El año pasado, Zapier subió sus precios entre un 20 y un 40% según el plan.

Fue un aviso de lo que pasa cuando construyes sobre herramientas que no controlas: un día llega un email, cambias al plan de precio nuevo casi sin pensarlo, y solo después te das cuenta de que en algún momento dejaste de decidir cuánto cuesta hacer funcionar tu negocio.

No es un problema de Zapier. Zapier tiene todo el derecho a cambiar sus precios. El problema es que la mayoría de la gente que trabaja con IA y automatización ha construido dependencias sin un inventario claro de qué depende de qué — y eso tiene un coste que solo se ve cuando algo cambia.

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Por Edward

La palabra más cara de tu negocio

Cuando empezamos, crecimiento significaba una sola cosa. Crecer.

Ese era el problema. Cuando una palabra no tiene distinciones dentro de ella, empiezas a tomar decisiones que parecen correctas, pero llegan en el orden equivocado.

Tal vez no estás listo. Tal vez algo necesita existir antes. Tal vez no puedes pagar el coste que exige ese tipo específico de crecimiento.

No era que las decisiones fueran malas. Era que la palabra era demasiado amplia para revelar cuál era la decisión real.

Con los años, construyendo y cerrando varios negocios, cuatro tipos de crecimiento se quedaron con nosotros. Cada uno es válido. Cada uno tiene su momento.

Los cuatro tipos de crecimiento

Crecimiento evolutivo. Mejoras lo que ya tienes. Haces tu oferta actual más fuerte, más refinada, más valiosa. Es lo que estamos haciendo ahora con nuestro programa híbrido para coaches ATHENA, combinando consultoría con coaching de IA. No inventas algo nuevo. Profundizas lo que ya funciona.

Crecimiento de activos. No persigues ingresos. Construyes activos que se componen con el tiempo: marca, audiencia, ecosistema. En nuestro caso, estamos construyendo una serie de libros para Amazon. Cuando ya tienes suficiente ingreso, muchas veces tiene más sentido construir algo que monetizarás después, algo que compone en lugar de consumir tu energía diaria.

Crecimiento lateral. Lanzas algo que vive al lado de lo que ya tienes. No reemplaza tu negocio principal, lo complementa. Así nació Velocity junto a la consultoría: dos ofertas trabajando al mismo tiempo, sirviendo al mismo mercado desde ángulos diferentes.

Crecimiento de ruptura. Entras en un espacio completamente nuevo. Es el movimiento que hicimos cuando pasamos de consultoría a plataforma de IA. No es una extensión de lo anterior, es una reconfiguración completa del negocio que eres.

El error que cuesta más caro

La mayoría de los emprendedores no elige el tipo equivocado. Eligen el tipo correcto en el momento equivocado.

El crecimiento de ruptura sin una base evolutiva sólida se derrumba. El crecimiento de activos sin estabilidad de ingresos te mata de hambre. El crecimiento lateral antes de que tu núcleo esté sólido diluye todo lo que ya tienes. Cada tipo tiene su momento. Saber en qué momento estás es la habilidad real.

Esto es lo que la palabra “crecimiento”, sin distinciones, te oculta. Todas las opciones se ven igual. Todas parecen urgentes. Y todas parecen la respuesta correcta cuando estás ansioso por avanzar.

Por qué esto importa ahora

La IA está reconfigurando mercados cada trimestre, no cada cinco años.

La decisión sobre qué tipo de crecimiento perseguir solía ser una pregunta de largo plazo. Ahora es una pregunta de noventa días. Y sin las distinciones, cada movimiento en la era de IA se siente urgente y todos parecen “crecimiento”, cuando en realidad algunos son movimientos de ruptura disfrazados de evolución, y otros son jugadas de activos pretendiendo ser ingresos.

El emprendedor que puede nombrar el tipo de crecimiento que está persiguiendo toma decisiones distintas al que simplemente quiere crecer.

La pregunta antes del movimiento

Antes de tu próximo movimiento, no preguntes cómo vas a crecer.

Pregunta qué tipo de crecimiento estás eligiendo, y si este es el momento correcto para ese tipo.

La respuesta a la segunda pregunta es la que suele evitar el error.

por Alexandra

Cuando tú necesitas parar y el negocio sigue

Esta semana escribo desde un momento difícil. No pretendo entrar en detalles porque este no es el sitio para ello, pero es de esos momentos que te obligan a replantearte muchas cosas.

Y hay algo que he aprendido y me gustaría compartir contigo hoy en esta Trinchera.

Como empresarios, todos pasamos por momentos donde la vida personal pesa y el negocio sigue exigiendo. Clientes que atender, lanzamientos que sacar, decisiones que tomar. El negocio no entiende de momentos difíciles, sigue exigiendo.

Y ante esto, el primer instinto es uno de dos: O desconectas del todo — y el negocio sufre. O te lanzas a la acción para no sentir — y tú sufres.

Lo que he aprendido en este proceso: La adaptación a los momentos difíciles no es instantánea. Tiene capas.

La primera exposición es agonía. Inicialmente no puedes funcionar. Y está bien. Pero después, algo cambia. No es que deje de doler, es que desarrollas la capacidad de operar dentro del dolor.

La distinción que a mí me ayudó

• Desconexión: “No siento nada, sigo adelante” — el dolor se acumula y explota después.

• Parálisis: “No puedo hacer nada” — el negocio y tú os resentís.

• Integración: “Sigue doliendo Y puedo funcionar dentro del dolor” — el dolor tiene su espacio y el negocio tiene el suyo.

Esto no es fortaleza bruta. Es aprender a estar presente en cada contexto con lo que ese contexto requiere, sin que uno destruya al otro.

Mi Metodología desde la Trinchera — Operar en momentos difíciles:

1. Reduce a lo imprescindible. No es momento de optimizar ni de lanzar cosas nuevas. ¿Qué tiene que salir sí o sí? Solo eso. Lo demás puede esperar unos días.

2. No llenes el día de acción para no sentir. La acción excesiva es huida disfrazada de productividad. Dale espacio a lo que necesita espacio.

3. Mantén los canales que importan. Las conversaciones con tu equipo, tu socio, tu familia. No tienes que estar al 100%, pero mantén el canal abierto.

El negocio aguanta más de lo que crees. Una semana en modo mínimo no lo destruye.

Lo que sí puede afectarte es no darte permiso para estar donde necesitas estar.

Porque al final del día, en los negocios y también en la vida, saber estar es más importante que saber hacer.

Suscríbete ahora

Compartir

Claude Mythos.

Esta semana ha descubierto miles de vulnerabilidades en todos los principales sistemas operativos y navegadores del mundo.

Anthropic ha decidido no publicarlo. Porque funciona demasiado bien.

El resto de la semana: OpenAI publicó un documento proponiendo que los gobiernos graven con impuestos los robots que la propia compañía construye, Meta reapareció con un nuevo laboratorio y su primer modelo, y una encuesta reveló que la mitad de los consumidores preferiría comprar en marcas que no usan IA en su contenido.

No ha sido una semana tranquila.

Suscríbete ahora

Latidos de la semana

Anthropic construyó el modelo más peligroso de la historia y decidió no publicarlo

A principios de esta semana, Anthropic reveló públicamente los detalles de Claude Mythos —su modelo más avanzado— y anunció al mismo tiempo que no lo pondrá a disposición general.

El motivo: en pruebas internas, el modelo demostró una capacidad para explotar vulnerabilidades de software sin precedentes. En la generación de exploits para Firefox, Claude Opus 4.6 logró 2 ataques funcionales en cientos de intentos. Mythos logró 181.

En lugar de publicarlo, Anthropic creó el Proyecto Glasswing: un programa de acceso restringido a 12 empresas —entre ellas Amazon, Apple, Cisco, CrowdStrike, Google, Microsoft y NVIDIA— para usar Mythos específicamente en tareas de ciberseguridad defensiva. La compañía aporta 100 millones de dólares en créditos de uso y 4 millones en donaciones a organizaciones de seguridad de código abierto.

El dato que resume la escala del salto: “Mythos es a Opus lo que Opus es a Sonnet.” Por primera vez, un laboratorio ha desarrollado un modelo y tomado la decisión pública de no publicarlo. La decisión es tan significativa como el modelo en sí.

Ahora cualquiera puede desplegar agentes propios en la nube de Anthropic

Esta semana entró en beta pública Claude Managed Agents, el servicio de Anthropic que permite a cualquier desarrollador —o empresa— construir y desplegar agentes de IA directamente desde la consola de Claude, sin necesidad de gestionar la infraestructura. El funcionamiento: defines las tareas, herramientas y límites del agente; Anthropic se encarga del resto.

Entre los primeros casos en uso real: Notion está usando Managed Agents para construir una función de “delegar tarea a Claude” directamente desde su interfaz. Los agentes soportan sesiones largas, coordinación entre múltiples instancias y escenarios de producción real.

El cambio práctico es relevante: hasta ahora, construir un agente de IA que funcionara de forma fiable en producción requería un equipo técnico. Managed Agents no elimina la curva de decisión —qué delegar, cómo definir los límites, cómo verificar— pero sí elimina una parte importante de la barrera técnica para llegar ahí.

Meta volvió al mapa con un nuevo laboratorio y su primer modelo

Meta Superintelligence Labs, el nuevo laboratorio creado por Mark Zuckerberg y dirigido por Alexandr Wang —ex CEO de Scale AI— publicó esta semana su primer modelo: Muse Spark. Según la compañía, reconstruyeron toda la infraestructura de IA desde cero para desarrollarlo, incluyendo nuevas arquitecturas y pipelines de datos.

En benchmarks independientes, Muse Spark se sitúa entre Claude Sonnet 4.6 y Opus 4.6 — por debajo de los modelos líderes de Google, OpenAI y Anthropic, pero por delante de lo que Meta había publicado hasta ahora. El acceso vía API está confirmado para próximas semanas, y Zuckerberg ha prometido una versión de código abierto, aunque sin fecha concreta.

La mitad de los consumidores prefiere marcas que no usan IA en su contenido

Una encuesta de Gartner publicada esta semana midió algo que pocas empresas han querido cuantificar: cuántos consumidores tienen activamente preferencia por marcas que no usan inteligencia artificial generativa en su publicidad, mensajes o contenido. La respuesta: aproximadamente el 50%.

La cifra ha activado un segmento de mercado que no existía hace dos años. Aerie, Equinox, Almond Breeze y Polaroid han convertido el “sin IA” en estrategia de comunicación explícita. “Hecho por humanos” está tomando el mismo espacio que en su momento ocuparon “orgánico”, “sin OGM” o “artesanal”.

Gartner resume la lección con precisión: “los equipos de marketing deberían tratar GenAI como una decisión de confianza, no solo tecnológica.” El umbral no está donde muchas empresas asumen que está.

Google AI Overviews: el 10% de error son millones de respuestas falsas por hora

Un estudio del New York Times publicado esta semana analizó la tasa de precisión de los resúmenes generados por IA en las búsquedas de Google (los bloques que aparecen en la parte superior de los resultados antes de los enlaces). El resultado: aciertan aproximadamente el 90% de las veces.

El número parece razonable hasta que se calcula a la escala de Google. Con 5 billones de búsquedas al año y una tasa de error del 10%, las respuestas incorrectas se cuentan en decenas de millones por hora. Cada una de ellas aparece con el mismo formato, el mismo tono de autoridad y el mismo diseño visual que una respuesta correcta.

El estudio identificó tres fuentes principales de error: el uso de Facebook y Reddit como referencias (los puestos 2 y 4 en la jerarquía de fuentes del sistema), la citación de páginas que no respaldan la afirmación que se atribuye a ellas, y la generación de síntesis incorrectas de información factual. Ninguno de estos errores es visible para el usuario en el momento de recibir la respuesta.

Confianza visual y precisión real son dos variables distintas. Los sistemas de IA están optimizados para la primera.

Estas señales no se entienden mejor de forma aislada. En Amplify Premium trabajamos cómo leerlas juntas y qué posición estratégica tomar antes de que sean obvias para todo el mundo.

Únete →

En profundidad:

La empresa que construye la automatización ya sabe lo que va a pasar

El lunes de esta semana, OpenAI publicó un documento de 13 páginas titulado Industrial Policy for the Intelligence Age.

Habría pasado relativamente desapercibido si no fuera por lo que propone: un impuesto sobre los sistemas automatizados equivalente al que pagarían los trabajadores humanos que reemplazan, un fondo de riqueza pública financiado en parte por las propias empresas de IA, pilotos obligatorios de una semana laboral de 32 horas sin reducción salarial, y mecanismos de activación automática para programas de asistencia social cuando la tasa de desplazamiento laboral por IA supere ciertos umbrales.

Lo notable no es el contenido de las propuestas. Lo notable es quién las hace.

OpenAI es la compañía que con mayor velocidad e inversión está construyendo los sistemas que automatizarán trabajo humano a escala. Que sea la misma compañía la que propone a los gobiernos cómo amortiguar el impacto de esa automatización no es una contradicción accidental. Es una señal de lo que esperan que ocurra.

Las empresas no elaboran propuestas de política pública sobre problemas que consideran hipotéticos. Lo hacen cuando el problema es suficientemente real y suficientemente próximo como para que la conversación pública sea inevitable. El timing —con OpenAI a meses de su posible salida a bolsa y con una valoración de 852.000 millones de dólares— añade una capa estratégica obvia: llegar primero al debate regulatorio es siempre mejor que reaccionar a él.

Pero más allá de la lectura cínica, el documento dice algo que merece tomarse en serio: los efectos de la automatización sobre el mercado de trabajo van a ser lo suficientemente severos como para requerir nuevas estructuras económicas. No reformas marginales. Eso no lo dice una ONG. Lo dice la compañía que lidera el proceso.

