Nunca nos convenció Copilot. Fuimos de los primeros en quitarnos el sombrero cuando salió, y con el macroacuerdo de Microsoft y OpenAI detrás parecía que iban a comerse el mundo. Pero en el día a día siempre lo vimos como una IA de rendimiento modesto. Por no decir otra cosa.

Así que cuando Microsoft presentó en Build 2026 siete modelos propios, con un primer modelo de razonamiento (MAI-Thinking-1) entrenado desde cero, no lo leí como “otro lanzamiento”. Lo leí como el día en que el dueño de la tubería deja de alquilar el agua y monta su propio pozo. Y eso, para quien vive de esto, cambia el tablero.

Te lo desgrano despacio. Primero lo práctico. Luego lo que pienso de verdad.

== Lo que pasó, en una frase ==

Microsoft dejó de ser una integración de lujo de los modelos de OpenAI. Ahora fabrica los suyos, bajo la marca MAI (Microsoft AI), y pintan muy bien.

En abril llegaron tres modelos fundacionales (voz, transcripción, imagen). En Build 2026, el 2 de junio, cayeron siete más, liderados por **MAI-Thinking-1**, su primer modelo de razonamiento. Es el lanzamiento de modelos más amplio de su historia. Y parece que vienen más.

Los benchmarks que enseñó Microsoft son espectaculares. Pero los benchmarks siempre generan dudas, y esas cifras no son lo importante. Lo importante es lo otro: cuando el dueño de la distribución (Windows, Office, GitHub, Azure) decide fabricar sus propios motores en lugar de alquilarlos, se mueve todo.

== Un modelo que piensa, o el amigo que responde antes de que acabes la pregunta ==

Aquí está el corazón del asunto, y es la parte que más me gusta explicar.

Un LLM clásico responde por intuición. Predice la siguiente palabra, y ya. Es rápido y barato, pero tropieza en lo que pide varios pasos: matemáticas, lógica, código complejo, planificar. Le falta el momento de pararse a pensar.

¿No tienes un amigo que responde antes de que termines la pregunta? ¿Acierta mucho ese amigo? Daniel Kahneman lo explicó de maravilla en “Pensar rápido, pensar despacio”: tenemos un sistema veloz e intuitivo y otro lento y deliberado.

Un modelo de razonamiento (RLM) es el sistema lento. Antes de responder genera “thinking tokens”: una cadena interna donde descompone el problema, prueba caminos y corrige sus errores. Es lo que ves cuando ChatGPT pone “pensando”. Aprende a hacerlo con refuerzo: se le premia cuando su razonamiento lleva a la respuesta correcta.

¿La pega? Lo pagas. Esos thinking tokens no se ven en la respuesta y pueden costar hasta 6 veces más que los de entrada. Y suman latencia: de 40 a 90 segundos en tareas que un LLM normal contesta al instante. Por eso no siempre conviene. A veces pensar de más empeora la decisión. ¿Te suena, en humanos también?

MAI-Thinking-1 importa por una razón sencilla: es el primer RLM que Microsoft fabrica en casa. Hasta ahora, para que Copilot razonara, dependía de OpenAI. Ya no.

== Copilot nunca fue un modelo ==

Esto lo sabe poca gente, y es clave. Copilot no es un modelo. Es una capa. Por debajo puede correr casi cualquier modelo, igual que en Perplexity, y lo eliges desde un menú. Desde ahora, también los modelos propios de Microsoft.

Lo notamos en carne propia. Varios clientes de automoción y gran consumo nos pidieron estudios de Copilot. Y auditar Copilot era, en realidad, auditar ChatGPT: el modelo de abajo, ChatGPT, era el mismo que ya teníamos evaluado para ellos. Mismo motor, otra carcasa. A partir de ahora, Copilot será la capa de aplicación para estos nuevos modelos de MS.

Por qué ahora: se rompió la exclusividad

No es casualidad. Durante años, el imperio de IA de Microsoft se construyó sobre modelos ajenos: 13.000 millones en OpenAI y luego hasta 5.000 en Anthropic. No ha sido barato, pero se ha mantenido en la cresta de la ola sin tener nada propio, ha promocionado Azure y vende los modelos en Azure. Pero con el tiempo, la visión de Microsoft ha evolucionado y eso significa que vienen cambios importantes.

El 27 de abril rehicieron el acuerdo con OpenAI. Cayó la exclusividad. El detonante fue el pacto de hasta 50.000 millones de OpenAI con Amazon. Yo creo que ahí hubo un punto de inflexión. El resultado deja a Microsoft en una posición rarísima: inversor, socio, distribuidor, proveedor de infraestructura y competidor directo de OpenAI y Anthropic. Todo a la vez.

Lo que vivimos desde Barcelona

Y aquí es donde dejo el tono de analista y hablo como lo que somos: un equipo que quema tokens cada día para producir código y lanzar simulaciones.

Consumimos una barbaridad. Y lo caro no es simular: es el análisis de datos, la inferencia y el desarrollo de código sobre modelos frontera. Un dato para que se entienda la escala: en un solo sprint llegamos a desplegar 460 agentes y más de 140 horas de cómputo a máximo rendimiento. Cuando ves esa factura, que Microsoft fabrique sus propios modelos deja de parecer un capricho. Es adelantarse a una necesidad.

Usamos GitHub como centro de verdad de los proyectos. No se nos ocurre forma mejor para gestionar la información de un proyecto colaborativo, con muchos archivos y formatos. Por eso un modelo entrenado con datos de GitHub y pensado para GitHub, como MAI-Code-1, nos toca de lleno. Integrar GitHub y Microsoft 365, ambos de Microsoft, sigue siendo un fastidio. Con Google pasa lo mismo: tardan en encajar sus propios servicios. Tener el control total de GitHub es peligroso para todos y buenísimo para Microsoft. Y el naming de Copilot, hay que reconocerlo, fue una jugada maestra.

