Qué ocurre cuando la pericia de los expertos se abarata, y qué está ocurriendo ya

Hasta finales de la década de 1970, el análisis financiero complejo era trabajo de especialistas.

Una persona versada en matemáticas y contabilidad manejaba fórmulas complejas, avanzaba comprobando paso a paso que los cálculos cuadraran y, al detectar un error, volvía a empezar desde el punto equivocado. Aunque los cálculos fueran correctos, cada vez que llegaba información o cifras nuevas había que recalcular.

Solo a fuerza de repetir ese trabajo se lograba por fin conocer con exactitud la situación financiera de una empresa, y sobre esa base se tomaban decisiones de mejora de la gestión o de inversión.

En ese contexto, Dan Bricklin, que cursaba una asignatura de finanzas en la escuela de negocios, concibió una hoja de cálculo (VisiCalc) a partir de lo penoso que resultaba recalcular. La desarrolló en dos meses, a finales de 1978, y empezó a venderla en 1979.

Después de VisiCalc surgieron hojas de cálculo como Lotus 1-2-3 y Excel, y su difusión permitió que mucha gente hiciera cálculos y recálculos de forma interactiva e iterativa.

Se puede decir que las hojas de cálculo volvieron más eficientes, y redujeron, las tareas de los contadores y de las personas hábiles con los números. En algunos casos, quizá eliminaron no solo tareas, sino los propios empleos.

Sin embargo, como se dice a menudo también en el debate actual sobre la IA, eso significó además que las personas pudieron dedicar su tiempo a otras cosas. Gracias a las hojas de cálculo, los contadores se liberaron de la tarea de calcular y pudieron concentrarse en trabajos que requerían conocimientos más especializados.

Pero la historia no terminó ahí.

Las hojas de cálculo sostuvieron el desarrollo de las industrias de la consultoría y la inversión a partir de la década de 1980. Incluso quienes no eran tan buenos calculando, o los perfiles junior, podían hacer cálculos hasta cierto nivel con solo disponer del software, y así aumentó el número de personas que podían incorporarse a esos trabajos.

Aunque no se puede afirmar que las hojas de cálculo fueran el factor principal del desarrollo de la consultoría y de la inversión, detrás del crecimiento de estas industrias desde la década de 1980 hubo esa generalización del «cálculo» que trajeron las hojas de cálculo.

Quienes obtuvieron grandes beneficios fueron las empresas de software que ofrecían herramientas para facilitar el cálculo y «las personas que supieron aprovechar bien el poder de un cálculo generalizado».

Si la IA ofreciera conocimiento experto diverso más allá del software

Así como en su día las hojas de cálculo generalizaron el cálculo, hoy la IA está generalizando la inteligencia y las habilidades de diversos expertos. Es de esperar que esto tenga varios efectos.

En un artículo reciente, «Qué ocurre cuando el software y la inteligencia se abaratan», presenté una versión para el software de la paradoja de Jevons. Es lo que puede ocurrir cuando se generalizan las habilidades y la inteligencia de los ingenieros de software.

Pero la IA también ofrece inteligencia «distinta» del desarrollo de software. Por ahora su aplicación avanza primero en el ámbito del software, pero probablemente su influencia se extenderá a otras formas de inteligencia.

Además, mientras que las hojas de cálculo antiguas fueron una sustitución especializada en la habilidad de calcular, lo que distingue al rendimiento de la IA actual es que casi todos los campos de especialidad pasan a ser un objetivo (siempre que se trate de un nivel intermedio).

Por eso, en este artículo quiero reunir qué ocurriría si la inteligencia y las habilidades de otros expertos se generalizaran y, como señal de ello, qué está ocurriendo ahora a mi alrededor.

«¿Qué haría usted si pudiera conseguir expertos de forma barata e inmediata?»

Uno de los cambios que probablemente ocurrirán es la mayor eficiencia de la demanda existente. Por ejemplo, hasta cierto punto será posible volver más eficiente el trabajo de abogados y médicos.

Pero no solo eso: también puede producirse una difusión hacia lugares donde la demanda no estaba satisfecha. Como ocurrió en su día con la luz y las bombillas, los productos que se abaratan empiezan a usarse incluso donde antes no compensaba su relación entre costo y rendimiento.

En el caso de la IA actual, una consultoría de cocina como «un menú que se pueda preparar con las sobras de la nevera de hoy y que además guste a los niños» es un ejemplo de cómo la inteligencia y las habilidades de los expertos están llegando a donde antes no llegaban. Que en este artículo se hayan podido usar tantas imágenes explicativas también se debe a que su costo de generación ha bajado muchísimo (antes se hacían a mano).

Y, como en el ejemplo de las hojas de cálculo, cuando se generalizan las habilidades de los expertos, aumenta el trabajo que las utiliza. Al volverse más eficiente una parte del flujo de trabajo, se amplían las oportunidades en los ámbitos que la usan como una pieza, y además a quienes no son expertos les resulta más fácil entrar en campos especializados.