¿Qué implica esto para alguien que gestiona una empresa, una consultoría o un equipo de trabajo?

Primero: que el horizonte temporal es más corto de lo que muchos planifican. Las propuestas de política pública no se elaboran para efectos a veinte años. Se elaboran para efectos que se verán en el próximo ciclo electoral. OpenAI no está pensando en 2045. Está pensando en 2027 y 2028.

Segundo: que la pregunta relevante no es “¿me afectará la automatización?” sino “¿en qué lado de la ecuación estará mi negocio?” Hay negocios que se benefician directamente del desplazamiento de trabajo (porque lo automatizan, lo median, o lo facilitan). Hay negocios que necesitarán protección de él. La diferencia entre los dos no es una cuestión de tamaño o sector: es una cuestión de posicionamiento deliberado.

Tercero: que el mercado “hecho por humanos” —que ya representa la preferencia del 50% de los consumidores según el estudio de Gartner que vimos esta semana— es también una señal de la misma dinámica. La automatización crea su propio contramovimiento. Para algunos negocios, ese contramovimiento es la oportunidad.

Las propuestas de OpenAI pueden o no convertirse en política real. Pero el hecho de que existan, y de que vengan de quien vienen, es en sí mismo un dato que dice algo sobre lo que viene.

Herramienta de la semana

Canva Magic Layers

El problema que resuelve. Te llega un diseño —un cartel, un flyer de evento, una imagen de marketing— y necesitas cambiar la fecha, el precio o el texto. Pero no tienes el archivo original. Solo tienes la imagen plana. Hasta ahora, la única opción era rehacerlo desde cero o pedir el archivo a quien lo diseñó.

Qué es Canva Magic Layers. Una función dentro de Canva que analiza cualquier imagen que subas y la descompone automáticamente en capas editables: texto por un lado, objetos e ilustraciones por otro, fondo por otro. El sistema detecta los elementos visuales y los separa sin que tengas que hacer nada. Una vez procesado, puedes hacer clic en cualquier elemento — una fecha, un titular, un precio — y editarlo directamente.

Para quién es útil. Para cualquiera que trabaje con materiales visuales que recibe en formato imagen: consultores que adaptan materiales de sus clientes, equipos de marketing que actualizan campañas existentes, emprendedores que gestionan su propia comunicación sin equipo de diseño.

Pregunta de la semana

El estudio de Gartner dice que la mitad de los consumidores prefiere marcas que no usan IA en su contenido. No el 5%. No una minoría vocal en redes. La mitad.

Eso no significa que tu negocio deba abandonar las herramientas que ya usa. Significa que hay una decisión de posicionamiento que vale la pena tomar de forma consciente, no por defecto.

¿Sabes en qué lado está tu negocio? ¿Y lo sabes porque se lo has preguntado a tus clientes, o porque lo has asumido?

Nos leemos la semana que viene.

— El equipo de Amplify

Suscríbete ahora

Compartir

Deja un comentario

Los empresarios que dejaron de pensar

Algo ha cambiado en mis reuniones de consultoría.

Hace dos años, cuando presentaba una estrategia, me cuestionaban. Debatíamos. Traían datos, objeciones, perspectivas que yo no había considerado. A veces, tenían razón. A veces no, pero siempre había fricción y era productiva.

Ahora es diferente.

Llegan con documentos elaborados con IA. Estrategias, análisis, planes. Y cuando los reviso, muchas veces son incongruentes con todo lo que hemos definido juntos. No contemplan factores críticos de su contexto. Tienen lagunas evidentes.

Pero lo inquietante no es que la IA falle, es lo que pasa cuando se lo señalo. Ellos lo ven. Lo saben. Reconocen las incongruencias.

Y entonces me dicen: “Es que me lo dijo la IA”.

Como si eso fuera argumento suficiente, como si el origen del consejo lo validara automáticamente.

Estoy viendo un perfil de empresario que se está dejando llevar por cada output que obtiene. Sin filtro. Sin cuestionamiento. Sin esta calidad de pensamiento que antes traían a la mesa.

Y lo más preocupante es que ese músculo se está atrofiando, porque con cada decisión que delegan sin pensar pierden un poco más la capacidad de pensar por sí mismos.

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Por Edward

La ola no te lleva. Tu configuración sí

La era del Bitcoin nos trajo una de las olas de FOMO más grandes que hemos vivido. Un porcentaje enorme de la población estaba aterrorizada de perderse lo que pensaban que sería la mayor oportunidad de sus vidas.

Lo mismo está pasando ahora con la IA.

Los emprendedores tienen miedo de quedarse fuera. De no estar a tiempo. De ver pasar la próxima gran ola sin haberla agarrado.

Pero hay un problema con todo este marco.

Cuando colocas la oportunidad “allá fuera”, pierdes toda agencia. Te conviertes en víctima de las circunstancias. Esperas. Escaneas. Esperas no perderte la siguiente. Y mientras tanto, el control de tu negocio está en manos del mercado, no en las tuyas.

Las personas que consistentemente atrapan olas no tienen suerte. Tienen vista.

Vista como reconocimiento de configuración

Dos emprendedores miran la misma ola de IA.

Uno ve cómo su experiencia, su audiencia, su criterio acumulado, sus relaciones, su timing, todo encaja en una configuración única que podría multiplicarse en este momento específico.

El otro ve una ola que probablemente debería intentar atrapar.

Misma ola. Mismas herramientas. Mismo acceso. Resultado completamente diferente.

El primero tiene vista. No solo la capacidad de ver lo que está pasando en el mercado, sino la capacidad de ver cómo las piezas que ya tiene encajan con el momento que está llegando.

Esa es la habilidad real. No predecir olas. Reconocer configuraciones.

La mayoría de los emprendedores ya tienen dos o tres elementos de una configuración poderosa. Lo que les falta no es construir algo completamente nuevo. Lo que les falta es la vista para ver lo que ya tienen, y el elemento que falta para que todo se multiplique.

El arquero griego

Los griegos tenían un dios para esto: Kairos. El dios del momento oportuno. Lo representaban con alas en los pies y un mechón largo en la frente, pero calvo por detrás.

La idea era simple: tenías que agarrarlo cuando se acercaba, porque una vez que pasaba, no había nada de qué sostenerse.

La mayoría lee esta historia y piensa: hay que estar alerta. Hay que ser rápido.

Pero el significado más profundo siempre fue otro. La imagen original de kairos en Grecia era el momento en que el arquero podía soltar la flecha con suficiente fuerza para penetrar el blanco.

El arquero ya había entrenado. El arco ya estaba tensado. La puntería ya estaba ajustada. Toda la preparación era previa. Y entonces apareció la apertura.

Kairos no es el momento. Es el encuentro entre preparación y momento, y la vista para reconocer la alineación cuando llega.

Sin el arquero preparado, no hay oportunidad. Solo hay viento.

Una pregunta más útil

Deja de preguntar dónde está la oportunidad. Empieza a preguntar qué ya tienes que podría encajar con este momento.

La ola de IA es real, pero la ola no te lleva. Tu configuración sí. Y tu configuración solo se vuelve visible cuando tienes la vista para ver cómo encajan las piezas que ya has construido durante años.

No atrapas la ola. La encuentras con lo que ya has construido.

por Alexandra

Nueva etapa, mismos patrones (y por qué te atrapa)

Hay algo que noto cada vez que un empresario cruza a una nueva fase: el contexto cambia, pero los patrones no.

De validación a crecimiento. De freelance a empresa. De mercado local a nacional... En cualquiera de los casos el territorio es nuevo, pero los sistemas, las rutinas y decisiones siguen siendo los de antes.

El punto ciego: Cada cambio de fase, no solo en los negocios también en la vida en general, abre una ventana. Una ventana donde los patrones anteriores se suspenden y toca rediseñar cómo operas.

Pero la mayoría no la ve como ventana, la ve como una continuación. Y lo que no se rediseña conscientemente en esa ventana, se instala por defecto después.

El insight: Un cambio de contexto no es un destino, es una ventana temporal. Y estas ventanas tienen fecha de caducidad.

El empresario que pasa de freelance a tener equipo, pero sigue tomando todas las decisiones como si estuviera solo. Acaba teniendo un equipo que espera, mientras él se agota.

El que pasa de validación a crecimiento, pero mantiene los mismos sistemas que diseñó cuando facturaba la mitad. Tiene un negocio que crece, pero la estructura colapsa.

El que entra en un nuevo mercado, pero replica exactamente lo que hacía en el anterior. Se encuentra en un nuevo territorio, con cero tracción.

El patrón es el mismo: Territorio nuevo, mapas viejos. La diferencia no es esfuerzo, es consciencia de que hay una ventana y se está cerrando.

Mi Metodología desde la Trinchera — El rediseño con intención:

1. ¿Qué patrones del contexto anterior ya no sirven aquí? No qué añadir. Qué soltar. Los sistemas que te trajeron hasta aquí pueden ser exactamente los que te frenan en la siguiente fase.

2. ¿Qué necesita este nuevo contexto que el anterior no necesitaba? Nuevas decisiones, nuevas estructuras, nuevas formas de operar. Si no lo defines tú, se definirá solo.

3. ¿Estoy rediseñando o arrastrando? Pregunta honesta. La inercia es cómoda. El rediseño requiere intención.

Arrastrar es cómodo. Rediseñar requiere intención. Pero solo uno te lleva al siguiente nivel.

Compartir

Suscríbete ahora

Buenos días,

Esta semana los modelos de IA más avanzados del mundo suspendieron un test que cualquier niño de ocho años resolvería en minutos.

Por lo demás: Anthropic publicó sin querer el código fuente de su producto más influyente, OpenAI cerró la mayor ronda de financiación privada de la historia, y una empresa de tecnología decidió cancelar todas sus suscripciones a software porque los agentes ya hacen ese trabajo.

Semana tranquila.

Latidos de la semana

Anthropic publicó sin querer el código de Claude Code. Lo que había dentro cambió la conversación.

El martes 31 de marzo, un investigador publicó en X que Anthropic había subido al registro público el código fuente completo de Claude Code. El motivo fue un error humano, no un hackeo.

Lo más relevante no fue el hecho de la filtración sino lo que el código contenía. Entre los elementos más comentados: KAIROS, un nombre de función que aparece más de 150 veces y que representa un modo daemon autónomo — Claude Code funcionando como agente permanente en segundo plano incluso cuando el usuario no está activo. Un módulo que escanea los prompts en busca de señales de frustración —palabrotas, frases como “esto es un desastre”— y las registra como señal negativa en los datos internos de análisis. Y veinte funciones desarrolladas pero no publicadas todavía, esperando detrás de banderas de configuración.

Queda una pregunta flotando: ¿qué más hay dentro de los otros productos que no vimos?

OpenAI cerró la mayor ronda de financiación privada de la historia.

El miércoles, OpenAI anunció el cierre oficial de su ronda: 122.000 millones de dólares, con Amazon, NVIDIA y SoftBank como inversores principales. La valoración resultante es de 852.000 millones, más que la capitalización de mercado de la inmensa mayoría de las empresas cotizadas del planeta. La compañía genera alrededor de 2.000 millones de dólares al mes, un 40% de los cuales proviene del segmento enterprise.

En el comunicado oficial aparecieron confirmados planes que hasta ahora solo existían como filtraciones de prensa: infraestructura propia de cómputo, dispositivos hardware y una posible salida a bolsa antes de que acabe el año.

Al mismo tiempo, esta semana, los modelos de OpenAI obtuvieron menos del 0,5% en el ARC-AGI-3. El dinero y la capacidad no siempre van en la misma dirección.

Gumroad tiene nuevo CEO. Se llama Gumclaw. Es un agente de IA.

El 1 de abril, Sahil Lavingia —fundador de Gumroad, la plataforma de ventas directas para creadores— publicó que nombraba un nuevo director ejecutivo: @Gumclaw, un agente de IA. Dado el día, casi todo el mundo lo leyó como una broma.

No lo era. Lavingia confirmó que la decisión es operativa. Las responsabilidades de Gumclaw incluyen mantener la plataforma estable, corregir bugs, gestionar el soporte al cliente —cerró 251 tickets en su primer día—, aprobar facturas, pagar impuestos, contratar, despedir, y publicar actualizaciones mensuales de la empresa. El fundador sigue en la compañía pero no ocupa el cargo.

Es demasiado pronto para saber si esto funciona. Lo que sí es claro: alguien con catorce años de experiencia dirigiendo una empresa real, con algo real que perder, tomó la decisión. No como experimento de comunicación. Como estructura operativa. Eso cambia el tipo de pregunta que merece hacerse.

Warp dejó de pagar herramientas de software. Sus agentes hacen ese trabajo ahora.

Warp, la compañía detrás de la terminal de desarrollo inteligente del mismo nombre, publicó esta semana cómo reorganizó su infraestructura interna de software: cancelaron más de 10.000 dólares anuales en suscripciones a herramientas SaaS y las sustituyeron por agentes y aplicaciones generadas a demanda.

La lógica detrás de esto es simple. Si puedes construir la herramienta exacta que necesitas en veinte minutos, el modelo de “paga acceso permanente a una herramienta genérica” pierde la mayoría de su atractivo. Lo que Warp hizo no es una estrategia de reducción de costes. Es una declaración sobre cómo una empresa puede relacionar sus necesidades con el software a partir de ahora.

La pregunta relevante para cualquiera que venda —o compre— SaaS: ¿a qué velocidad escala esto fuera de las empresas de tecnología?

Gemini importa tus conversaciones de otras IA. No puedes llevarte las tuyas.

Esta semana, Google añadió a Gemini la posibilidad de importar el historial de conversaciones desde otros asistentes de IA, incluido ChatGPT. La función está disponible ya en la aplicación.

No existe ninguna función equivalente para exportar tus conversaciones desde Gemini.