La frustración con Copilot “out of the box” la confirmamos durante dos años. Las integraciones en Office no rindieron como esperábamos. La conclusión interna fue incómoda: estaríamos mejor olvidándonos de Office. De Word, de PowerPoint, y dejando que las IAs generen las presentaciones en HTML. El botón de Copilot estaba ahí, metido en las apps de Office 365, pero no queríamos una versión avanzada de aquel clip con ojos. Era frustrante abrir Copilot dentro de Excel y que te dijera que no podía tocar los datos, mientras un Claude con un plugin (Playwright, por ejemplo) te lo maneja todo sin despeinarse.

Queremos un sistema nuevo donde la IA orqueste el flujo de trabajo y el humano aporte experiencia, conocimiento y criterio. Hoy seguimos sin una solución de mercado completa para el trabajo corporativo en equipo, con IA integrada y una gestión del conocimiento decente. Así que, como tantos, tiramos de un apaño casero: un sistema un poco friki con Obsidian, SharePoint y GitHub trabajando con Codex, agentes y Claude Code. Funciona, pero no es una solución a largo plazo, seamos honestos.

Nos despierta empatía, porque nos recuerda a IBM

ES tan solo una oinión pero pienso que Microsoft tiene una visión estratégica muy acertada. Pero pierde al público con una narrativa compleja y poco inspiradora. Nos suena a IBM, a HP, a Google, incluso a Adobe: fragmentación, falta de simplicidad, ausencia de mirada holística. Cuesta ilusionarse. Y aun así, sus contribuciones son clave. Nadie está tan cerca de ofrecer soluciones corporativas tan sólidas y de adopción tan rápida como los modelos de Microsoft.

Lo curioso del lanzamiento de esta semana: enseñaron siete modelos a la vez, ese tipo de presentación que no me gusta, donde sacas tantas cosas que cada una parece menos importante en lugar de dejar brillar dos o tres. Igual no voy desencaminado, porque la acción subió menos del 2% al día siguiente.

> Cuando hasta el dueño de la distribución fabrica sus propios modelos por independencia, depender de una sola plataforma de IA deja de ser cómodo y pasa a ser un riesgo.

Lo que de verdad decide el éxito de los modelos en corporaciones.

Microsoft sabe mejor que nadie qeu dá igual que tu modelo quede primero en los leaderboards. La compra se decide en la consola de administrador.

Integración de identidad, logging, fronteras de datos, retención, SLAs, coste predecible. Indemnización de IP para los de legal. Latencia y que el asistente entienda el repo sin filtrarlo, para los devs. Ahí vuelven las viejas fortalezas de Microsoft: sabe vender planes de gestión, sabe hacer que IT sienta que una nueva capacidad se puede gobernar y no solo soportar. Si MAI se integra a fondo en Azure, Microsoft 365, GitHub y la política de Windows, se vuelve imparable.

La otra cara: ese mismo encaje hace el lock-in más sutil. Un modelo afinado sobre tus flujos, atado a tu identidad de Microsoft, metido en Teams y facturado por consumo de Azure es potente precisamente porque cuesta moverlo. El buen comprador no enciende MAI porque la demo impresione. Lo testea, lo mide, lo restringe y exige portabilidad antes de dejar que se vuelva infraestructura.

Lo que significa para tu negocio.

Cada modelo nuevo es un entorno más donde tu marca se percibe, se compara y se recomienda. Nosotros medimos cómo te ven ChatGPT, Gemini, Claude, Perplexity y Copilot. Y ahora aparece una superficie nueva que vigilar: cuando MAI entre en Copilot, Windows y Edge con criterio propio, será un sitio más donde te recomiendan o te ignoran.

Si te interesa entender cómo las IAs impactan en la industria y en nuestra manera de trabajar, sígueme y suscríbete a esta newsletter. Así vamos compartiendo experiencias y lecciones aprendidas en el día a día.

Un saludo,

Carlos

Voy a explicar por qué, qué cambia de verdad, y por qué creo que esperar es justo la decisión equivocada. No desde el miedo regulatorio, que es la forma fácil y un poco tramposa de vender esto, sino desde lo que hemos visto en la trinchera desde 2024.

Tres trampas y un calendario

Empiezo por lo que invita a no hacer nada, porque conviene tenerlo delante para desmontarlo.

La primera trampa es el calendario. Se ha movido, y cuando algo se mueve parece que hay tiempo de sobra. La segunda es más sutil: durante más de un año vamos a tener obligaciones en vigor sin que exista capacidad real de imponer multas. Es decir, una norma que técnicamente te obliga pero que de momento no te castiga si no la cumples. Y la tercera, que es la que más ha dado que hablar en la prensa española, es que la propia Administración pública se exime a sí misma de esas multas económicas.

Júntalo todo y tienes la coartada perfecta para encogerte de hombros. Un calendario laxo, una obligación sin sanción y un Estado que se perdona a sí mismo. ¿Para qué moverse?

Pues porque las tres cosas, leídas con calma, dicen lo contrario de lo que parecen. Vamos por partes.

Lo que se movió y lo que no

A finales de 2025, la Comisión Europea lanzó el Digital Omnibus, un paquete de simplificación normativa. El 7 de mayo de 2026, el Consejo y el Parlamento europeos alcanzaron un acuerdo político provisional para mover algunas fechas del AI Act, el Reglamento (UE) 2024/1689. De ahí nació el titular “la UE retrasa la ley de la IA”.

Lo que se aplazó es el alto riesgo. En el lenguaje del reglamento, los sistemas del Anexo III (los autónomos: empleo y RRHH, scoring crediticio, seguros, biometría, educación) pasan del 2 de agosto de 2026 al 2 de diciembre de 2027. Y los del Anexo I (la IA embebida como componente de seguridad en productos regulados, desde dispositivos médicos hasta automoción) pasan del 2 de agosto de 2027 al 2 de agosto de 2028. Si tu negocio vive en ese terreno, por ejemplo un banco con modelos de scoring, efectivamente tienes aire.

Lo que no se aplazó es la transparencia. El famoso Artículo 50, que es el que regula el etiquetado del contenido generado con IA, la divulgación de los deepfakes y el aviso de que un chatbot es una IA, sigue entrando en vigor el 2 de agosto de 2026. Solo hay una prórroga corta, hasta el 2 de diciembre de 2026, y es para un detalle muy concreto: el marcado legible por máquina en sistemas que ya estaban en el mercado. Nada más.