Lo que ocurrió con las hojas de cálculo fue que se enriquecieron la consultoría y la industria de la inversión, que supieron responder bien a la pregunta «¿qué haría usted si pudiera conseguir calculistas de forma barata e inmediata?».

Si es así, también se puede decir que la pregunta importante hoy es: «¿qué haría usted si pudiera conseguir expertos diversos de forma barata e inmediata?».

De hecho, desde mi puesto en el apoyo a startups, tengo la impresión de que lo mismo que ocurrió cuando VisiCalc redujo las barreras de entrada a la contabilidad y a la industria de la inversión, y generó la expansión de la consultoría y de la inversión, está ocurriendo ahora en el ámbito de la deep tech gracias a la IA.

AI for Engineering: lo que está ocurriendo en las startups de deep tech

El ámbito que se llama AI for Engineering ayudará, en primer lugar, y mucho, a los expertos de ese campo. Igual que el cálculo se volvió más fácil para los contadores.

Y lo siguiente que ocurrirá es que aumentará el trabajo que usa esa capacidad como una parte, como ocurrió con la consultoría y la inversión.

De hecho, al apoyar a startups de deep tech en sus fases iniciales, el cambio del que percibo señales es que los emprendedores que no eran expertos en ese campo, aunque entren en un ámbito que exige especialización, con solo esforzarse pueden llegar enseguida a un nivel razonable.

Por ejemplo, antes, cuando alguien quería emprender fuera de su especialidad, ocurría esto:

Buscar durante varios días a un experto del campo, encargárselo y esperar varias semanas. Verificar una sola hipótesis lleva varias semanas.

Con ChatGPT, ahora es así:

Incluso una pregunta algo difícil se verifica sobre el papel en una o dos horas

En particular, desde ChatGPT 5.2 Pro, lanzado en diciembre de 2025, los modelos son capaces de realizar tareas de verificación numérica a un nivel bastante alto.

Durante mucho tiempo se dijo que la IA generativa «no es buena verificando», pero las alucinaciones se han reducido bastante, y también realiza, con cierta precisión aunque no sea perfecta, versiones simplificadas de análisis tecnoeconómicos y trabajos de reconstrucción desde cero, a modo de ensayo de primeros principios.

Además, si se le pide que lo entregue en Excel o similar, cuando la IA se equivoca con los números podemos corregirlos nosotros.

Recientemente han aparecido también casos como la serie de casos en que Terence Tao, ganador de la medalla Fields, resolvió problemas abiertos de Erdős en colaboración con GPT-5.2 Pro (enero de 2026). Los modelos de vanguardia actuales han alcanzado un nivel en el que resultan útiles como «herramienta que despacha con rapidez problemas que se resuelven con técnicas estándar».

Si lo contrastamos con VisiCalc, creo que quedaría así:

Pasado (cuando apareció Excel)	Presente y futuro (cuando aparece la IA)
El cuello de botella del cálculo	El cuello de botella del conocimiento experto
Generalización de la profesión de contador	Generalización de la inteligencia de los expertos de cada campo
Ampliación de la reserva de talento de la consultoría y la inversión	Ampliación de la reserva de talento de los emprendedores de deep tech

Si miramos las startups de Estados Unidos y Europa, ámbitos como el de la Defense Tech están cobrando impulso. Aunque el mayor factor son los cambios del lado de la demanda, creo que también influye el cambio del lado de la oferta: que la IA permita «extraer conocimiento experto de inmediato».

Me parece que esto puede considerarse uno de los ejemplos de AI for Engineering.

La deep tech, cada vez más abierta a quienes no son expertos

Cuando las habilidades especializadas se vuelven fáciles de usar, muchos más participantes pueden entrar en los ámbitos que las emplean como piezas. En el caso de la deep tech, el margen para que quienes no son expertos se incorporen al emprendimiento en este campo se está ampliando como nunca antes.

Y, de hecho, también en un programa de apoyo al emprendimiento que ayuda a explorar ideas siento que empiezan a aparecer casos de personas que no son expertas en ese ámbito de la deep tech y que, adquiriendo conocimientos especializados con la ayuda de la IA, superan la verificación de hipótesis de la fase inicial con una rapidez sin precedentes.

Por ejemplo, se pueden realizar con cierta precisión tareas como las siguientes:

• Pensamiento de primeros principios (descomponer las cosas desde su raíz para pensar hasta dónde es posible llegar)
• Análisis tecnoeconómico simplificado (TEA) y análisis de sensibilidad
• Exploración de la dirección del negocio y de la tecnología
• Desglose de la lista de materiales (BOM)
• (Elaboración de listas de subvenciones aplicables, etc.)

Lo que antes se encargaba a expertos, o se hacía contratando a un trabajador a tiempo parcial para que calculara durante varias semanas, es decir, la verificación inicial sobre el papel, ahora se puede hacer por cuenta propia en 90 a 180 minutos.

Con este cambio, también se ha vuelto posible que quienes no son expertos verifiquen ideas en paralelo. Igual que las hojas de cálculo como Excel facilitaron recalcular, ahora es posible cambiar de rumbo con una idea incluso en ámbitos especializados.