Cuando una plataforma de IA construye una puerta giratoria que solo gira en una dirección, no está siendo descuidada. Está siendo muy precisa. Entiende lo que eso dice sobre cómo piensan estas empresas sobre tus datos — y sobre tu libertad de movimiento.

Las señales de esta semana no van en la misma dirección: más dinero que nunca, más incertidumbre que nunca sobre qué pueden hacer realmente estos sistemas. En Amplify Premium trabajamos cómo leer esas señales con criterio propio — para tomar posiciones antes de que sean obvias.

Únete →

En profundidad

Suspendieron el test más básico del año. Todos ellos.

El 30 de marzo se publicaron los resultados iniciales del ARC-AGI-3, el nuevo benchmark del ARC Prize diseñado por François Chollet. La premisa del test es engañosamente sencilla: se introduce a un modelo en un nivel de videojuego completamente nuevo, sin reglas, sin objetivos declarados, sin ninguna referencia previa. El modelo tiene que inferir cómo funciona el juego y resolverlo. Sin instrucciones. Explorando.

Los resultados: Gemini 3.1 Pro obtuvo un 0,37%. Los modelos de OpenAI, Anthropic y xAI obtuvieron menos. El mejor agente basado en lenguaje natural rozó el 1%. Los humanos, sin entrenamiento específico, puntúan cerca del 100%.

Antes de sacar conclusiones apresuradas en cualquier dirección, vale la pena entender qué mide exactamente este test y por qué importa más de lo que parece.

Los modelos actuales —incluidos los más capaces— son en su estructura fundamental sistemas de reconocimiento de patrones entrenados sobre cantidades masivas de texto, imágenes y código. Cuando un modelo pasa el examen de acceso a la abogacía o diagnostica correctamente una patología a partir de síntomas descritos en texto, lo hace porque ha procesado versiones similares de ese problema miles de millones de veces. La competencia es real. Pero es una competencia específica: la de recuperar, combinar y reformatear patrones que ya existen en su entrenamiento.

El ARC-AGI-3 elimina esa variable por diseño. Si el videojuego es completamente nuevo, no hay patrón que recuperar. El modelo tiene que hacer algo diferente: observar lo que ocurre, generar hipótesis, probar, equivocarse, corregir. Ese ciclo —que los humanos ejecutamos de forma casi automática desde la infancia— es lo que los modelos de lenguaje actuales no hacen bien.

Curiosamente, el agente con mejor puntuación en el benchmark no era un modelo de lenguaje: era un sistema híbrido que combinaba búsqueda en grafo con aprendizaje por refuerzo. Llegó al 12,58%. Eso sugiere que la solución no será simplemente escalar más los modelos actuales, sino cambiar algo más estructural en cómo operan.

El ARC-AGI-3 no dice que la IA sea inútil. Dice algo más preciso: estos sistemas son extraordinariamente capaces dentro del espacio de lo que ya conocen, y extraordinariamente limitados fuera de él. La frontera entre los dos espacios no está marcada con ninguna señal visible. Aprenderla —en tu contexto, con tus tipos de problemas— es uno de los trabajos más importantes que hay ahora mismo para quien quiera usar IA con criterio real.

Herramienta de la semana

Google Stitch

Qué es. Una herramienta de Google para diseñar interfaces y páginas web hablando. No una herramienta de diseño con un asistente de texto al lado —una herramienta donde abres el navegador, enciendes el micrófono, describes lo que quieres, y la interfaz se genera en tiempo real mientras hablas.

Qué hace en la práctica. Stitch usa Gemini 3.1 Pro en modo Live: ve el lienzo y lo actualiza mientras le das instrucciones en voz. Puedes decir “crea una landing page para mi consultora, con servicios, testimonios y formulario de contacto” y aparece mientras hablas. Después puedes guiarlo como si fuera un diseñador: “el encabezado más minimalista”, “el botón de llamada a la acción en azul oscuro”, “mueve los testimonios arriba del todo”. Cuando terminas, exportas el diseño o lo conviertes directamente a código React, Framer o Webflow.

Por qué importa. La mayoría de herramientas de diseño requieren o conocimientos técnicos o tiempo de aprendizaje para dominar la interfaz. Stitch invierte esa lógica: tú hablas en lenguaje normal, el sistema ajusta. El resultado no son mockups de investigación — es código funcional que puedes pasar a un desarrollador o publicar directamente. Está disponible ahora mismo en stitch.withgoogle.com, sin cuenta de pago.

Limitaciones. Los outputs son un buen punto de partida, no diseños finales de producción. El modo Live requiere conexión estable y puede tener latencia. La estética por defecto es funcional pero predecible — limpia, genérica, Google. Para resultados más específicos, necesitas saber describir bien lo que quieres desde el principio.

Pregunta de la semana

Los modelos de IA que esta semana obtuvieron menos del 1% en el ARC-AGI-3 son los mismos que resumen tus documentos, redactan tus propuestas y responden los correos de tu equipo. No hay contradicción ahí — son cosas diferentes. Pero la diferencia importa.

La IA es muy buena en lo que has visto hacer antes. En lo genuinamente nuevo, sin referentes claros, el rendimiento cae sin previo aviso.

¿Qué decisiones estás delegando a la IA dando por hecho que entiende el problema — cuando en realidad solo reconoce el patrón?

Nos leemos la semana que viene.

— El equipo de Amplify

Navegar la IA con criterio no es seguir las noticias. Es saber qué pregunta hacerse cuando las noticias llegan. En Amplify Premium trabajamos esa capacidad, semana a semana.

Entra aquí →

Suscríbete ahora

Compartir

Deja un comentario

Un consultor me escribió hace unas semanas con un problema que no he podido soltar.

Siete años construyendo reputación. Conferencias, artículos, casos con clientes reconocibles. Una newsletter con miles de suscriptores. Su nombre en conversaciones donde se decidían presupuestos. Y de repente, propuestas rechazadas una detrás de otra. No porque fueran peores; él mismo admitía que eran mejores que las de hacía tres años. Sino porque los clientes ya no distinguían entre su trabajo y el de alguien que había montado un estudio con Claude, dos plantillas de Notion y una web que parecía llevar una década operando.

Lo que le desconcertaba no era perder proyectos. Era que los ganadores no estaban haciendo nada brillante. Solo parecían profesionales. Y en un mercado donde parecer profesional cuesta tres horas, eso ya no filtra nada.

“Mi problema no es de calidad”, me dijo. “Es que ya no sé cómo demostrar que mi calidad es real.”

El problema que describe es más grande de lo que parece. Y es distinto de lo que hemos tratado hasta ahora en esta serie. No tiene que ver con lo que sabes ni con cómo piensas ni con dónde te posicionas. Tiene que ver con algo anterior a todo eso: por qué alguien debería creerte.

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Por Edward

Lo que no puedes ver es lo que te frena

Recuerdo llegar a un gimnasio en Cuba donde los boxeadores habían empezado a los seis años. Yo tenía experiencia en boxeo, no era un principiante. Pero la diferencia entre ellos y yo no era solo técnica.

Era lo que veían.

Ellos leían el ring. Veían aperturas, ángulos, timing que para mí eran invisibles. Yo veía a un oponente. Ellos veían un sistema de oportunidades moviéndose en tiempo real.

Mismo ring. Misma pelea. Una realidad completamente diferente.

Esto es lo que llamo ring sight. Y no es exclusivo del boxeo.

El verdadero cuello de botella

Dos emprendedores miran el mismo mercado. Uno ve oportunidad. El otro ve ruido. No porque uno sea más inteligente. Porque uno puede leer lo que el otro no puede.

El cuello de botella en tu negocio casi nunca es la ejecución, es lo que puedes ver.

Alguien que entiende marketing de respuesta directa tiene una comprensión completamente diferente de cómo lanzar un negocio exitosamente que alguien que no. Ven los mismos datos, el mismo mercado, las mismas herramientas. Pero uno lee la estructura debajo de la superficie y el otro solo ve lo que está encima.

Los mismos números. La misma información. Conclusiones radicalmente diferentes.

Eso no es experiencia. Es vista.

Y aquí está la parte que nadie quiere escuchar: no puedes delegar tu falta de vista. Puedes contratar personas. Puedes comprar herramientas. Puedes usar IA. Pero si no puedes leer el juego tú mismo, te quedas ciego y dependiente. Dependiente de que otros vean por ti. Y cuando esas personas se van, la ceguera vuelve.

No puedes escalar lo que no puedes leer.

Por qué esto importa ahora

La IA te da poder de ejecución como nunca antes. Puedes producir contenido, analizar datos, automatizar procesos, construir sistemas en fracciones del tiempo que antes requerían. Pero la IA no puede ver por ti.

Puede procesar lo que le señalas. No puede decirte dónde señalar.

En la era de la IA, la ejecución se acerca a coste cero. La vista es lo que se ha vuelto escaso. Y lo escaso es lo que crea ventaja.

Cada emprendedor que siento que está atascado, cuando miro de cerca, el problema no es que le falten herramientas o que no trabaje suficiente. Es que hay algo en su mercado, en su negocio, en su modelo que no puede leer. Y no puedes arreglar lo que no puedes ver.

Lo que hacen los mentores

Esto es lo que realmente hacen los buenos mentores. No te dan tácticas. No te dan un plan.

Te prestan sus ojos.

Acortan el proceso hacia la vista. Te muestran lo que está ahí, pero que tú aún no puedes ver. Y lo hacen hasta que empiezas a ver por tu cuenta.

La pregunta no es qué debería hacer después.

La pregunta es qué no estoy viendo.

por Alexandra

La secuencia que nadie aplica a su contenido

Hay algo que en los negocios damos por obvio: la secuencia importa.

Nadie lanza un producto sin una secuencia de pasos. Nadie diseña un proceso de ventas sin considerar el orden de las conversaciones. Nadie estructura un onboarding esperando que el cliente descubra por sí mismo qué hacer primero.

La secuencia es fundamental, todos lo sabemos. Sin embargo, cuando se trata de contenido, esta misma lógica desaparece.

Es un patrón recurrente: empresarios creando contenido excelente. Piezas que gustan, que generan engagement, que la audiencia aplaude.

Pero que no mueven a nadie. La audiencia consume. Admira. Y sigue exactamente en el mismo sitio donde estaba.

El insight: La diferencia entre contenido que gusta y contenido que mueve no es calidad. Es secuencia.

El contenido que gusta entretiene o informa. El contenido que mueve transforma creencias en un orden específico.

En una conversación de ventas entendemos que hay fases. Primero generas consciencia del problema. Luego muestras las implicaciones. Después presentas la solución. Finalmente, lo encajas con tu oferta.

Saltarte pasos o desordenarlos mata la venta. Pero en contenido, la mayoría publica como si el orden no importara. Una pieza sobre el problema, otra sobre la solución, otra sobre algo completamente diferente. Sin arquitectura, sin progresión.

Y la audiencia consume el contenido, pero no avanza.

La Metodología desde la Trinchera — Cómo saber si tu contenido mueve:

1. ¿Qué creencia necesita tener tu audiencia antes de comprar? No una, varias. Y en un orden específico. Identifícalas.

2. ¿Cada pieza de contenido mueve una de estas creencias? Si tu contenido no está diseñado para mover creencias específicas, es entretenimiento. Valioso, pero no estratégico.

3. ¿Hay progresión o es aleatorio? Mira tus últimas 10 piezas. ¿Construyen hacia algo o son independientes entre sí?

En tu contenido el orden importa tanto como la calidad.

Y la diferencia entre audiencias que te admiran y audiencias que te compran está exactamente aquí: unos te aplauden, otros te compran.

Suscríbete ahora

Compartir

Buenos días.

El martes, OpenAI apagó Sora. La plataforma de vídeo por IA que presentaron hace un año como el futuro del entretenimiento — junto con el acuerdo de un billón de dólares con Disney para generar contenido de Marvel, Pixar y Star Wars. Cancelado. El motivo oficial: ese cómputo va ahora a robótica.

La misma semana, un robot humanoide entró a la Casa Blanca. China puso IA de código abierto dentro de robots domésticos. Amazon compró una startup de humanoides. Y Anthropic le dio a Claude la capacidad de controlar tu pantalla y hacer clic por ti.

La IA no está acelerando. Está cambiando de dirección.

Latidos de la semana

OpenAI mató Sora. Y con ella, un billón de dólares de Disney.

El 24 de marzo, OpenAI cerró Sora de forma definitiva: la app, la API y el dominio sora.com, todos apagados el mismo día. El motivo declarado en el comunicado interno es doble: los costes de cómputo de la generación de vídeo son insostenibles a largo plazo, y los recursos van a redistribuirse hacia robótica y sistemas autónomos.

La víctima colateral más visible: el acuerdo con Disney firmado apenas tres meses antes, que incluía licencias de personajes de Marvel, Pixar y Star Wars para generación de vídeo. El contrato alcanzaba el billón de dólares a tres años. No llegó a ejecutarse. Disney confirmó que retira su inversión planificada en OpenAI.

Lo que dice esta decisión no es que el vídeo generativo no tenga futuro. Es que OpenAI ya no cree que sea su futuro. Una empresa puede estar equivocada sobre su propia dirección. Pero rara vez sacrifica un billón de dólares sin estar muy segura de adónde va en cambio.

Anthropic le da a Claude la capacidad de usar tu ordenador.

Esta semana, Anthropic lanzó en investigación Claude Computer Use y Dispatch para macOS. Significa exactamente lo que parece: Claude puede ahora controlar la pantalla, hacer clic, rellenar formularios, abrir aplicaciones y navegar por webs de forma autónoma, sin que tú muevas el ratón.

Dispatch es la capa que orquesta estas acciones — el sistema que decide qué hacer, en qué orden, y cuándo parar para pedir confirmación humana. Por ahora está en fase de acceso anticipado. El modelo que lo ejecuta es Claude Opus 4.6.