Resumido en una frase: el respiro del Omnibus es para la banca con scoring, no para quien crea contenido. La parte de la norma que regula nuestro oficio es, casualmente, la única que se mantuvo en pie.

Conviene añadir aquí una cautela honesta, porque me parece de mal gusto vender certezas que no existen. El Digital Omnibus es un acuerdo provisional, todavía no publicado en el Diario Oficial de la UE. Y la ley española es un Proyecto de Ley en tramitación. Las fechas pueden afinarse en el texto final, y antes de tomar una decisión de cumplimiento de alto impacto siempre hay que validar sobre los textos oficiales. Pero la dirección está clarísima, y la transparencia es el bloque más estable de todos.

Dos normas que la gente confunde

Aquí hay un lío conceptual que vale la pena deshacer, porque genera mucha confusión en las reuniones.

Conviven dos capas. Por un lado, el AI Act europeo, que es un reglamento. Eso significa aplicación directa: no necesita una ley española que lo desarrolle para ser exigible. Está en vigor desde el 1 de agosto de 2024 y se aplica de forma escalonada. Por otro lado, la ley española para el buen uso y la gobernanza de la IA, que todavía no es ley. Es un Proyecto de Ley Orgánica que el Consejo de Ministros aprobó en segunda vuelta el 26 de mayo de 2026 y remitió a las Cortes. Aporta el detalle nacional (el régimen sancionador, las autoridades competentes, la concreción de cómo se etiqueta), pero su entrada en vigor se prevé hacia finales de 2027.

Lo importante para cualquier marca o agencia es esto: lo que es exigible en agosto de 2026 procede del reglamento europeo, no de la ley española, que llegará después. Cuando el Gobierno dice que hay que etiquetar el contenido IA “desde el 2 de agosto”, se apoya en ese mandato europeo directo.

Y un matiz que repito siempre porque se confunde sin parar: la alfabetización en IA, el Artículo 4, esa obligación de que tu personal tenga formación suficiente en IA, no entra en agosto. Es exigible desde febrero de 2025. Lo que entra en agosto de 2026 es la transparencia. Si oyes a alguien vincular la formación interna al 2 de agosto, está mezclando dos cosas distintas, normalmente porque le viene bien comercialmente.

Qué te obliga el Artículo 50, según quién seas

El artículo 50 no trata a todos por igual. Reparte las obligaciones según el papel que juegues.

Si eres el proveedor del modelo, las grandes casas como OpenAI, Google o Anthropic, tienes que marcar todo lo que genera tu modelo (texto, imagen, audio, vídeo) en un formato legible por máquina, detectable como contenido artificial, de manera robusta y fiable. Esa es la parte técnica pesada, y la verdad es que los modelos punteros ya la cumplen: OpenAI firma sus salidas con el manifiesto C2PA más una marca invisible, y Google marca Imagen 4, Veo 3 y Lyria 2 con SynthID.

Si eres deployer, que es la palabra del reglamento para quien despliega y publica (aquí entramos las agencias y los equipos de marketing de las marcas), tus obligaciones son tres y son más sencillas de lo que parece. Avisar que se trata de una IA en los chatbots, salvo que sea obvio. Revelar los deepfakes que generes o manipules. Y declarar el texto generado por IA cuando trate asuntos de interés público.

Hay un detalle que cambia mucho la vida y que poca gente conoce: el texto con revisión humana y responsabilidad editorial asignada queda exento de la obligación de divulgar. O sea, si documentas bien tu flujo de supervisión editorial, eso es literalmente una exención prevista por la propia norma. No es un truco, es una pieza del diseño legal. Documentar ese proceso es, entre las cosas que puedes hacer, una de las que más rinden.

En cuanto al estándar técnico, la industria ha convergido en dos capas. Uno son los Content Credentials, basados en C2PA, que son metadatos firmados criptográficamente y dicen de dónde viene un contenido y cómo se ha tocado. La otra es el watermarking imperceptible, una marca que sobrevive aunque alguien borre los metadatos. El AI Act no nombra a C2PA, pero C2PA satisface lo que el Artículo 50 pide. En la práctica, esto significa que elegir proveedores que marcan en origen te resuelve buena parte del problema sin esfuerzo.

La multa que no llega.

Ahora sí, vuelvo a las dos trampas que dejé pendientes, porque son el corazón del asunto.

La primera: durante más de un año habrá obligaciones aplicables “pero sin capacidad real para imponer multas”, como ha señalado con bastante precisión la prensa especializada. La segunda: la ley española deja a las administraciones públicas fuera de las sanciones económicas, lo que ha llevado a más de un análisis a preguntarse si la norma es una especie de “autolimitación” del propio Estado.

Leídas rápido, las dos suenan a permiso para esperar. Una obligación que, de momento, no se sanciona y un Estado que (de nuevo) se perdona a sí mismo. La tentación es matemática: si nadie multa todavía, ¿para qué gastar tiempo y dinero en cumplir?

Pero es justo lo contrario, y aquí va el argumento que de verdad importa. Ese desfase no es una vía de escape, es tiempo regalado. Por dos razones.

La primera es que las facultades sancionadoras maduran y, cuando lo hacen, el incumplimiento previo deja rastro. Que ahora no caiga la multa no borra el hecho de que la obligación estaba vigente. El que se confíe se está construyendo un pasivo silencioso.

La segunda razón es la que de verdad mueve el negocio: quien te va a pedir cuentas no es el regulador, sino tu cliente. En sectores como la banca, los seguros o la salud, lo que llamamos YMYL (your money or your life), la trazabilidad y el etiquetado correctos te los van a exigir mucho antes de que el BOE tenga capacidad para sancionar. ¿Por qué? Porque su propio riesgo reputacional no espera al calendario legislativo. Una entidad financiera no puede permitirse que un contenido suyo, generado con IA y sin marcar, acabe en un titular incómodo.

