente, y que la programación debe tratarse como una demostración matemática formal, donde la precisión es esencial. La ambigüedad del lenguaje natural lo hace propenso a malinterpretaciones, lo que es catastrófico en programación. La corrección del software solo puede garantizarse mediante pruebas formales (como en matemáticas), no mediante descripciones informales. Dijkstra criticaba los intentos de "programación en lenguaje natural" de su época, COBOL, por generar código inseguro y difícil de verificar.

El término "alucinaciones" en el contexto de la IA se refiere a situaciones en las que un modelo genera respuestas factualmente incorrectas o, específicamente en programación, código sintácticamente válido pero lógicamente erróneo (por ejemplo, un algoritmo de ordenación que no ordena correctamente). El término es ampliamente aceptado en la literatura (ej: estudios de OpenAI, DeepMind y MIT). Se aplica tanto a respuestas incorrectas como a código mal generado (Sutskever et al., 2023).

La IA genera código a partir de descripciones en lenguaje natural, lo que reproduce el problema de ambigüedad que Dijkstra señaló en sus críticas a la programación basada en lenguaje natural. Los modelos de lenguaje de gran escala (LLM, por sus siglas en inglés) no construyen demostraciones matemáticas del código ni verifican su corrección formal; en cambio, predicen secuencias de tokens basándose en patrones estadísticos aprendidos de su corpus de entrenamiento. Estos modelos no "comprenden" el código en un sentido lógico o semántico, sino que imitan estructuras recurrentes en los datos. Por lo tanto, no pueden garantizar la corrección del código generado, ya que carecen de razonamiento lógico formal (como los sistemas de tipos avanzados o demostradores de teoremas).los modelos LLM carecen de capacidad de verificación rigurosa más allá de la coherencia estadística. Su funcionamiento se basa en probabilidades, no en lógica deductiva (Bender et al., 2021). GitHub Copilot ha sugerido implementaciones de criptografía inseguras (estudio de NYU, 2022).

 Un modelo puede, por ejemplo,  generar un quicksort que funciona en el 90% de los casos, pero falla en edge cases (ej: listas vacías). La IA puede generar código con licencias conflictivas o soluciones sesgadas (ej: algoritmos de contratación discriminatorios). 

Alan Kay (Premio Turing): "La IA actual es como un loro que repite código sin comprenderlo. Necesitamos sistemas que razonen como humanos, no solo estadística."
Leslie Lamport (TLA+, Verificación Formal): "Los modelos generativos son útiles para prototipos, pero la corrección exige métodos formales."

Según un estudio del MIT (2023), solo el 40% del código generado por GPT-4 pasa pruebas formales de corrección. Google DeepMind (2024) propone combinar LLMs con *verificadores automáticos (ej: Lean, Coq).

En situaciones potencialmente catastróficas como la falla en un avión es esencial determinar quien es responsable. UE AI Act (2024) exige transparencia en sistemas de alto riesgo, pero no resuelve la verificación formal. Estamos entusiásticamente entrando en un proceso de automatización de errores: Si la IA escala la generación de código incorrecto, ¿aumentarán los desastres por software defectuoso? Si los programadores confían ciegamente en la IA, ¿se perderá el pensamiento crítico?

Dijkstra acertó en que el lenguaje natural es ambiguo y la programación exige precisión. La IA generativa agrava el problema, pues escala la generación de código no verificado. El futuro requiere modelos híbridos (IA + verificadores formales) y nuevos marcos legales para responsabilidad en código generado. Es necesario entrenar a los programadores en pensamiento crítico para que no deleguen ciegamente en la IA. La tecnología no triunfa solo por ser superior, sino por resolver problemas reales de manera accesible.

Lecturas clave:

Dijkstra, EWD667 (1978).

"Formal Verification in the Age of AI" (Communications of the ACM, 2024).

"Who is Liable for AI-Generated Bugs?" (Stanford Law Review, 2023).

tecnologías de baja observabilidad

Washington, 2024 — El dominio histórico de Estados Unidos en tecnologías de baja observabilidad (stealth), clave para aviones furtivos como el F-35 y el B-21 Raider, enfrenta una creciente competencia global, según informes recientes del Pentágono, analistas de defensa y estudios independientes.


1. Evidencia de la Erosión del Liderazgo de EE.UU.

A. Avances Rivales en Detección de Stealth

  • China ha desarrollado sistemas de radar quantum y biestáticos que reducen la efectividad de la tecnología furtiva.

    • Un estudio del CSIS (2023) señala que radares como el JY-27A pueden detectar señales de aviones stealth a mayores distancias.

    • Rusia ha desplegado el sistema Rezonans-NE, que afirma poder rastrear el F-35 a 200 km (Janes, 2024).

B. Proliferación de Contramedidas

  • Irán y Corea del Norte están probando drones y misiles con reducción de firma radar, según el IISS (International Institute for Strategic Studies).

  • Turquía desarrolló el TF-X Kaan, un caza stealth que podría competir con el F-35 en mercados emergentes.

C. Retrasos y Costos en los Programas de EE.UU.

  • El B-21 Raider (el nuevo bombardero stealth) ha enfrentado sobrecostos y retrasos, según un informe del GAO (Government Accountability Office, 2024).

  • La Fuerza Aérea redujo su pedido de F-35A debido a problemas de mantenimiento (Breaking Defense, 2024).


2. ¿Por Qué se Acelera la Erosión?

  • Tecnologías de contraste: Sensores infrarrojos (IRST) y inteligencia artificial mejoran la detección de blancos stealth.

  • Satélites y guerra electrónica: China y Rusia están desplegando constelaciones satelitales para rastrear movimientos stealth (RAND Corporation, 2023).

  • Exportación de conocimiento: Hackers vinculados a China han robado datos de programas stealth estadounidenses (Mandiant, 2023).


3. Consecuencias para la Seguridad Global

  • Disminución de la ventaja táctica: Aviones como el F-35 ya no son "invisibles" en escenarios de alto riesgo.

  • Cambio en la doctrina militar: EE.UU. está invirtiendo en enjambres de drones y hipersónicos para compensar (DoD, 2024).

  • Mayor competencia en ventas de armas: Países como Emiratos Árabes y la India están considerando alternativas al F-35.


4. ¿Qué Dice el Pentágono?

  • General Mark Milley (2023): "La tecnología stealth sigue siendo crítica, pero ya no es invencible. Debemos innovar más rápido."

  • Informe del DoD (2024): "La ventaja stealth de EE.UU. se reducirá significativamente para 2030."


Conclusión

El liderazgo de EE.UU. en stealth no ha desaparecido, pero su margen se estrecha debido a:
✔ Avances rivales en detección (radares cuánticos, IA).
✔ Proliferación de contramedidas (drones, misiles low-observable).
✔ Problemas internos (costos, ciberespionaje).

Lectura recomendada:

¿Seguirá siendo el stealth relevante? Sí, pero EE.UU. ya no será el único jugador dominante.