Para contextualizar: hasta ahora, los agentes de IA te ayudaban a hacer cosas. Ahora, con las debidas cautelas de configuración, pueden hacerlas directamente. La diferencia es pequeña en el papel y enorme en la práctica. Tienes que decidir a qué acciones le das permiso, con qué datos, y con cuánta supervisión. Esas decisiones no las hace la IA.

Un robot por los pasillos de la Casa Blanca

En una cumbre sobre educación e IA celebrada esta semana, el humanoide Figure 03 se convirtió en el primer robot en entrar a la Casa Blanca. Saludó a los asistentes en 11 idiomas. El contexto oficial del evento era defender un futuro donde profesores humanoides den clases personalizadas a cada estudiante.

Se puede debatir si ese futuro es deseable. Lo que no se puede ignorar: que el gobierno federal de EE.UU. usó un robot físico como elemento central de una cumbre de política educativa. Los humanoides han pasado de ser noticia tecnológica a ser argumento de política pública. Ese salto tiene consecuencias regulatorias, presupuestarias y laborales que todavía no están en el debate público.

China desplegó IA de código abierto dentro de robots. Sin esperar a que nadie le diera permiso.

Mientras los laboratorios occidentales debaten governance y licencias, la industria robótica china ya está integrando modelos de IA de acceso abierto en hardware físico. Esta semana: Ecovacs lanzó Bajie, un robot doméstico impulsado por OpenClaw. Unitree G1 integró el mismo modelo para navegación en tiempo real en espacios físicos. AgileX publicó una guía para control por lenguaje natural de su brazo robótico. Xiaomi lo está probando en smartphones y dispositivos del hogar.

La velocidad de adopción tiene una explicación estructural: cuando el modelo es abierto, no hay que negociar licencias ni esperar acuerdos comerciales. Se descarga, se integra, se prueba. El ciclo de desarrollo-despliegue se comprime radicalmente.

Perplexity lanzó un asistente de salud que lee tu historial médico.

Perplexity Health es una nueva funcionalidad de la app de Perplexity que permite subir informes médicos — analíticas, diagnósticos, prescripciones — y hacer preguntas sobre ellos en lenguaje natural. El sistema los interpreta, explica los términos técnicos y te ayuda a formular preguntas para tu médico.

Lo que hace distinto a esto de buscar en Google síntomas es el contexto: no busca información genérica, analiza tu documento específico. El resultado no es un diagnóstico — es comprensión. Y hay una diferencia enorme entre las dos cosas.

Disponible ya en la app de Perplexity para iOS y Android, sin cuenta de pago.

Suscríbete ahora

En profundidad

El problema no era el agente. Era que nadie miraba lo que hacía.

Un dato que circuló esta semana en foros de directivos y que merece más atención de la que recibió: el 89% de las empresas que han desplegado agentes de IA tienen algún tipo de monitorización activa. Solo el 52% evalúa lo que el agente produce.

La diferencia entre monitorizar y evaluar es la diferencia entre saber que el agente está corriendo y saber si está haciendo lo correcto.

Un gestor de activos publicó esta semana en Harvard Business Review el resultado de ocho meses de agentes de IA trabajando en su departamento de operaciones. La tarea asignada: revisar las excepciones diarias —casos que salen fuera de los parámetros normales y que antes requería que alguien los investigara manualmente. Los agentes lo hacían. El sistema funcionaba. Las métricas de volumen eran buenas.

Ocho meses después, descubrieron algo: la gran mayoría de esas “excepciones” no eran errores. Eran diferencias metodológicas conocidas entre equipos que llevaban años investigándolas sin llegar a ninguna conclusión porque en realidad no era un problema que hubiera que resolver, sino una característica del sistema que todo el mundo conocía pero que nunca se había documentado formalmente.

Los agentes habían estado procesando durante ocho meses un trabajo que no necesitaba hacerse. Eficientemente, sin fallo técnico, con buenas métricas de output. Y completamente en falso.

Este patrón tiene un nombre en gestión de operaciones: Goodhart’s Law. Cuando una métrica se convierte en objetivo, deja de ser una buena métrica. En el caso de los agentes de IA, la métrica que más se mide es el volumen (cuántas tareas procesó, cuánto tiempo ahorró, cuántos tickets cerró). Lo que casi nunca se mide es si las tareas que procesó eran las correctas, si los cierres resolvieron el problema real, o si el tiempo “ahorrado” se invirtió en algo de más valor.

La ola de agentes que esta semana empujó NVIDIA, OpenAI y Anthropic desde sus respectivos escenarios va a producir mucho output. La mayoría de ese output va a ser monitorizado. Una fracción menor va a ser evaluado. Y una fracción aún menor va a ser evaluado contra los criterios correctos.

La ventaja competitiva en los próximos dos años no va a ser para quien tenga más agentes. Va a ser para quien haya pensado primero en qué significa que un agente haga bien su trabajo. Y haya construido la forma de saberlo.

Herramienta de la semana

Granola

Qué es. Una app de notas de reuniones para macOS que funciona de forma diferente a la mayoría: no transcribe todo lo que se dice, sino que combina lo que tú apuntas durante la reunión con la grabación de audio para generar un resumen estructurado, con contexto y acción items, al terminar.

Qué hace en la práctica. Durante la reunión, tomas notas como siempre — fragmentadas, telegráficas, en el orden en que van surgiendo. Granola usa esas notas como esqueleto y rellena el contexto desde el audio, produciendo algo coherente y legible que además distingue automáticamente entre lo que quedó decidido, lo que está pendiente y lo que fue solo conversación.

Por qué importa. La mayoría de las herramientas de transcripción producen un bloque de texto que nadie lee. Granola produce algo que sí se lee, porque el punto de partida son tus propias notas y no una transcripción automática que hay que descifrar. La diferencia en utilidad es grande.

Limitaciones. Solo disponible para macOS de momento. Requiere micrófono activo durante la reunión. El plan gratuito tiene un límite de reuniones mensuales. No funciona igual de bien si no tomas ninguna nota durante la reunión, necesita algo de input tuyo para producir un output bueno.

Pregunta de la semana

OpenAI acaba de cancelar su producto de vídeo más visible y su acuerdo más sonado para redirigir esos recursos a robótica. Anthropic acaba de dar a su modelo la capacidad de controlar tu pantalla. Amazon acaba de entrar en el mercado de humanoides domésticos.

Cada una de estas empresas está apostando por una versión distinta de lo que es la IA útil en los próximos tres años. Y tú, sin que nadie te haya preguntado, estás construyendo tus flujos de trabajo sobre la apuesta de alguna de ellas.

¿Sabes cuál?

Nos leemos.

— El equipo de Amplify

Suscríbete ahora

Compartir

Deja un comentario

Hay una mejora que la IA produce de forma inmediata y que es difícil de cuestionar.

Reduces fricción. Produces más rápido. Resuelves cosas que antes te costaban el doble. La propuesta funciona desde el primer día.

El problema es lo que pasa después.

Si miras con algo de distancia cómo trabajas ahora en comparación a hace seis meses, seguramente verás que el proceso es básicamente el mismo: abres una conversación, planteas la tarea, ajustas el output, pasas a la siguiente. Cuando vuelves a hacer algo parecido, empiezas otra vez desde cero.

Eso no es un error tuyo. Es la dirección natural hacia la que te empuja la herramienta.

Y el coste de esa dirección no se nota en ningún output concreto. Se nota en el conjunto: produces mejor, pero el mecanismo que produce no cambia. Y cualquier mecanismo que no cambia tiene un techo.

Lo que empieza a separar a unos profesionales de otros no es quién usa mejor la IA. Es quién ha dejado de tratarla como herramienta aislada y ha empezado a integrarla como parte de un sistema.

Esa diferencia tiene nombre: usuario vs. operador.

El usuario resuelve. El operador diseña.

No son niveles de habilidad. Son formas distintas de relacionarse con el trabajo. El usuario mejora mucho cuando está encima del proceso. El operador construye algo que funciona aunque no esté encima.

La guía de este mes

Esta guía va directamente al centro de eso.

No es sobre prompts ni sobre herramientas. Es sobre el cambio de unidad de trabajo: de la tarea al sistema.

Dentro encontrarás:

• Por qué la mejora constante sin acumulación tiene un techo, y cómo reconocer si estás en ese punto.

• La diferencia real entre usuario y operador de IA, más allá de los resultados concretos.

• Las tres capas que casi nadie separa: input, procesamiento y output — y qué cambia cuando las diseñas en lugar de ejecutarlas.

• La arquitectura mínima para empezar a operar: cuatro niveles que no requieren infraestructura, solo claridad.

• Casos concretos: cómo cambia el trabajo de newsletter, análisis de clientes y producción de contenido cuando dejas de abordarlo como usuario.

• Un framework de cinco preguntas para saber, en cualquier momento, si estás operando o solo usando.

Cómo acceder

Para miembros de Amplify Premium: la guía está disponible en tu espacio desde hoy.

Si todavía no formas parte, únete a Amplify Premium y accede al arsenal completo:

→ 10 Guías Amplify (una nueva cada mes): Claude Skills + Modelos Mentales + Activos de Confianza + Moats Estéticos + Vibe Coding + Agentes IA + Arquitectura de Contexto + Claude Cowork + De usuario a operador

→ Ensayos completos semanales donde vamos más profundo

→ +250 prompts organizados por caso de uso real

→ 12 informes estratégicos

→ Comunidad privada en Skool

Quiero Amplify Premium →

Hay una pregunta que vale la pena dejar aquí antes de cerrar:

¿Si algo que haces con IA se repite más de tres veces, existe ya como sistema, o sigues resolviéndolo desde cero cada vez que aparece?

La respuesta a esa pregunta define dónde estás ahora.

La guía explica qué hacer a partir de ahí.

— El equipo de Amplify

Suscríbete ahora

Compartir

Deja un comentario

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Por Edward

Diferente ya no es suficiente

Recuerdo que hace un tiempo toda la conversación en marketing giraba alrededor de ser diferente. La idea básica era simple: diferente es mejor que mejor. Y hasta cierto punto era verdad. Tenía sentido.

Desde la llegada de la IA, hay una distinción importante que necesita hacerse.

Porque diferente ya no alcanza. La IA ha creado tanto ruido pulido que si no hay algo verdaderamente distintivo en tu marca, en las conversaciones que plantas en el mercado, en tu look, en las personas detrás del proyecto, es fácil ser invisible.

Pero la palabra no es distintivo. La palabra es incomparable.

Grado vs. Especie

Hay dos formas de ser diferente.

La primera es diferencia de grado. Mejor, más rápido, más barato. Una mejora incremental dentro del mismo marco. El cerebro tiene que trabajar para evaluarlo: comparar características, pesar opciones, decidir si la diferencia justifica el cambio.

Esto es donde vive la mayoría de los negocios. “Mejor hamburguesa.” “Entrega más rápida.” “Diseño más limpio.” “Café de mayor calidad.”

Cada afirmación invita la misma respuesta: ¿comparado con qué?

La segunda es diferencia de especie. No una mejor versión de algo, sino un tipo de cosa completamente diferente. El cerebro no compara. Clasifica.

Airbnb no es un mejor hotel. No es hotel. Es pertenencia.

Starbucks no es mejor café. No es café. Es tu tercer lugar.

Tesla no es un mejor coche. No es empresa de coches. Es plataforma de software que se mueve.

Cuando eres diferente en grado, el cerebro compara. Cuando eres diferente en especie, la comparación deja de tener sentido.

La naturaleza lleva usando este mecanismo mucho antes de que existiera el marketing. La cola del pavo real. Las rayas del tigre. Los colores brillantes de los animales venenosos.

La vida no compite siendo un 20% mejor. Sobrevive siendo inconfundible.

Por qué La IA cambió las reglas

Aquí es donde se vuelve urgente.

La IA ha hecho que la diferencia de grado sea prácticamente gratuita. Todo el mundo puede producir diseño limpio, copy afilado, branding pulido, contenido constante. Las herramientas están al alcance de todos.

El resultado es un mercado inundado de negocios que se ven diferentes. Pero se sienten iguales.

Diferentes en la superficie. Idénticos en la estructura.

Antes de la IA, ser diferente era suficiente porque la mayoría era igual. Hoy la IA hizo que todos sean diferentes de la misma manera. El contenido se ve bien. Las marcas se ven bien.

Todo se ve bien. Y cuando todo se ve bien, nada destaca.

La única separación que queda es de especie: algo en tu marca, en tu conversación, en tu forma de ver el mercado, en las personas detrás del proyecto, que hace que la comparación sea biológicamente imposible.

La Pregunta

La pregunta ya no es “¿cómo somos diferentes?”

La pregunta es: ¿somos un tipo diferente de cosa?

Si el mensaje de tu competidor pudiera intercambiarse con el tuyo y nadie lo nota, estás compitiendo en grado.

Y en la era de la IA, competir en grado es una carrera hacia el agotamiento.

por Alexandra

El arte de agregar sin colapsar

Estas semanas estoy en una fase donde estamos agregando nuevas dimensiones al negocio. Más proyectos, más contenido, más frentes abiertos.

Y hay una tensión que conozco bien: la tentación de agregar sin considerar si el sistema lo sostiene.

Hay un patrón que muchos conocemos cuando hemos estado en fase de crecimiento.

Consolidas algo que funciona y, precisamente porque funciona, empiezas a agregar. Nuevas iniciativas, nuevos productos, nuevas acciones, nuevas pruebas.

Pero agregar sin mirar el anclaje entre las partes ya implicadas tiene consecuencias. De repente, lo que funcionaba deja de funcionar. No porque lo nuevo sea malo, sino porque el sistema no lo sostenía.

¿El insight aquí? Crecer no es agregar más. Es agregar lo que cabe sin romper lo que ya funciona.