Así que la paradoja se resuelve por sí sola. Cuando el regulador se exime y la multa se retrasa, el cumplimiento privado deja de ser burocracia y se convierte en una señal de confianza diferencial. Todo lo que parece una excusa para esperar es, mirado de cerca, la razón para adelantarse.

Etiquetar bien no es poner una pegatina

Quiero matizar algo, porque no me gustaría que esto se leyera como “etiqueta todo y ya está”. Etiquetar por etiquetar no sirve de nada. La pregunta correcta no es “¿hay que poner una marca de IA?”, sino “¿qué problema resuelve hacerlo bien?”.

El etiquetado suma cuando va acompañado de un rastro. Content Credentials incorporados, logs de procedencia y un flujo de revisión editorial documentado. Ahí la etiqueta deja de ser una pegatina decorativa y se convierte en una prueba: algo que puedes enseñar a un cliente, a una auditoría o, el día menos pensado, en una crisis reputacional. En sectores sensibles, esa capacidad de demostrar es, en sí misma, un argumento de venta.

El etiquetado se reduce cuando se trata de un producto cosmético puro. Una marca “IA” pegada al final, sin saber con qué modelo se generó el contenido, sin metadatos firmados ni un proceso detrás. Eso da una falsa sensación de cumplimiento; no te protege ante una inspección y, además, se nota. La diferencia entre las dos no está en la etiqueta que se ve, está en si puedes sostener lo que esa etiqueta afirma.

Es la misma idea que un proveedor de software de RRHH expresaba en un webinar comercial sobre el AI Act, con una frase que se me quedó grabada: no basta con cumplir, hay que poder demostrarlo. El cumplimiento se convierte en un problema de evidencia. Y la evidencia, bien montada, es un activo, no un coste.

Lo que esto significa para ti, seas quien seas

Bajo todo esto a tierra, porque el reglamento puede sonar abstracto hasta que lo cruzas con tu día a día.

Si eres responsable de marketing en una marca, a partir de agosto tu tarea es etiquetar como “IA” o “AI” todo el contenido de marca generado o manipulado con IA, también en campañas pagadas, y exigir por contrato a tus agencias y proveedores que te entreguen el material con Content Credentials y marca de agua. Y avisar en los chatbots de marca desde la primera interacción.

Si trabajas en una agencia, como nosotros, actúas como deployer. Divulgas los deepfakes, declaras el texto de interés público, avisas en los chatbots que despliegas para clientes, y documentas el flujo de revisión editorial para activar la exención. Ojo a la línea roja: si adaptas un modelo de propósito general a una finalidad de alto riesgo del cliente, como el scoring o la selección de personal, puedes reclasificarte como proveedor y heredar las obligaciones plenas. Eso no se toca sin asesoría legal específica.

Si eres estudiante, etiqueta con IA lo que generes en tus trabajos y en tu portfolio, aprende a declarar cómo y cuándo la has usado, y no te fíes de los detectores de “texto IA”, que son poco fiables. Declarar protege más que esconder, y un portfolio que demuestra uso responsable y trazable habla directamente de lo que el mercado va a pedir.

Y si eres una pyme o autónomo, haz un inventario de tus herramientas de IA y de lo que generan, etiqueta el contenido sintético, avisa en los chatbots de atención al cliente y revisa los contratos con proveedores para definir quién etiqueta y quién responde. Para pymes y autónomos suele aplicarse la menor de las cuantías sancionadoras, pero “menor” no es “cero”.

Y ya que hablamos de cuantías: las prácticas prohibidas, como los deepfakes sexuales no consentidos, llegan a 35 millones de euros, o el 7% de la facturación mundial. El incumplimiento de transparencia o de alto riesgo, hasta 15 millones o el 3%. La autoridad de referencia en España es la AESIA, con sede en A Coruña, que fue la primera agencia dedicada de la UE.

Lo que vimos venir desde la trinchera en 2024

Voy a contar de dónde sale nuestra convicción, porque no es una predicción de despacho.

En 2024 facilitamos una serie de workshops sobre IA para varias entidades bancarias, junto a un investigador sénior del CSIC que entonces participaba en los trabajos europeos sobre el marco de la IA. De aquellas sesiones surgió una idea que sigue siendo nuestra tesis: la UE iba a liderar la regulación de la IA, y el cumplimiento dejaría de ser una nota a pie de página legal para convertirse en una decisión de negocio. Desde entonces tratamos la transparencia y la trazabilidad como producto, no como trámite.

Lo que no estaba en el guion son los actores que se han sumado por fuera del eje tecnológico habitual. El más llamativo es el Vaticano, un Estado diminuto pero de enorme peso simbólico. Aprobó unas directrices internas sobre inteligencia artificial en vigor desde el 1 de enero de 2025, cuyos usos prohibidos (la manipulación subliminal dañina, las inferencias con efectos discriminatorios) son casi un calco del Artículo 5 del AI Act. Y en mayo de 2026 publicó una encíclica dedicada a la persona ante la IA que reclama transparencia algorítmica y control independiente.

No saco de esto ninguna lectura religiosa ni doctrinal, no es mi terreno ni el de este boletín. Lo trato como inteligencia de mercado, en el mismo plano analítico que cualquier otra señal del mercado. Y la señal es nítida: cuando un actor tan alejado del eje tecnológico y jurídico habitual fija reglas internas de IA y pide transparencia, es porque la presión por el etiquetado y la trazabilidad llegará por muchas vías a la vez. El regulador, el mercado, la opinión pública y, sobre todo, los clientes. No es una vía, son todas.

Lo que yo haría antes de agosto

Si tuviera que reducirlo a una lista corta para llegar al 2 de agosto sin sustos, sería esta.

Hacer un inventario de las herramientas de IA que usas y de qué generan cada una. Verificar que los modelos que utilizas marcan en origen, con C2PA y watermark, y priorizarlos frente a los que no. Escribir un procedimiento de divulgación: cuándo y cómo se etiqueta cada entrega, especialmente deepfakes y textos de interés público. Documentar el flujo de revisión editorial humana que activa la exención del texto. Poner el aviso de IA en los chatbots que despliegues. Tener registrada la formación del Artículo 4 de todo el personal, recordando que esa obligación viene de febrero de 2025. Y meter en los contratos con clientes y proveedores el reparto de responsabilidades entre el proveedor y el deployer.