Y no es todo. Incluso la forma correcta de instalar cableado y tuberías en el mundo real, si se le toma una foto y se le pregunta a Gemini, la explica hasta cierto punto. Es decir, también a la hora de fabricar cosas de verdad, con la IA se puede llegar hasta cierto punto.

Por supuesto, no sirve en campos como el descubrimiento de fármacos, que emplean conocimientos de vanguardia que la IA no conoce, y en los detalles del saber hacer todavía no puede competir con los expertos. Para trabajos peligrosos hará falta el consejo de un experto. Aun así, para comprobar orientaciones generales, el ahorro de tiempo es considerable.

Una biblioteca de prompts para deep tech

Con estos avances técnicos, últimamente uso mucho ChatGPT Pro para analizar áreas relacionadas con los emprendedores a quienes apoyo.

Por eso, esta vez hemos publicado los prompts que usamos, entre otros materiales, como la Biblioteca de prompts iniciales de deep tech de FoundX.

Probar la biblioteca de prompts de FoundX →

Esta biblioteca contiene prompts para verificar los problemas y riesgos del lado de la oferta (el lado tecnológico) de una idea tecnológica, y genera propuestas de negocio a partir de lo introducido. En concreto, tiene las siguientes funciones:

• Una vez introducidos los valores, se reflejan automáticamente en todos los prompts
• Después, al ejecutarlos en ChatGPT u otro, se generan resultados en Word / Excel

Funciona como una página estática de Cloudflare Pages y la información introducida no se envía al servidor. (Los textos se guardan en el almacenamiento local).

Como advertencia, hay lo siguiente:

• También funciona con Claude, pero por ahora tengo la impresión de que GPT Pro da mejores resultados, así que recomiendo ChatGPT Pro (100 dólares al mes).
• Con ChatGPT Pro, cada ejecución tarda de 90 a 180 minutos.

Ahora bien, estos prompts tienen casos en los que son eficaces y casos en los que no.

• ✅ Eficaz: verificación del lado tecnológico, como las leyes físicas, la estructura de costos y los procesos de fabricación, que se puede precisar cuantitativamente en un sistema cerrado
• ❌ No apto: verificación del lado de la demanda, como el comportamiento de los clientes y la aceptación del mercado, que trata con un sistema abierto, el ser humano

Las leyes físicas del lado de la oferta son un sistema cerrado y, en principio, no cambian; en cambio, en el lado de la demanda los cambios de las personas y del mercado son grandes y hay muchos aspectos imprevisibles, por lo que no resulta apto. Por eso, para verificar la demanda siguen siendo necesarias actividades como las entrevistas a clientes.

Aun así, donde antes había que verificar tanto la oferta como la demanda, se puede decir que la verificación del lado de la oferta se ha vuelto bastante más fácil.

Hacia un renacimiento del hardware

El cuello de botella que surgirá más adelante, conforme avance la IA generativa, probablemente estará del lado de la física. Ya hoy escasean la energía, los transformadores, el agua y otros recursos. Resolver ese tipo de cuellos de botella físicos será cada vez más necesario.

Así, mientras la presencia de lo físico crece en el lado de la demanda, si en el lado de la oferta se pudiera aprovechar la inteligencia de la IA para realizar suministro físico, creo que habría ahí una gran oportunidad.

En ese sentido, creo que ahora mismo es justo el momento en que, gracias al poder del software, pueden producirse grandes cambios en el hardware y que, en realidad, quizá la era del hardware esté volviendo.

Por ejemplo, si oye decir que «faltan transformadores para centros de datos»,

«Transformadores para centros de datos. Pero no con I+D pesada, sino mediante la integración de tecnologías existentes, y que permitan multiplicar por 10 o más el rendimiento anterior, o reducir el costo a una décima parte (incluyendo el aprovechamiento del espacio)»

introduzca una frase como esta en la biblioteca mencionada y pídale que genere propuestas de negocio y un panorama de la captación de fondos. Deberían salir varias propuestas.

Si dentro de ellas pregunta cómo avanzar, podrá llegar a una hipótesis de bastante buena calidad. Antes esto requería muchísimo tiempo.

Aun así, por supuesto, que una idea llegue a realizarse depende de la reflexión y la ejecución del propio emprendedor, y la verificación del lado de la demanda requiere inevitablemente manos humanas. Además, quienes ponen manos a la obra al fabricar de verdad son los ingenieros, y no es que con la IA sola se resuelva todo.

Pero el trabajo inicial de ir desglosando y puliendo la propia idea se ha vuelto sin duda más fácil con la evolución de estos modelos.

Si surge un campo que le interese un poco, le invito a usar los prompts como «herramienta para elevar la calidad y la velocidad de las hipótesis». Y precisamente ahora, cuando todos miran hacia el software, creo que sería bueno que aumentara el número de personas que se atreven con estos ámbitos físicos y con la deep tech.

Además, en el programa Studio, donde pensamos ideas junto con ustedes, también estamos abriendo la convocatoria de participantes. Si le interesa, participe.

Probar la biblioteca de prompts de FoundX →