Esta es la secuencia que muchos ignoran: Primero consolidas. Esa consolidación crea bloques sólidos — sistemas, cadencias, estructuras que funcionan sin que tengas que sostenerlas activamente. Luego, desde esa base, puedes agregar dimensión.

Pero solo si lo nuevo cabe dentro de los bloques que ya existen. Si no cabe, no se agrega. O se ajusta hasta que quepa.

Esta es la distinción que lo cambia todo:

• Crecimiento que colapsa: Agregas porque puedes, sin considerar la capacidad del sistema. Todo se estresa. La cadencia se rompe. Lo que funcionaba empieza a fallar.

• Crecimiento que compone: Agregas dentro de los mismos bloques. La cadencia se mantiene. Lo nuevo se integra sin destruir lo anterior.

El arte no está en agregar más. Está en agregar sin colapsar.

Mi Metodología desde la Trinchera — Antes de agregar

1. ¿Lo que funciona tiene bloques sólidos? Si todavía estás sosteniendo activamente lo actual, no estás en fase de agregar. Estás en fase de consolidar.

2. ¿Lo nuevo cabe en los bloques existentes? Si requiere crear estructura nueva que compite con la actual, es señal de alerta. Lo que agregas debe integrarse, no competir.

3. ¿Puedo agregar esto sin que la cadencia peligre? La cadencia es lo que hace que todo lo demás funcione. Si lo nuevo la amenaza, el precio es demasiado alto.

No es cuestión de qué más puedo hacer, si no de si puedo hacer más sin romper lo que ya funciona.

Porque el crecimiento que destruye tu base no es crecimiento. Es sabotaje disfrazado de ambición.

Compartir

Deja un comentario

Suscríbete ahora

Buenos días,

Esta semana, OpenAI eliminó la palabra “safely” de su misión.

La frase anterior, que acompañó a la compañía desde su fundación, era: “to ensure that the development of artificial general intelligence safely benefits all of humanity.”

La nueva: “to ensure that artificial general intelligence benefits all of humanity.” Una palabra, ocho años de diferencia.

Hay una forma de perder algo que no produce titulares de urgencia ni comunicados de crisis. Hemingway la describió mejor que nadie: gradualmente, luego de repente.

Vamos a ver la semana.

Latidos de la semana

OpenAI eliminó “safely” de su misión. Y completó su restructuración como PBC.

Después de casi un año de negociaciones, OpenAI formalizó esta semana su conversión a Public Benefit Corporation. La estructura resultante: la filial comercial opera como PBC, y la OpenAI Foundation —la organización sin ánimo de lucro original— retiene el control del consejo de administración y posee una participación de 130.000 millones de dólares en la filial. También adquirió el derecho de veto sobre el lanzamiento de nuevos modelos.

En el papel, la seguridad sigue teniendo un mecanismo. En la práctica, el cambio en la misión dice algo que los mecanismos no dicen: que la palabra que antes encabezaba la identidad de la empresa ya no es la palabra que la empresa quiere que encabece su identidad.

Más en En profundidad.

NVIDIA: un billón de dólares en vista, y una hoguera de robots para cerrar.

Esta semana, Jensen Huang —el CEO de NVIDIA, la empresa que fabrica los chips sobre los que corre prácticamente toda la IA del mundo— celebró su conferencia anual ante 39.000 personas. El mensaje central: la demanda de infraestructura de IA no se está desacelerando. Desde donde está hoy, ve al menos un billón de dólares en pedidos confirmados hasta 2027. El año pasado proyectó la mitad. El anterior, una cifra que nadie tomó en serio.

Para contextualizar: NVIDIA no hace aplicaciones ni modelos de lenguaje. Hace los servidores que permiten entrenar y ejecutar esos modelos. Cuando sus números de demanda crecen así, es porque cada empresa grande del mundo está comprando más capacidad de cómputo para IA, no menos.

El detalle que merece un momento aparte: el keynote de cuatro horas terminó con un avatar digital del propio Jensen Huang —construido con IA— sentado alrededor de una hoguera con un grupo de robots, tostando malvaviscos y cantando un resumen de la conferencia. El CEO de la empresa más valiosa del sector delegó el cierre de su evento más importante en una versión artificial de sí mismo.

Es difícil saber exactamente qué significa. Pero es difícil ignorarlo.

Manus lanzó una app de escritorio que le da acceso directo a tu ordenador.

Manus —la startup adquirida por Meta— lanzó esta semana “My Computer,” una aplicación de escritorio que da al agente de IA acceso directo a tus archivos locales, herramientas de desarrollo y aplicaciones mediante comandos de terminal.

Lo que hace interesante a Manus My Computer no es la sofisticación técnica. Es que es la primera versión del agente autónomo que un usuario no técnico puede instalar en su máquina hoy mismo y ver operar. Los agentes llevan meses siendo el tema de la industria. Esta semana empezaron a ser una app descargable.

xAI “no fue construida bien.” Elon Musk lo admitió. Cuatro cofundadores se fueron.

Elon Musk reconoció esta semana que su startup de IA está siendo reconstruida desde los cimientos, después de que Tony Wu, Igor Babuschkin, Kyle Kosic y Christian Szegedy —cuatro de sus cofundadores más prominentes— dejaran la empresa en las últimas semanas. El timing no es ideal: SpaceX, que ahora es propietaria de xAI, está preparando una salida a bolsa este año.

Cuatro cofundadores al mismo tiempo no es un problema de cultura organizativa. Es señal de algo más profundo sobre la dirección del producto, la visión o el liderazgo.

Anthropic duplicó los límites de uso de Claude para todos. Y abrió el contexto de 1M tokens.

En un anuncio de fin de semana que pasó relativamente desapercibido, Anthropic duplicó temporalmente los límites de uso de Claude para todos los planes — ree, Pro, Max y Team— durante las horas de menor demanda hasta el 28 de marzo. No hace falta activarlo. Llega automáticamente.

Al mismo tiempo, la ventana de contexto de 1 millón de tokens para Claude Opus 4.6 y Sonnet 4.6 pasó a estar disponible de forma general, sin aumento de precio.

¿Por qué ahora? Puede ser infraestructura de sobra. Puede ser una respuesta competitiva en una semana en que toda la industria miraba a NVIDIA. Puede ser las dos cosas. Lo que sí es claro: la diferencia entre Anthropic y OpenAI en términos de señales públicas sobre cómo tratan a sus usuarios está siendo más explícita cada semana.

Meta cerró el metaverso. Y ahora considera despedir al 20% de su plantilla para apostar por la IA.

Esta semana, Meta confirmó el cierre definitivo de Horizon Worlds, la plataforma de realidad virtual que Mark Zuckerberg presentó en 2021 como el futuro de internet. La compañía invirtió más de 40.000 millones de dólares en la apuesta —rebautizando incluso la empresa de Facebook a Meta para señalar el compromiso. El mundo virtual nunca llegó. El dinero, sí se fue.

El cierre ocurre en la misma semana en que varias fuentes apuntan a que Meta está evaluando despidos que afectarían a más de 15.000 personas —el 20% de su plantilla— para financiar su siguiente gran apuesta: 600.000 millones de dólares en infraestructura de IA hasta 2028, más la adquisición reciente de Manus.

El patrón que emerge es incómodo de ignorar. La empresa que apostó todo por el metaverso, lo cerró después de quemar decenas de miles de millones, y ahora aplica exactamente la misma intensidad de convicción a la IA —recortando personas para financiar la siguiente visión del futuro. Las apuestas cambian. La certeza con la que se hacen, no.

Esta semana, la identidad de las empresas de IA importó tanto como su tecnología. Qué misión tienen, qué palabras usan para describirla, y qué deciden cuando la misión y el mercado no señalan en la misma dirección. En Amplify Premium trabajamos precisamente eso: cómo tomar decisiones cuando la brújula es tuya, no del sector.

Únete →

En profundidad

Lo que pasa cuando OpenAI borra “safely”

Una misión no corre código. No determina por sí sola qué modelos se entrenan, qué datos se usan, qué compromisos de seguridad se mantienen. OpenAI tiene acuerdos formales con los fiscales generales de California y Delaware que incluyen compromisos específicos. La fundación sin ánimo de lucro retiene el control del consejo y el veto sobre nuevos modelos.

Y aun así, la palabra importa.

Las misiones hacen algo más sutil que los mecanismos: establecen el default en los momentos ambiguos. Cuando el equipo de producto está debatiendo si lanzar una funcionalidad que genera más engagement pero que tiene riesgos de uso indebido, por ejemplo, en esos momentos, la misión no resuelve el problema, pero sí enmarca cómo se piensa.

Durante ocho años, la misión de OpenAI contenía “safely.” Eso significaba que cualquier decisión ambigua tenía un punto de referencia: ¿estamos haciéndolo con suficiente seguridad? La nueva versión elimina ese punto de referencia. No lo sustituye por nada.

Esto no ocurrió en el vacío. Tampoco es alarmismo. Es un diagnóstico de cómo las organizaciones pierden su identidad original: no en un acto único y dramático, sino a través de una serie de decisiones que cada una tiene sentido individual pero que en conjunto representan algo diferente a lo que empezó.

OpenAI empezó como una respuesta a los riesgos de la IA en manos de actores privados sin supervisión pública. Fue fundada como sin ánimo de lucro exactamente por esa razón: para que el incentivo comercial no prevaleciera sobre la misión de seguridad. Sam Altman lleva años argumentando que para cumplir esa misión se necesita escala, y que la escala requiere capital. Esa lógica no es absurda. Pero su conclusión lógica es exactamente lo que ocurrió esta semana: una PBC con 300.000 millones de valoración cuya misión ya no incluye “safely.”

El contraste de la semana tiene nombre: Anthropic. Fundada en parte por personas que dejaron OpenAI precisamente sobre diferencias en torno a la seguridad. Esta semana, Anthropic dobló límites de uso para todos sin coste adicional y abrió el contexto de un millón de tokens gratuitamente. No cambió su misión. Añadió capacidad.

Anthropic puede estar equivocada en su apuesta. OpenAI puede estar en lo correcto al asumir que el capital y la escala son la única forma de hacer que la IA segura sea posible. Esas son posiciones genuinamente debatibles.

Lo que no es debatible es que esta semana se formalizó una diferencia que llevaba tiempo siendo implícita. El campo está eligiendo bandos. Gradualmente, luego de repente.

Herramienta de la semana

Manus My Computer

Qué es. La versión de escritorio de Manus, el agente autónomo de IA (ahora disponible como aplicación descargable para macOS). Da al agente acceso directo a tus archivos locales, aplicaciones instaladas y herramientas del sistema, y puede ejecutar tareas complejas de forma autónoma sin que tengas que supervisar cada paso.

Qué hace en la práctica. Le pides a Manus que haga algo —resumir todos los PDFs en una carpeta, crear un informe con datos de distintos archivos, construir un sistema de archivos organizado a partir de un caos de descargas— y lo hace sin que abras ninguna aplicación manualmente. Todo ocurre en segundo plano, a través del terminal y las herramientas del sistema.

Para quién es. Para quien quiere entender qué significa en la práctica tener un agente autónomo trabajando en tu nombre, no en teoría, sino con tus archivos reales. También útil para consultores y profesionales con flujos de trabajo repetitivos sobre documentos: clasificación, resumen, formateo, organización.

Limitaciones. Al tener acceso al sistema local, requiere revisar cuidadosamente qué permisos se otorgan. No está pensado para tareas que requieran criterio humano sobre el contenido. Es bueno ejecutando procesos definidos, no tomando decisiones editoriales o estratégicas. El acceso está siendo gradual y puede requerir lista de espera dependiendo de la región.

Pregunta de la semana

La mayoría de las personas que usan ChatGPT a diario no piensan en la empresa que lo construye. Lo usan porque funciona. Eso es completamente razonable.

Pero esta semana, esa empresa cambió formalmente su misión, completó su conversión a entidad comercial, y eliminó el principio que la diferenciaba en el papel. Si usas sus herramientas para trabajar con clientes, para tomar decisiones, o para producir contenido que lleva tu nombre: ¿sabes qué implicaría dejar de usarlas? ¿Tienes alternativa preparada? ¿Sabes cuál?

No como pregunta ética. Como pregunta de dependencia: ¿en qué punto de tu flujo de trabajo has dejado de tener opciones reales?

Nos leemos la semana que viene.

— El equipo de Amplify

Suscríbete ahora

Compartir

Deja un comentario

Hace unas semanas, una de las newsletters de IA que sigo publicó una guía con un titular que me pareció revelador sin quererlo: “How to import your ChatGPT memory into Claude”.

La guía era lo que prometía: ve a Settings, exporta tus memorias, impórtalas en Claude. Un proceso de quince minutos. El tono era el de alguien explicando cómo portar un número de teléfono al cambiar de operadora.

Ahí está todo el problema, en una sola imagen.

Si tu “memoria” puede exportarse como un archivo, migrarse entre plataformas y volver a cargarse en otra herramienta en quince minutos, eso te dice exactamente qué tipo de memoria es: una lista de hechos declarativos.

• “El usuario prefiere respuestas cortas.”

• “Trabaja en proyectos de contenido.”

• “Tiene un cliente llamado X.”

Datos portables, indexables, transferibles como cualquier otro archivo. Pero eso no es exactamente conocerte. Es más bien un dossier.

Este artículo va de la diferencia entre las dos cosas, y de por qué importa entenderla bien ahora que toda la industria está usando “memoria” como si fueran sinónimos.

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Los ensayos habituales (Punto de Inflexión, Momentos Bisagra, Innovación Aplicada) se mueven a los sábados.

Por Edward

El problema con la historia de bambú

Es el consejo estándar del mundo del desarrollo personal. Las cosas buenas toman tiempo.