Ninguna de estas cosas es cara ni complicada si te pones con margen. Todas se vuelven caras y complicadas si esperas a que aprieten.

Lo resumo como lo resumimos puertas adentro: no vendemos miedo regulatorio, vendemos confianza demostrable. Etiquetado correcto, rastro de procedencia auditable y un proceso editorial que se sostiene. Y eso es defendible ya, no en 2027.

Para terminar

La pregunta que dejo abierta es la misma que me hago con cada cliente: ¿tu equipo está esperando a que lleguen las multas, o ya está montando el proceso mientras hay margen?

Si te ha servido, suscríbete para recibir los próximos análisis sobre IA, regulación y contenido. Escribo cuando hay algo que de verdad mueve la aguja, no por llenar la bandeja de entrada.

¿Prefieres el formato largo? El análisis completo está publicado en el blog, con diagramas, tabla de sanciones, glosario y preguntas frecuentes:

• Versión en español: https://zoopa.es/es/geo-ia-visibilidad/ley-ia-espana-2-agosto-2026-etiquetado-contenido/

• Versión en català: https://zoopa.es/ca/geo-ia-visibilitat/llei-ia-espanya-2-agost-2026-etiquetatge-contingut/

• English version: https://zoopa.es/en/geo-ai-visibility/spain-ai-law-august-2-2026-content-labeling/

• También en Medium (EN): https://medium.com/@carlosortet/spains-new-ai-law-what-actually-changes-on-august-2-2026-d81659b70a87

Carlos Ortet · ZOOPA

Este post es informativo y no constituye asesoramiento jurídico. Para decisiones de cumplimiento de alto impacto, valida con los textos oficiales (DOUE / BOE) y con asesoría legal.

No digo que China no pueda fabricar chips, lo que no pueden hacer solos es producir chips de IA de última generación. Lo que todo el mundo necesita ahora.

Cada chip de IA que entrena un modelo de OpenAI, Anthropic o Mistral necesita unos espejos pulidos en una fábrica alemana, una resina química mezclada en un laboratorio japonés y un edificio de empaquetado en Taiwán cuya lista de espera supera el año. Sin ninguna de las tres piezas, el chip no existe. Ninguna es estadounidense ni china.

Es un curioso e inesperado tejido internacional: la cadena de fabricación de un procesador avanzado depende del trabajo coordinado de más de treinta países. No de dos. Entonces, ¿de qué nos están hablando, en realidad, cuando nos hablan de la “guerra de los chips”? Nos dicen que la inteligencia artificial es un pulso entre Estados Unidos y China. Esta simplificación oculta el mapa real, mucho más interesante e importante ahora que el foco está en la construcción de infraestructura de IA: crear el hardware imprescindible para la inteligencia artificial conlleva un tejido global de monopolios técnicos cruzados, donde nadie controla el sistema completo y donde cualquier intento de romperlo termina golpeando a quien lo intenta.

Hay un motivo más para detenerse aquí, menos técnico y más político. Si asumimos como cierta la narrativa donde Europa no tiene voz, ni voto, ni poder alguno en la IA, nos resignamos a ser irrelevantes cuando no lo somos. Tenemos la capacidad —y, conviene decirlo, también la responsabilidad— de jugar un papel clave en la evolución de la inteligencia artificial en los próximos diez años. Resignarse antes de empezar es una forma de elegir, y no es la elección que el mapa real nos permite hacer.

La que hay que liar para fabricar un chip de IA de última generación.

El proceso de creación de esos chips funciona así:
Antes de tocar un átomo de silicio, el chip se diseña en software de EDA, controlado por tres compañías que concentran más del 90% del mercado mundial: Synopsys, Cadence y Siemens EDA. Las dos primeras estadounidenses; la tercera, estadounidense pero alemana. La razón es brutal: probar matemáticamente que un chip con miles de millones de transistores funcionará antes de fabricarlo no se hace en cualquier lado. Un respin en un nodo avanzado cuesta entre cincuenta y cien millones de dólares, y más del 60% de los primeros diseños requieren al menos uno. Synopsys y Cadence son tan ricos precisamente porque cobran por evitar lo inevitable.

Después vienen las obleas de silicio (las dos productoras mundiales son japonesas: Shin-Etsu y Sumco). Después del photoresist, la “tinta” química, dominada por Japón y Corea con JSR y Tokyo Ohka. Después de los gases de proceso, donde Ucrania producía antes de 2022 cerca del 50% del neón mundial y suministraba el 90% del que consume la industria de semiconductores en Estados Unidos. Después ASML, la única empresa del mundo que fabrica máquinas de litografía EUV, con sede en Veldhoven. Después, los equipos de etch, deposición e inspección: Lam Research, Applied Materials, Tokyo Electron, KLA. Después las photomasks y, dentro de ellas, una empresa japonesa de 1.460 empleados llamada Lasertec, que controla el 100% del mercado mundial de inspección actínica EUV a 5 nm o inferior. Y al final, las fundiciones: TSMC con un récord del 70,2% del mercado mundial en el segundo trimestre de 2025, Samsung con un 7,3%, y SMIC en China, bloqueada por controles de exportación.

Este es el mapa es el que repiten los analistas del Council on Foreign Relations, el que ilustran los analistas de Bloomberg, el que cita a Morris Chang en sus entrevistas. Sin embargo, y sin ser un experto, me da la impresión de que está incompleto.

¡De la misa, aún nos falta la mitad!

Falta justo la mitad de lo que determina cuántos modelos de IA se pueden entrenar en el mundo cada trimestre.

El cuello de botella real de Nvidia no es el chip. Es el empaquetado. Cada GPU H100, H200 y B200 pasa por una técnica de TSMC llamada CoWoS. A finales de 2023, TSMC producía 13.000 obleas mensuales de CoWoS. El objetivo para finales de 2026 es de entre 120.000 y 130.000: multiplicar por diez la capacidad en tres años. Y aun así no llega. Nvidia ha reservado más del 50% de la capacidad total de CoWoS para 2026. Las tres fábricas que TSMC dedica a esto (AP3, AP5 y AP6) están saturadas, con plazos de entrega de 52 a 78 semanas. La consecuencia es elegante: aunque tengas el slot de oblea en N3, el chip no se envía sin CoWoS. El verdadero ‘tapón’ que está frenando el crecimiento de la inteligencia artificial a nivel mundial está formado por tres edificios de packaging en Taiwán.

Después está la memoria HBM. El mercado pasó de 17.000 millones de dólares en 2024 a 34.000 millones en 2025: se duplicó en 12 meses. Las proyecciones de Micron lo sitúan en 100.000 millones de dólares para 2028. En el tercer trimestre de 2025, SK Hynix ostentaba el 57% del mercado de HBM, Samsung el 22% y Micron el 21%. SK Hynix se convirtió por primera vez en el número uno mundial en DRAM, superando a Samsung, que lideraba desde 1983. La IA acaba de reordenar en memoria cuatro décadas de jerarquía coreana.

Después está CUDA. Nvidia controla más del 90% del mercado de GPU de datacenter para IA, pero el moat real no es el silicio.

En 2006, Nvidia creó CUDA, una plataforma que permite a los programadores aprovechar la potencia de la GPU para realizar cálculos matemáticos complejos (esenciales para la IA). Llevan diecinueve años perfeccionándola, y ese tiempo se ha convertido en tres capas de bloqueo que ningún rival ha igualado:

— cuDNN, cuBLAS, NCCL. Son librerías superespecializadas (herramientas ya programadas) para que la IA corra a la velocidad de la luz sobre hardware de Nvidia. Cada función matemática frecuente en deep learning ya está optimizada al máximo en estas librerías.

— Integración con PyTorch y TensorFlow. Los dos “idiomas” principales que usan los científicos de datos en todo el mundo están diseñados para integrarse a la perfección con Nvidia desde el primer día. Si usas otra marca, programar se vuelve una pesadilla de errores y parches.

— Documentación y comunidad. Diecinueve años de manuales, tutoriales, foros y cursos universitarios. Migrar fuera de CUDA no es solo cambiar de tarjeta gráfica: es reentrenar a una generación entera de ingenieros.

AMD ROCm ha cerrado el gap de hardware en 2025, pero el de software sigue ahí. El ‘foso’ es cultural antes que técnico.

Después están las tierras raras. Estos minerales y el té matcha han sido inevitables este año, los medios si que hablaron mucho, quizás por que refuerzan esa idea de que China nos dominará en breve. Lo cierto es que China controla más del 85% del procesamiento global, alrededor del 98% del disprosio y entre el 79 y el 80% del tungsteno —elemento sin sustituto en las capas de interconexión de los chips avanzados. Una disrupción del suministro de tungsteno reduciría el número de nuevas obleas en un plazo de seis u ocho semanas. Y aquí está la jugada que casi nadie cuenta: entre julio de 2023 y abril de 2025, China impuso sucesivas restricciones a la exportación de galio, germanio, grafito, antimonio, tungsteno, telurio y siete tierras raras medianas y pesadas. Era una contrapalanca frente a los controles estadounidenses. Y en noviembre de 2025, tras un acuerdo bilateral entre Xi y Trump, China suspendió parcialmente esos controles para usuarios finales estadounidenses hasta noviembre de 2026.

Y después está la electricidad. La AIE proyecta que los datacenters pasarán de consumir 485 TWh en 2025 a 950 TWh en 2030 —aproximadamente el 3% de la demanda eléctrica global, con la parte de IA triplicándose. Microsoft acaba de firmar un PPA a 20 años con Constellation para reabrir el reactor Unit 1 de Three Mile Island, el mayor acuerdo de la historia eléctrica estadounidense, y servir 835 MW exclusivamente a IA desde 2027. Amazon ha ampliado su acuerdo nuclear con Talen hasta 1.920 MW. Google ha firmado con Kairos Power un contrato de 500 MW de pequeños reactores modulares. Por primera vez en la historia, los hyperscalers controlan la generación nuclear dedicada.

Suma todo eso a la mitad oficial y el mapa entero se reorganiza. La pregunta interesante deja de ser “quién controla el chip” y pasa a ser “quién no puede prescindir de quién”. La respuesta es que nadie puede prescindir de nadie.

Europa debería tomarse a sí misma mucho más en serio

Las narrativas dominantes sobre semiconductores mencionan a Europa de dos formas: o como observadora vagamente irrelevante, o como sede de ASML. Las dos descripciones son perezosas.

Cinco o seis monopolios técnicos europeos son hoy indispensables para la cadena global. ASML, con el 100% del mercado de litografía EUV, es solo el más visible. Junto a ella, Carl Zeiss SMT —cuya facturación pasó de 1.200 millones de euros en 2016 a 4.100 millones en 2024— es el único proveedor mundial de espejos EUV. Sin Zeiss, no hay chips de IA. SOITEC, en Francia, controla entre el 70 y el 80% del mercado global de obleas SOI. Infineon es número uno a nivel mundial en semiconductores para la automoción y en microcontroladores. Bosch lidera el mundo en MEMS. ARM, propiedad de SoftBank pero diseñada en Cambridge, suma más de 300.000 millones de chips embarcados basados en su arquitectura.

Si todo eso se conociera, entenderíamos rápidamente que Europa es indispensable. Pero nadie lo cuenta.

A esa lista hay que añadir IMEC, en Lovaina, que es probablemente el activo europeo más infravalorado del sector y, sin demasiada discusión, el centro de I+D en semiconductores más importante del mundo. Su valor radica en su neutralidad: al no tener Bélgica una industria propia de chips, los gigantes rivales (TSMC, Intel, Samsung, GlobalFoundries, Infineon, STMicroelectronics, Panasonic, Texas Instruments y NXP) colaboran allí sin recelos en investigación precomercial. Más de 5.500 ingenieros e investigadores, muchos de ellos asignados in situ por las propias compañías miembros. Una facturación de 1.034 millones de euros en 2024. En marzo de 2026, IMEC aseguró una unidad EXE:5200 de ASML con acceso exclusivo a la última tecnología High-NA para cualificar la litografía sub-2 nm en el cuarto trimestre del año.