La historia del bambú — espera tres años bajo tierra antes de que todo explote. La historia del cantero — sigue golpeando hasta que un golpe más rompe la piedra.

Aquí está el problema: a veces sí toma tiempo. Otras veces existe una ruta más rápida y lo único que tienes que hacer es moverte en una dirección diferente.

La mayoría de emprendedores no saben distinguir en cuál de las dos situaciones están.

Tratan cada brecha como un problema de paciencia. Y a veces la paciencia es exactamente lo que te mantiene atascado.

La dirección que cambiamos

Cuando decidimos entrar en el espacio de IA, la lógica era clara: necesitamos el software primero. Construir la plataforma, desarrollar iPolaris, tenerlo todo listo y después lanzar al mercado.

Esa era la historia del bambú. Construye las raíces. Espera. Luego crece.

Pero hicimos lo contrario.

Lanzamos nuestro AI First primero sin software propio. Nos apoyamos en Claude y en prompts diseñados por nosotros. Nada de tecnología propietaria. Solo nuestra metodología aplicada a herramientas que ya existían.

Entramos al mercado inmediatamente.

Mientras otros esperaban a tener la plataforma perfecta para lanzar, nosotros ya estábamos generando ingresos, trabajando con clientes reales y, lo más importante, aprendiendo exactamente lo que necesitaban. Cada sesión con clientes nos daba información que ningún proceso de desarrollo interno podría haber generado.

Esa información real fue la que después alimentó el desarrollo de iPolaris. El software no se construyó desde la teoría. Se construyó desde lo que los clientes realmente necesitaban.

Hoy ya no ofrecemos el programa con Claude. Hemos transicionado completamente a programas conectados a iPolaris. El software existe. La plataforma está construida. Pero llegó después — no antes.

Si hubiéramos seguido la lógica del bambú, habríamos pasado meses construyendo algo basado en suposiciones. En vez de eso, validamos primero, construimos después, y ahora tenemos un producto moldeado por la realidad del mercado.

No fue paciencia. Fue cambiar la dirección.

La trensión como señal

Todos los emprendedores vivimos con esa tensión entre dónde estamos hoy y dónde queremos estar. Esa brecha es la compañera constante de cualquier fundador.

La mayoría intenta gestionar esa tensión emocionalmente. Paciencia. Disciplina. Aguanta. Confía en el proceso.

Pero ¿qué pasa si esa tensión no es un problema emocional? ¿Qué pasa si es una señal?

Una señal de que algo estructural necesita cambiar. No más esfuerzo. No más paciencia. Un cambio en la dirección, en la secuencia, o en cómo estás mirando el problema.

Nosotros sentíamos esa tensión con iPolaris. La brecha entre donde estábamos y donde queríamos estar parecía enorme. La respuesta obvia era: construye el software, luego lanza.

Pero cuando usamos la tensión como diagnóstico en vez de como obstáculo, vimos que lo que faltaba no era el software era la validación. Cambiar el orden lo resolvió todo.

En esta era de IA, con todo moviéndose tan rápido, la habilidad más valiosa no es la paciencia ni la velocidad. Es usar la tensión que sientes como lo que realmente es: una señal que te muestra qué es lo que falta estructuralmente.

La historia del bambú es real. Algunas cosas necesitan raíces profundas.

Pero no todo es bambú.

A veces, la brecha no te está pidiendo paciencia. Te está pidiendo que mires mejor.

por Alexandra

Por qué cada mes empiezas de cero (y cómo salir de ahí)

Esta semana en Escala, trabajando con un negocio B2B que está validando su captación de clientes, me encontré de frente con el síndrome del mes cero.

Tienen producto validado. Tienen sistema de captación. Los clientes llegan y compran.

Pero cada mes, vuelven a empezar desde cero.

El esfuerzo del mes uno muere en el mes uno. El del mes dos, igual. No hay acumulación. No hay composición. Solo una rueda que gira sin avanzar.

Este es el síndrome del mes cero. Da igual lo bien que te vaya este mes. El próximo, vuelves a la casilla de salida.

Y la reacción natural es pensar: “Necesitamos más leads. Más captación. Más volumen.”

Pero el problema no son los leads. Es el modelo.

El insight: Si tu modelo económico no tiene continuidad después de la primera venta, estás condenado a empezar prácticamente de cero cada mes. No importa cuántos clientes captes — el esfuerzo no acumula.

La mayoría pregunta “¿cómo captamos más clientes?” Muy pocos preguntan “¿qué pasa con el cliente después de comprar?”

En el caso de este negocio, la solución no era optimizar la captación. Era replantear el modelo, para que tras la primera compra hubiera una recurrencia de continuidad.

La distinción que lo cambia todo:

· Modelo lineal: Cliente compra → transacción termina → necesitas otro cliente. Cada mes empiezas de cero.

· Modelo que compone: Cliente compra → entra en recurrencia → sigue generando valor. Mes dos, mes tres, mes seis — el esfuerzo inicial sigue trabajando.

La diferencia no es de esfuerzo. Es de modelo.

Mi Metodología desde la Trinchera — El test del modelo que compone

1. ¿Qué pasa después de la primera venta? Si la respuesta es “nada”, tienes un modelo lineal. El cliente compró, la transacción murió.

2. ¿El esfuerzo del mes uno sigue generando en el mes seis? Si cada mes empiezas de cero, tu modelo no compone. El trabajo de hoy no trabaja para ti mañana.

3. ¿Puedes añadir continuidad sin forzar? Recurrencia, mantenimiento, acompañamiento, expansión. ¿Hay algo natural que el cliente necesita después y que tú puedes ofrecer?

Captar solo más clientes no te salva si el modelo no está diseñado para componer.

Y la diferencia entre negocios que crecen agotados y negocios que crecen con libertad está exactamente aquí: unos vuelven a la casilla de salida el 1 de cada mes, otros componen sobre lo que el mes anterior dejó.

Compartir

Deja un comentario

Suscríbete ahora

Hoy, Jensen Huang (NVIDIA) sube al escenario del SAP Center de San José ante 39.000 personas para anunciar que hemos entrado en la era de la IA física y los agentes autónomos.

Es el mayor evento de IA del año. Cuatro días, 190 países, 700 sesiones. El mensaje central de NVIDIA para 2026: los agentes ya no son el siguiente paso, son el paso actual.

Hace poco, Gartner publicó una estimación: el 40% de los proyectos de IA agentica en empresas serán cancelados antes de 2027 por costes escalantes, valor de negocio poco claro o controles de riesgo insuficientes.

Los dos pueden tener razón a la vez. La pregunta es si tu organización está construyendo el 60% o el 40%.

Vamos a desgranar la semana.

Suscríbete ahora

Latidos de la semana

La IA salió del chat. NVIDIA lo celebra con 39.000 personas

GTC 2026 arranca hoy en San José, el evento anual de NVIDIA que en los últimos dos años se ha convertido en el termómetro más fiable del estado real de la industria. Jensen Huang ha prometido “chips que el mundo nunca ha visto antes” y nuevos detalles sobre Vera Rubin, la arquitectura que sucede a Blackwell con 5x el rendimiento en inferencia. El foco de este año: IA física, IA agentica y la infraestructura de inferencia que hace que ambas escalen.

Pero la noticia más significativa puede no ser el hardware. NVIDIA lanzó esta semana NemoClaw, una plataforma open source para construir y desplegar agentes de IA en entornos empresariales, sistemas que ejecutan tareas complejas de múltiples pasos sin supervisión humana constante. El hardware hace posible la carrera. Las plataformas la hacen accesible.

El giro que pocos anticipaban: según NVIDIA, los CPUs son ya el nuevo cuello de botella para los workflows agenticos. El problema ya no es la capacidad de razonamiento. Es la coordinación de todos los sistemas que rodean a los modelos.

Gartner: el 40% de los proyectos de IA agentica van a ser cancelados antes de 2027

La estimación convive con otro dato del mismo sector: el 100% de las empresas encuestadas por CrewAI planean expandir su uso de IA agentica en 2026. Las dos cifras son perfectamente compatibles.

Los motivos de cancelación que proyecta Gartner: costes que se descontrolan una vez pasado el piloto, valor de negocio que no queda claro en producción, controles de riesgo que no están a la altura de lo que los agentes hacen cuando operan de forma autónoma.

El patrón es el de cualquier tecnología empresarial emergente. Lo diferente esta vez es la velocidad: en ciclos anteriores, ese proceso de selección natural tomaba cinco o siete años. Gartner lo proyecta en dieciocho meses.

Cognizant midió cuánto trabajo real requiere implementar IA en producción. La respuesta incomoda.

“La IA plug-and-play es un mito.” Eso dice un estudio de Cognizant publicado el 10 de marzo que analizó cómo las empresas están implementando IA en entornos reales. La investigación encontró que las organizaciones necesitan ayuda significativa en cuatro áreas para que los sistemas de IA funcionen: ingeniería e integración técnica, gobernanza y gestión de riesgos, change management y adopción humana, y alineación con los procesos de negocio existentes.

El matiz que vale la pena retener: el estudio no dice que la IA no funcione. Dice que no funciona sola. La distancia entre un demo y un sistema en producción que genera valor real es trabajo de implementación, de ingeniería, de diseño organizativo, de criterio. Ese trabajo no lo hace la IA.

(Que lo diga una empresa de consultoría que vende exactamente ese tipo de ayuda no invalida el argumento. Lo confirma, si acaso.)

El Senado americano quiere saber cuántos empleos destruye la IA. De verdad.

Los senadores Hawley y Warner introdujeron esta semana la AI-Related Job Impacts Clarity Act, que obligaría a las empresas a publicar informes trimestrales al Departamento de Trabajo especificando cuántos empleos fueron eliminados porque sus funciones fueron reemplazadas por IA, cuántos quedaron sin cubrir por el mismo motivo, y cuántos empleados fueron reentrenados como resultado.

El contexto directo: hace unos días, Block recortó el 40% de su plantilla citando la IA mientras analistas y ex-directivos cuestionaban si era la causa real o una coartada conveniente. El trasfondo más amplio: Fortune publicó esta semana que el 75% de los trabajadores desplazados por IA no solicitan seguro de desempleo, lo que significa que el impacto real en el empleo es estructuralmente invisible en las estadísticas oficiales.

Si la ley se aprueba, por primera vez tendríamos datos directos sobre lo que las empresas dicen internamente que la IA está haciendo al empleo. No lo que declaran en sus comunicados. No lo que aparece en las estadísticas de desempleo. Lo que reportan formalmente al gobierno.

Los tres mejores modelos del mundo están a menos del 3% de diferencia. El criterio de elección ha cambiado.

GPT-5.4, Claude Opus 4.6 y Gemini 3.1 Pro se sitúan esta semana dentro de un margen de 2-3 puntos porcentuales en la mayoría de los benchmarks relevantes. No hay un modelo claramente mejor en términos absolutos. Los hay que sobresalen en tareas específicas, pero el ganador universal ha dejado de existir como categoría útil.

Lo que esto cambia: el criterio para elegir qué modelo usar ya no es cuál es el más inteligente, sino cuál está optimizado para el tipo de tarea específica que tienes. Esa distinción requiere criterio propio sobre tus casos de uso concretos. No se resuelve siguiendo el ranking del benchmark de turno.

Esta semana, los agentes autónomos se convirtieron oficialmente en el eje de la industria. Lo que eso significa para cómo organizas tu trabajo —no en abstracto, sino en concreto— es exactamente lo que trabajamos en Amplify Premium.

Únete →

En profundidad

El año de los agentes, y el 40% que no llegará a producción

Hay un momento que se repite en cada ciclo tecnológico importante: el momento en que la industria declara que algo ya llegó, al mismo tiempo que los datos empiezan a mostrar que implementarlo es más difícil de lo que parecía desde fuera.

Estamos en ese momento con los agentes de IA.

Por un lado, la declaración: 39.000 personas en San José para escuchar a Jensen Huang describir la “era agentica.” El 100% de las empresas encuestadas diciendo que van a expandir su uso de agentes. NVIDIA lanzando hardware específicamente diseñado para los workflows que los agentes requieren.

Por otro, la realidad emergente: el 40% de los proyectos agenticos cancelados antes de 2027. La IA plug-and-play es un mito. Los CPUs se convierten en el nuevo cuello de botella porque el problema ya no es razonar sino coordinar.

Estos dos lados no se contradicen. Describen la misma tecnología desde puntos distintos: el potencial real que tiene, y la brecha entre ese potencial y lo que la mayoría de las organizaciones pueden extraer de él en este momento.

Lo que probablemente separa al 60% que completará sus proyectos del 40% que los cancelará no es el presupuesto ni los modelos que elijan. Es si resolvieron cuatro preguntas antes de empezar:

1. qué problema específico resuelve el agente

2. qué puede hacer de forma autónoma y qué requiere confirmación humana

3. cómo detectan cuando hace algo incorrecto

4. y cómo miden si el resultado en producción justifica los costes.

El patrón no es nuevo. Las tecnologías empresariales de las últimas décadas —ERP en los 90, cloud en los 2000, movilidad empresarial en los 2010— siguieron el mismo arco: adopción entusiasta, cancelaciones masivas a mitad de ciclo, consolidación en un número menor de casos de uso que generan valor real y repetible. Los que sobrevivieron ese ciclo lo hicieron porque tenían claridad sobre el problema antes de comprometerse con la solución.

Lo que es diferente esta vez son dos cosas.

Primera: la velocidad. Gartner proyecta ese ciclo de cancelaciones en dieciocho meses, no en cinco años. Las organizaciones que entren tarde tendrán menos tiempo para aprender de los errores de otros y menos margen para corregir antes de que el capital político interno para estos proyectos se agote.