El riesgo geopolítico es directo: si el mundo se fragmenta por tensiones políticas, esta colaboración global muere. Sin el IMEC coordinando la investigación básica, el avance de la potencia de cálculo de los ordenadores a nivel mundial se estanca. Y los tres rivales más feroces del sector (TSMC, Intel y Samsung) pierden simultáneamente.

ASML compra Mistral: la jugada de la que hablamos poco y significó mucho

En septiembre de 2025 ocurrió algo que debería haber ocupado las portadas de toda la Unión Europea. No fue así.

ASML lideró una ronda de financiación de 1.700 millones de euros en Mistral, el laboratorio francés de IA, invirtiendo 1.300 millones para hacerse con el 11% de la compañía y valorándola en 11.700 millones. El CFO de ASML, Roger Dassen, se incorporó al comité estratégico de Mistral. En marzo de 2026, Mistral cerró otra ronda de financiación de 830 millones de dólares para datacenters en París y Suecia.

Es para leerlo con atención: la mayor compañía europea de chips ha apostado dinero en el mayor modelo de IA europeo. La integración soberana de compute + IP en Europa ya está sucediendo, calladamente, mientras la conversación pública sigue centrada en Estados Unidos y China. ¿Cuántos analistas, decisores políticos o periodistas se han parado a pensar en lo que significa esa jugada? Casi ninguno. Y es una de las decisiones industriales europeas más importantes de los últimos diez años.

España y el mundo hispano: dentro del tejido, en distintas posiciones

Si Europa es un nodo crítico que no se sabe cuál es el protagonista, conviene bajar otra vez la resolución: ¿qué hace España? ¿Y qué hace el resto del mundo hispano? La respuesta corta es que todos están dentro del tejido, en posiciones muy distintas.

España aprobó en 2022 su PERTE de Microelectrónica y Semiconductores con un compromiso de movilizar 12.250 millones de euros públicos hasta 2027. Las primeras convocatorias se han desplegado en once comunidades autónomas: Catalunya capta el 52% del PERTE Chip (27,65 millones de 53,2 millones en total de la primera ronda), seguida muy de lejos por Cantabria (6,64 M€), País Vasco (5,2 M€) y Madrid (5,08 M€). Vigo recibió 3 millones adicionales para chips fotónicos. España tiene 144 empresas activas en semiconductores, pero ninguna construye todavía una fábrica de gran escala — el plan se ha reorientado hacia el diseño, el prototipado, la fotónica y el packaging. La misma lección que en Europa: indispensabilidad, no autosuficiencia.

Catalunya dentro de ese cuadro merece párrafo propio. El IMB-CNM del CSIC, en Bellaterra, opera la sala blanca de investigación más grande de España (1.500 m² + 500 m² de ampliación CHIPXXI-PLUS) e ingresó en 2024 a la red europea EuroNanoLab. El Barcelona Supercomputing Center ha diseñado los primeros chips RISC-V open source íntegramente españoles — la familia Lagarto / Sargantana / Cinco Ranch — con el tape-out de la quinta generación enviado a Intel Foundry. La Generalitat ha creado en 2025 la fundación pública InnoFAB para el prototipado avanzado en el Parc ALBA de Cerdanyola, con un presupuesto de 300 millones de euros. Catalunya ostenta además la presidencia de la European Semiconductor Regions Alliance (ESRA) en 2026 — este año, quien conduce la conversación institucional entre las regiones europeas fabricantes no es Sajonia ni Île-de-France.

México vive el momento opuesto y simétrico. La industria mexicana exporta 4.900 millones de dólares al año y emplea a 10.000 personas, con Chihuahua, Jalisco y Nuevo León como centros de ensamblaje, pruebas y empaquetado. En noviembre de 2025, Jalisco y el Cinvestav firmaron el convenio para el primer Parque Estatal de Diseño de Semiconductores de América Latina, que arranca en marzo de 2026. Intel construye, además, una planta de empaquetado en Querétaro, con operaciones previstas para finales de 2026. México no fabricará chips frontera, pero está consolidando su posición como hub de diseño, packaging y testing para el hemisferio occidental.

Costa Rica es el caso de estudio que pone los pies en el suelo a cualquier discurso sobre nearshoring. La planta ATM de Intel en San José fue durante años la única instalación de ensamblaje y prueba de Intel en el hemisferio occidental. En julio de 2025, Intel anunció su cierre, que completará a finales de 2026, como parte de una reestructuración que consolida la fabricación y el ensamblaje en Vietnam y Malasia. Costa Rica mantiene 2.000 personas en ingeniería y servicios corporativos, pero pierde el ancla industrial. Lección incómoda: cuando una región construye su posición sobre la decisión de una sola corporación, esa posición es renegociable a una rueda de prensa de distancia.

Brasil lleva quince años intentando construir un actor propio. CEITEC S.A., fundada en 2008 en Porto Alegre con financiación del Ministerio de Ciencia y Tecnología, fue la primera empresa que diseñó íntegramente un chip en Brasil . Un RFID de identificación animal, manufacturado externamente en X-FAB, Alemania. El presidente Bolsonaro inició la liquidación en junio de 2021. La empresa resurgió en noviembre de 2023 dentro del programa PADIS. Y Argentina tiene desde 2013 la planta Unitec Blue en Chascomús (Buenos Aires), una inversión de 1.200 millones de dólares de Corporación América (Eurnekian) , la primera planta de chips de Sudamérica.

Aunque ningún país hispanoparlante está en condiciones de fabricar tecnología de vanguardia, ni lo va a estar en los próximos cinco años, lo cierto es que sí estamos dentro del tejido. El papel no es estelar, pero es indispensable. Lo que sí podemos hacer: diseño open source (BSC, CEITEC), prototipado avanzado (IMB-CNM, InnoFAB), packaging y testing (México, Querétaro), formación especializada (Cinvestav-IPN, UPC, UAB, ITESO).