Segunda: la naturaleza del error. En ERP, el fracaso era de implementación — demasiado complejo, demasiado caro, demasiado lento para adaptarse. En IA agentica, el fracaso proyectado es de definición: proyectos que arrancan sin claridad sobre qué problema resuelven exactamente, qué vale perder el control granular sobre un proceso a cambio de automatizarlo, y cómo verificar que el agente está haciendo lo correcto cuando nadie lo está mirando.

La pregunta operativa que NVIDIA no responde desde el escenario, y que el 40% descubrirá demasiado tarde: ¿tu negocio tiene una respuesta concreta a esas cuatro preguntas antes de empezar a construir?

El año de los agentes ha llegado. La cuestión no es si subirse. Es si tienes las condiciones para que subirse produzca algo más que un piloto interesante que se cancela en dieciocho meses.

Herramienta de la semana:

Artificial Analysis

Qué es. Una web gratuita que compara en tiempo real todos los modelos de IA relevantes —GPT-5.4, Claude Opus 4.6, Gemini 3.1 Pro, y una veintena más— por rendimiento, velocidad de respuesta y precio. Sin cuenta, sin instalación, directamente en el navegador.

Qué hace en la práctica. Puedes filtrar por tipo de tarea (razonamiento, escritura, código, respuesta rápida), ver qué modelo lidera en cada categoría, y cruzar ese dato con el coste por uso. En cinco minutos tienes una foto clara de qué modelo tiene sentido para cada caso de uso específico tuyo. No en general, sino en función de lo que priorizas: calidad, velocidad o coste.

Para quién es. Para cualquier persona que usa IA regularmente y quiere tomar esa decisión con datos en lugar de seguir el hype del momento. También útil si tienes un equipo que usa distintas herramientas y quieres unificar con criterio.

Limitaciones. Los benchmarks miden rendimiento promedio en tareas estándar, no en tu caso de uso específico. El mejor modelo para escribir propuestas comerciales en español puede no ser el mismo que lidera en código o en razonamiento matemático. Úsalo como punto de partida, no como veredicto definitivo.

Pregunta de la semana

El 100% de las empresas dicen que van a expandir su uso de agentes en 2026. El 40% de esos proyectos se cancelarán antes de 2027. Esas dos cosas van a ocurrir al mismo tiempo, en el mismo sector, en parte en las mismas empresas.

Lo que distingue un proyecto que llega a producción de uno que se cancela a mitad del camino rara vez es la tecnología. Casi siempre es la claridad sobre el problema específico que resuelve, el diseño del control humano sobre lo que hace el agente, y el criterio para saber cuándo detenerlo.

Si estás evaluando IA agentica ahora mismo: ¿tienes esas tres cosas antes de empezar? ¿O estás construyendo la definición a medida que avanzas?

Nos leemos a lo largo de la semana.

—El equipo de Amplify

Suscríbete ahora

Compartir

Deja un comentario

El modelo que se encogía cada mes

Hace un año éramos principalmente una consultoría de comunicación que funcionaba. Clientes estables, metodologías validadas, un modelo de negocio que conocíamos bien.

Pero con cada mes que pasaba, algo cambiaba.

El modelo se hacía más pequeño, cada mes el espacio donde operábamos se encogía un poco más.

Las tareas que justificaban equipos completos empezaban a parecer excesivas. El valor que aportábamos se comprimía, mientras el mundo a nuestro alrededor se aceleraba.

Podríamos haber esperado. “Vamos adaptándonos poco a poco”, habríamos dicho. “Integremos algo de IA aquí y allá, sin prisas”.

Pero vimos lo que muchos no quieren ver: no había transición gradual posible.

El salto había que darlo. No el año que viene. No cuando estuviéramos “más preparados”. En ese momento.

Hoy, con la integración de nuestras metodologías validadas con nuestra propia tecnología de IA - Ipolaris -, estamos en un lugar completamente diferente. Nuevas oportunidades, nuevo alcance, nuevo modelo.

Si hubiéramos esperado a la “transición gradual”, hoy no existiríamos.

El mito más peligroso de nuestra era

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Los ensayos habituales (Punto de Inflexión, Momentos Bisagra, Innovación Aplicada) se mueven a los sábados.

Por Edward

Antes de construir tu Jarvis, responde una pregunta

En todas las noticias sobre IA de las últimas semanas, verás aparecer Open Claw.

Anteriormente conocido como Clawebot y Moltbot, es un nuevo framework de agentes de IA de código abierto que permite a cualquiera replicar su fantasía de Jarvis en Iron Man.

Ya hay un leaderboard donde la gente publica los ingresos que están generando.

Agentes que lo manejan todo por ti. Nada malo con eso.

De hecho, algunas personas con máxima claridad van a cosechar los beneficios de adoptarlos temprano.

Pero aquí está la cosa: la mayoría de los emprendedores no tienen claro qué necesitan hacer en los próximos seis meses. Y si no tienes claridad, todos los agentes del mundo no te pueden ayudar.

Solo estarás multiplicando ruido.

La limitación que nadie quiere ver

Esta semana estaba trabajando con un grupo de clientes en nuestro Programa Apalancamiento AI.

Estuvimos hablando sobre el poder de entender tu limitación. Lo que te limita ahora se convierte en el obstáculo que, una vez eliminado, crea un salto enorme.

Me recordó la limitación que teníamos cuando lanzamos Velocity.

Habíamos probado una oferta irresistible que funcionaba: enviábamos lo que llamamos La Caja Negra — una caja negra mate con dos libros, reportes y checklists dentro. Solo pagabas el envío. Funcionaba, pero no era escalable. Era suficiente para decirnos que teníamos algo con potencial.

La pregunta era: ¿cómo escalarlo?

Podríamos haber intentado hacernos virales en TikTok. Publicar todos los vídeos gratis que quisiéramos en YouTube. Escribir mejor copy. Probar nuevos funnels.

Pero la limitación no estaba ahí.

La limitación era el valor percibido de la plataforma.

En sus primeros días, la plataforma no era lo suficientemente atractiva. La oferta traía gente, pero lo que encontraban al llegar no justificaba quedarse.

Así que en vez de perseguir tráfico, invertimos seis meses creando contenido para la plataforma. Podcasts, cursos, series. Cuando la plataforma estaba repleta de valor, relanzamos.

La conversión pasó de 1.5% a 5% de la noche a la mañana.

No cambió la oferta. No cambió el tráfico. No cambió el copy.

Cambió lo que la gente encontraba al llegar.

Una limitación identificada y eliminada. Eso fue todo.

La pregunta antes del Agente

Esto es lo que veo que pasa con la IA ahora mismo.

Hay emprendedores creando agentes, dashboards con IA, vídeos con Seedance 2.0, automatizando procesos que ni siquiera tienen claros. La herramienta es increíble. La velocidad es real. Pero la claridad no está ahí.

Y sin claridad, la velocidad solo te lleva más rápido al lugar equivocado.

Antes de construir tu Jarvis, hazte una pregunta: ¿Estoy enfocado en la limitación que desbloquea el siguiente nivel, o todo esto es solo ruido?

Porque la limitación correcta, una vez eliminada, crea un salto que ningún agente puede replicar.

Y el agente más sofisticado del mundo, apuntando a la limitación equivocada, solo produce ruido más rápido.

La claridad primero. Después la velocidad.

Siempre en ese orden.

por Alexandra

Cuando optimizar más es la trampa

Esta semana en Mastermind con un empresario especialista en su nicho, vi con claridad un patrón que se repite más de lo que parece.

Su negocio funciona. Tiene sistema. Tiene resultados. Lleva meses optimizando cada parte del proceso.

Pero hay un problema que no veía: está llegando al techo.

No un techo de ejecución. Un techo de dimensión.

En su territorio nacional el mercado tiene un límite físico. Hay un número finito de clientes potenciales para su especialidad. Por mucho que optimice, ese número no crece.

La trampa en la que caemos: Cuando algo funciona, la tendencia natural es optimizarlo más. Mejorar conversiones. Afinar procesos. Pulir cada detalle.

Y eso está bien — hasta que deja de estarlo.

Porque hay un punto donde la optimización se convierte en trampa. Te mantiene ocupado, te da sensación de progreso, pero no te lleva a ningún sitio nuevo.

El insight: No puedes optimizar tu camino hacia el siguiente nivel cuando el territorio mismo tiene un límite.

En el caso de este empresario, la respuesta no es optimizar más su sistema en España. Es expandirse geográficamente — abrir mercados donde su especialidad tiene demanda, pero no hay competencia con su nivel.

Mismo negocio. Diferente tablero de juego.

Nosotros también hemos caído en esta trampa. Optimizando sistemas que ya funcionaban, creyendo que la mejora incremental era el camino.

Hasta que entendimos que hay techos que no se rompen trabajando más duro. Se rompen cambiando el tablero.

Mi Metodología desde la Trinchera — Detectar cuándo optimizar es trampa:

1. ¿El mercado tiene límite físico? Si hay un número finito de clientes potenciales en tu territorio o nicho, la optimización tiene fecha de caducidad.

2. ¿Llevas meses mejorando métricas sin ningún salto real? Si los números suben un 5%, un 8%, pero no hay ningún cambio de escala, estás en rendimientos decrecientes.

3. ¿Qué pasaría si cambiaras el tablero en vez de jugar mejor en este? Nueva geografía, nuevo segmento, nueva propuesta, nuevo canal. ¿Dónde está la oportunidad que todavía no has tocado?

La optimización es necesaria. Pero tiene un límite.

Y cuando llegas a ese límite, seguir optimizando no es disciplina. Es evitar la decisión más difícil: cambiar de tablero.

Porque el siguiente nivel no siempre está en hacer mejor lo que ya haces. A veces, está en dejar de jugar ese juego y empezar otro.

Compartir

Deja un comentario

Suscríbete ahora

Feliz lunes,

El sábado, unos quinientos manifestantes salieron a las calles de Londres. Empezaron en la oficina de OpenAI, terminaron en la sede de Google DeepMind. “March Against the Machines.” Carteles, megáfonos, la retórica habitual sobre el fin del trabajo.

La misma semana, Anthropic publicó el análisis más riguroso hasta la fecha sobre lo que la IA está haciendo realmente al mercado laboral. Cuatro años de datos. Conclusión principal: la IA no ha causado desempleo. Todavía.

La segunda conclusión, enterrada más abajo, es más incómoda: la contratación de perfiles junior en los sectores más expuestos lleva cayendo un 14% desde 2022. Los empleos no desaparecen. Simplemente dejan de crearse.

La protesta estaba respondiendo a la pregunta equivocada.

Latidos de la semana

Jack Dorsey recortó el 40% de Block. La razón oficial: la IA.

Block, la empresa de pagos y servicios financieros de Jack Dorsey (ex Twitter), anunció el despido de unas 4.000 personas, aproximadamente el 40% de su plantilla. El comunicado fue explícito: la IA permite hacer el mismo trabajo con muchos menos empleados.

Lo que siguió al anuncio fue inusual. Varios ex-directivos de Block y analistas del sector cuestionaron públicamente la narrativa. El argumento: Block lleva meses con problemas operativos, márgenes bajo presión y una estrategia de producto confusa. La IA en este contexto puede ser causa legítima, excusa conveniente, o ambas cosas a la vez. El término que circuló esta semana: “AI-washing” — usar la IA como justificación para recortes que tienen otras causas.

Es un precedente para vigilar de cerca. Si la IA se convierte en la razón corporativa socialmente aceptable para cualquier reducción de plantilla, perderemos la capacidad de entender qué está pasando realmente.

Anthropic midió el impacto real de la IA en el empleo. Los datos no son lo que esperabas.

El documento se llama “Labor market impacts of AI: A new measure and early evidence.” Cuatro años de datos del mercado laboral estadounidense, cruzados con una medición propia de exposición por ocupación. Los hallazgos principales, en orden de importancia:

Primero: no hay evidencia de desempleo causado por IA. Las tasas de empleo en los sectores más expuestos no son peores que en los no expuestos.

Segundo: los programadores de software son el grupo más expuesto de todos, con un índice de exposición del 75%.

Tercero —y esto es lo que más importa— la contratación de perfiles junior en los sectores con alta exposición a la IA lleva cayendo un 14% desde 2022. Los trabajadores senior son contratados con más frecuencia. Los junior, menos.

La IA no está destruyendo empleos. Está comprimiendo la curva de entrada. Las empresas necesitan menos personas para aprender haciendo porque la IA ya hace parte de ese aprendizaje. El resultado no es desempleo. Es que el escalón de entrada se vuelve más estrecho.

GPT-5.4 superó a los humanos en tareas de escritorio. Y no supo responder la pregunta del car wash.

OpenAI lanzó esta semana GPT-5.4, y los benchmarks mostraron algo que no habíamos visto antes: el modelo supera el rendimiento humano en tareas de escritorio con agente, 75% frente al 72,4% del evaluador humano de referencia. Primera vez que un modelo pasa ese umbral en ese tipo de evaluación.

El mismo día, alguien publicó una captura en la que GPT-5.4 fallaba una pregunta sobre cómo funciona un autolavado. No por ignorancia, sino porque el tipo de razonamiento que la pregunta requería no era el que el modelo optimiza.

La descripción más honesta de GPT-5.4 que circuló esta semana no fue “el mejor modelo” sino “el más interesante.” Hay una diferencia. Los mejores modelos son más fiables en lo que ya hacen bien. Los más interesantes muestran capacidades nuevas con límites aún mal comprendidos. Saber cuál necesitas en cada momento es, hoy, parte del trabajo.

La IA multiplicó el output por diez. La coordinación no bajó ni un euro.

Una observación que circuló esta semana en foros de directivos y que merece más atención de la que recibió: “La IA ha subido el output por persona en un factor de diez en algunos equipos. No ha reducido el coste de coordinación en un solo euro.”

Los sistemas de IA son extraordinariamente buenos ampliando la capacidad de producción individual. No tienen ningún efecto equivalente sobre reuniones, alineación entre departamentos, decisiones que requieren consenso, gestión de expectativas. El cuello de botella se desplaza. Y cuando se desplaza hacia algo que la IA no puede hacer, la promesa de eficiencia tiene un techo mucho más bajo de lo que los demos sugieren.

Lo que está pasando esta semana con el empleo —los datos de Anthropic, los recortes de Block, el escalón que se estrecha— no es fácil de leer sin contexto y sin marco propio. En Amplify Premium trabajamos exactamente eso: cómo posicionarse cuando los datos y la narrativa apuntan en direcciones distintas.

Únete →

En profundidad

Lo que la IA está haciendo al trabajo (y lo que no)

Jack Dorsey recorta el 40% de su empresa y dice que es la IA. Quinientas personas marchan en Londres diciendo que la IA destruye empleos. Anthropic publica un estudio de cuatro años diciendo que la IA no ha causado desempleo.

Los tres tienen razón. Y los tres están hablando de cosas distintas.

Lo que Dorsey está describiendo —con exactitud variable sobre sus propias motivaciones— es lo que ya podemos medir: la IA aumenta el output por persona. Eso significa que con el mismo número de personas puedes hacer más, o con menos personas puedes hacer lo mismo. Block eligió la segunda opción. Muchas empresas bajo presión de márgenes elegirán lo mismo. Eso es real, independientemente de si Block tiene otros problemas que la IA convenientemente enmascara.

Lo que los manifestantes de Londres están señalando es una sensación de incertidumbre sobre el futuro del trabajo cualificado que no es histérica. Es razonable. La velocidad a la que cambia lo que se puede automatizar es genuinamente nueva.

Lo que Anthropic midió es el punto de partida: cuatro años de datos reales, no proyecciones. Y los datos dicen que el desempleo no ha llegado. Pero los datos también dicen algo que es fácil pasar por alto en el titular.

El patrón que sí está emergiendo es la compresión de la entrada al mercado laboral.

Un 14% menos de contrataciones junior en sectores expuestos desde 2022. No es un número enorme. Pero representa una transformación en cómo las personas adquieren experiencia profesional. Hasta ahora, el modelo era: entras en una empresa haciendo tareas repetitivas y de bajo valor, aprendes el contexto, desarrollas criterio, subes. La IA está absorbiendo parte de esas tareas repetitivas. Resultado: las empresas contratan menos juniors porque necesitan menos manos para ese trabajo de entrada.

El problema no es el desempleo. Es que el escalón que te permitía llegar a donde la experiencia importa se está estrechando.

Esto tiene implicaciones que van mucho más allá del mercado laboral individual. Si las personas que entran al mercado ahora tienen menos acceso a esa fase de aprendizaje por exposición, ¿cómo se construye el criterio que hoy tienen los seniors? ¿Se puede aprender supervisando IA lo que antes se aprendía haciéndolo manualmente? Puede. Pero requiere un tipo de atención diferente —más reflexiva, más deliberada— que no es la que el sistema actual está diseñado para estimular.

El titular de esta semana no es “la IA destruye empleos.” Es más preciso y más difícil de comunicar en una pancarta: la IA está redibujando dónde empieza el trabajo cualificado. Eso no produce desempleo inmediato. Produce un mercado donde el acceso a la experiencia que forma criterio se vuelve más desigual, más dependiente de con quién trabajas y menos de simplemente estar dispuesto a empezar desde abajo.

La pregunta que Dorsey no responde, que los manifestantes no formulan bien y que el estudio de Anthropic deja abierta: ¿qué pasa en cinco años cuando los seniors de hoy se jubilen y la generación que debería haber aprendido haciendo no tuvo ese acceso?

Herramienta de la semana

Anthropic Economic Index

Qué es. Una herramienta pública de Anthropic —parte del mismo proyecto de investigación que produjo el informe de esta semana— que permite consultar el índice de exposición a la IA de cualquier ocupación del mercado laboral estadounidense.

Qué hace en la práctica. Buscas tu ocupación o la de alguien de tu equipo y obtienes un índice de exposición (0-100) basado en el análisis de millones de interacciones reales con Claude, no en encuestas de opinión sobre qué se podría automatizar. La diferencia metodológica importa: mide lo que la gente ya está usando la IA para hacer, no lo que los expertos creen que se debería poder hacer.

Por qué importa. La mayoría de los análisis de exposición a la IA son especulativos. Este es empírico. Ver el índice de tu propia ocupación —o el de los perfiles que contratas, o el de los clientes con los que trabajas— da un punto de referencia concreto para conversaciones que de otro modo quedan en lo abstracto.

Limitaciones. El índice refleja el mercado laboral estadounidense. Las ocupaciones con nombres distintos en mercados hispanohablantes pueden no tener equivalencia directa. Y “alta exposición” no significa “en riesgo inminente” —significa “este trabajo ya se está cambiando.”

Pregunta de la semana

Anthropic midió que los programadores de software tienen el índice de exposición más alto de todos: 75%. IBM está triplicando la contratación de perfiles junior. Spotify dice que sus seniors no escriben código. Dorsey despidió a cuatro mil personas.

Todos esos datos coexisten. No se contradicen. Hablan de momentos distintos dentro de la misma transformación.

La pregunta no es si tu sector va a cambiar. Es más concreta: ¿en qué parte de la curva estás? ¿En la que la IA libera tu criterio para hacer trabajo de mayor valor, o en la que la IA está haciendo silenciosamente el trabajo por el que te contrataban?

Y si estás en la segunda, ¿lo sabes ya?

Nos leemos.

— El equipo de Amplify

Suscríbete ahora

Deja un comentario

El bucle que no avisa

Hay una peculiaridad en la pérdida de capacidades cognitivas cuando tienes IA disponible: no la sientes.

Cuando dejas de correr, las piernas te lo dicen a las dos semanas. Cuando dejas de hablar un idioma durante meses, las palabras tardan más en aparecer y tú lo notas antes que tu interlocutor. En ambos casos hay un bucle de feedback funcional: el sistema que te avisa de que algo se deteriora sigue operativo.

Cuando delegas trabajo cognitivo a la IA, ese bucle se rompe. La razón es estructural. Cuando la máquina hace el trabajo, el output no baja, sube. Produces más. Los documentos son más sólidos que los que habrías escrito solo. Los análisis cubren más ángulos. Los correos son más precisos. El feedback que recibes del entorno —del cliente, del lector, del socio— es positivo.

La señal que debería avisarte de una degradación no aparece porque no hay ningún síntoma visible desde fuera.

La atrofia ocurre exactamente en el espacio donde debería aparecer esa señal: en el proceso que ya no haces. Y como ese proceso fue reemplazado por algo que funciona mejor, no hay nada que te avise.

Read more

Te damos la bienvenida a Momentum

Alexandra y Edward, los fundadores de Amplify Media, comparten cada miércoles lo que están viendo y decidiendo en tiempo real. Patrones, errores, decisiones estratégicas: pensamiento en directo desde dentro de sus negocios y los de sus clientes.

Los ensayos habituales (Punto de Inflexión, Momentos Bisagra, Innovación Aplicada) se mueven a los sábados.

Por Edward

La media verdad que está frenando tu negocio

Recuerdo mis primeros años como emprendedor. Tenía un mentor que me repetía constantemente: busca dónde está el problema y resuélvelo. Siempre me decía encuentra el cuello de botella y elimínalo.

Más tarde tuve otro mentor que me dijo algo completamente opuesto: ve donde el problema no existe. Lo que quería decir era que por muy mal que se vean las cosas, si vas donde el problema no existe, encuentras lo que ya funciona y lo maximizas.

Durante años pensé que uno tenía razón y el otro estaba equivocado.

Me costó mucho tiempo darme cuenta de que ambos tenían razón. Y ambos estaban equivocados.

Nunca fue uno o el otro, era usar los dos al mismo tiempo.

El error más peligroso

He hablado antes en esta newsletter sobre el pensamiento binario, y vuelvo a él porque creo firmemente que es uno de los errores más peligrosos del ser humano.

No porque sea completamente falso, sino porque es medio verdad. Y las medias verdades, al ser incompletas, son las más difíciles de cuestionar.

Mira el discurso actual sobre IA.

Un lado dice que la IA será la herramienta definitiva de productividad. Que salvará a la humanidad. Que cualquier negocio será posible. Que veremos al primer emprendedor en solitario que genere mil millones de dólares.

El otro lado tiene un miedo extremo de que la IA reemplace a los humanos.

Ambos tienen parte de razón, y ninguno tiene toda la razón.

Es exactamente el mismo error binario. Elegir un lado cuando la respuesta está en sostener ambos.

La dualidad

Lo que aprendí de esos dos mentores se convirtió en un principio que uso todos los días con clientes.

Tu negocio tiene espacios con problemas y espacios sin problemas. Y necesitas optimizar ambos, al mismo tiempo.

Los espacios con problemas son ineficiencias, cuellos de botella, fugas de valor.

El churn que no paras de perder. El onboarding que no funciona. El proceso de ventas que depende de ti. Aquí el trabajo es proteger valor, tapar los agujeros antes de que se hunda el barco.

Los espacios sin problemas son tus fortalezas. Lo que ya funciona. La campaña que convierte. El producto que tus clientes aman. El sistema de referidos que genera leads sin que hagas nada. Aquí el trabajo es multiplicar valor, amplificar lo que ya está funcionando.

La mayoría de los emprendedores hacen uno u otro.

Los que están en modo supervivencia solo apagan incendios. Viven en los problemas. Nunca levantan la cabeza para ver qué ya funciona y podría escalar.

Los optimistas solo persiguen crecimiento. Ignoran las grietas en la base. Escalan un sistema roto y se preguntan por qué el crecimiento no se sostiene.

La ventaja está en la dualidad. Proteger y multiplicar. Defensa y ofensiva. Las dos cosas a la vez.

Lo que esto significa en la era de IA

Aquí es donde se vuelve relevante hoy.

La IA es extraordinariamente buena para ambos lados, si sabes que los dos existen.

Puedes usar IA para diagnosticar problemas más rápido, automatizar procesos que drenan recursos, identificar dónde estás perdiendo valor. Eso es protección.

Y puedes usar IA para escalar lo que funciona — amplificar campañas ganadoras, personalizar la experiencia de tus mejores clientes, multiplicar los sistemas que ya generan resultados. Eso es multiplicación.

Pero si solo ves un lado, si solo usas IA para producir más, o solo para arreglar cosas estás operando con media verdad.

Y las medias verdades son el lugar más peligroso para construir un negocio.

Los negocios que van a ganar en esta era no son los que apuestan todo a la IA ni los que la resisten. Son los que la usan para resolver problemas más rápido mientras simultáneamente amplifican lo que ya funciona.

Un mentor me enseñó a encontrar el problema. El otro me enseñó a ir donde el problema no existe.

La respuesta siempre fue ambos.

por Alexandra

Ejecutar más no es escalar. Apilar es escalar.

Esta semana en Mastermind con empresarios que ya tienen negocios en activo, vi de nuevo un patrón repetirse: acciones sueltas que funcionan, pero no componen.

Uno de los casos: una doctora en el mundo de la estética y cirugía que llena su agenda a través de eventos online. Funciona. Los eventos traen pacientes. La agenda se llena.

Pero ahí estaba la oportunidad oculta.

¿Qué pasaba con los que asisten al evento y no agendan? ¿Qué pasaba con los interesados que no pudieron asistir? ¿Cómo es la comunicación pasadas las fechas de agendar?

La acción funcionaba, pero no componía.

El punto ciego que veo con frecuencia: empresarios ejecutando acciones que dan resultado, pero cada mes empiezan de cero. No hay apilamiento. No hay interconexión. El esfuerzo no acumula.

El insight: la diferencia entre un negocio que crece y uno que escala no está en hacer más. Está en que cada acción alimente la siguiente.

La distinción que lo cambia todo:

• Acciones aisladas: Ejecutas, funciona, termina. El próximo mes repites desde cero.

• Acciones que componen: Cada ejecución tiene capas. Lo que no convierte hoy entra en un sistema que convierte mañana.

En el caso de la doctora, el evento no es una acción. Son cinco:

1. Los que asisten y agendan → conversión directa

2. Los que asisten y no agendan → secuencia de seguimiento

3. Los que se inscriben y no asisten → campaña de recuperación

4. Los que muestran interés, pero no se inscriben → nutrición a largo plazo

5. Los que agendan y no cierran → reactivación estratégica

Mismo evento. Cinco palancas. Esto es apilar.

Por años yo también pensé que escalar era hacer más cosas. Más lanzamientos, más campañas, más acciones, más personal.

Hasta que comprendí que escalar es hacer que cada cosa que ya haces trabaje en múltiples direcciones simultáneamente.

Mi Metodología desde la Trinchera — El test del apilamiento

1. ¿Qué pasa con los que no convierten? Si no tienes respuesta, estás dejando valor en la mesa. Cada “no” de hoy puede ser un “sí” de mañana si hay sistema.

2. ¿Esta acción alimenta otra o muere sola? Si termina cuando termina, es acción aislada. Si lo que genera entra en otro sistema, compone. Este filtro te ayuda a simplificar y saber a qué decir que no.

3. ¿Cuántas capas tiene lo que estoy ejecutando? Una acción bien diseñada tiene 3-5 capas de valor. Si solo ves una, estás dejando las otras sobre la mesa.

La pregunta no es “¿qué más puedo hacer?”

La pregunta es “¿cómo interconecto lo que ya hago para que cada acción alimente la siguiente?”

Porque ejecutar más no te saca del mismo sitio. Apilar estratégicamente es lo que te lleva al siguiente nivel.

Y la diferencia entre empresarios que crecen y empresarios que escalan es exactamente esta: unos trabajan más, otros apilan mejor.

Suscríbete ahora

Compartir

Deja un comentario