La paradoja del desacoplamiento

Hay una paradoja en el centro de toda esta historia que merece ser mencionada. Los defensores del desacoplamiento entre Estados Unidos y China sostienen que la dependencia mutua constituye un riesgo geopolítico que hay que erradicar. Los defensores de la interdependencia sostienen que el desacoplamiento es físicamente inviable. Creo que ambos tienen algo de razón: ambas potencias gastan cientos de miles de millones en intentar un desacoplamiento —o independencia tecnológica— que ningún experto técnico considera posible.

La prueba está en los hechos recientes. En mayo de 2025, el gobierno estadounidense revocó la AI Diffusion Rule de Biden porque clasificaba a Portugal, Austria y otros aliados de la OTAN en la categoría Tier 2. Es decir: el propio gobierno que diseñó la política reconoció que rompía su propio tejido aliado. En noviembre, China suspendió parcialmente los controles de exportación sobre galio, germanio y tungsteno para los usuarios finales estadounidenses tras un acuerdo bilateral con Trump. En enero de 2026, Trump anunció aranceles del 25% sobre los chips reexportados y, simultáneamente, un acuerdo con Taiwán por 250.000 millones de dólares para reubicar el 40% de la cadena de suministro en Estados Unidos. Todo lo anterior es lo opuesto a una política industrial coherente: es la gestión sucesiva de una dependencia que nadie sabe cómo terminar.

Y mientras tanto, IMEC sigue funcionando porque ninguna de estas medidas la ha tocado. En una sola sede en Lovaina, TSMC, Intel y Samsung —los tres rivales más feroces del sector— investigan en conjunto. Ninguno puede permitirse no hacerlo.

La guerra de chips es un mito narrativo. El cuello es técnico, no geopolítico. Y la cooperación no es ideología: es la única forma física en que el sistema funciona.

Nuestra visión desde un pequeño laboratorio en Barcelona

En 498A trabajamos con clientes europeos en proyectos de IA, GEO y arquitectura de información para LLMs, y vemos lo indispensable que es esta tecnología y cómo se convierte en un elemento crítico para que nuestros clientes sean competitivos. Es un momento curioso: las soluciones corporativas todavía no están disponibles, mientras que las pequeñas empresas pueden integrar tecnología de vanguardia en sus procesos. Es una ventana que se cerrará en meses, o en un año, pero no deja de ser una situación muy curiosa.

No falta capacidad técnica europea. No falta talento europeo. Sabemos que parte importante del talento que mueve Silicon Valley y Hsinchu pasó por universidades del continente, y que piezas clave de la tecnología de LLMs se basan en el trabajo de los labs de París, Reino Unido y otros. Lo que falta es coordinación, velocidad, una conversación pública que reconozca que ya somos un nodo crítico del tejido global y, sobre todo, determinación.

Nuestros propósitos y deseos operativos para los próximos 24 meses:

1. Dejar de pensar en términos de “autosuficiencia”. Europa no tiene que replicar a TSMC ni a Nvidia. Tiene que convertir los monopolios técnicos que ya posee en palancas no negociables. Indispensabilidad (no nos atrevemos con la traducción), no autosuficiencia.

2. Nos encantaría ver que se acelera el Chips Act 2.0. La hoja de ruta de abril de 2026 va en la dirección correcta —semiconductores con categoría equivalente a la defensa, autoridad directa de inversión de la Comisión—, pero llega tarde. Bruselas necesita la velocidad de una start-up para tomar una decisión a la escala de una superpotencia.

3. Contar mejor con lo que ya está pasando. La inversión de ASML en Mistral debería ser noticia de primera página en cada diario económico europeo. No lo fue. La cualificación de High-NA en IMEC debería ser objeto de un análisis sistemático por parte de cada think tank. Tampoco lo es. Si Europa sigue describiéndose como observadora, terminará comportándose como observadora —pese a tener las piezas para ser protagonista.

Todos somos uno

Como comentába al principio: cada chip de IA del mundo necesita unos espejos pulidos en una fábrica alemana, una resina química mezclada en un laboratorio japonés y un edificio de empaquetado en Taiwán cuya lista de espera supera el año. Y cada uno de esos tres elementos depende, a su vez, de tierras raras refinadas en China, software de diseño escrito en California, obleas pulidas en otras dos fábricas japonesas, gases capturados en Ucrania y, cada vez más, electricidad nuclear comprada en plantas estadounidenses reabiertas específicamente para servir a la IA. Es un tejido. No es una guerra.

Los gobiernos de Washington y Pekín gastan cientos de miles de millones de dólares para intentar demostrar lo contrario. Cada vez que aprietan esa narrativa, el tejido responde con un acuerdo bilateral que reconoce que la fragmentación pura no es viable. Europa tiene una oportunidad poco común: ser la región que articule explícitamente esa lectura, haga política industrial sobre ella, y ocupe el lugar que la cadena ya le otorga.

Desde 498A trabajamos para eso, desde un pequeño laboratorio en Barcelona. Un laboratorio europeo de IA con impacto global no es una aspiración: es la consecuencia natural de un continente que ya posee monopolios técnicos críticos y solo necesita reclamar el papel que la cadena le ha asignado. Si te interesa el tejido geopolítico de la IA y aprender con nosotros cómo se traduce en decisiones industriales y oportunidades concretas, sigue a 498advance —y suscríbete a esta newsletter.

Análisis ampliado con glosario, FAQ y cifras verificadas en el blog: https://zoopa.es/es/geo-ia-visibilidad/tejido-invisible-ia-chips-geopolitica/

Versión en inglés (con datos para LATAM y Europa): https://zoopa.es/en/innovation-technology/invisible-fabric-ai-chips-geopolitics/

Versión en catalán (con detalles adicionales de qué se está haciendo hoy Catalunya): https://zoopa.es/ca/innovacio-tecnologia/teixit-invisible-ia-xips-geopolitica/

Versión en Medium: https://medium.com/@carlosortet/the-invisible-fabric-of-ai-chips-are-not-a-war-between-two-but-a-global-fabric-zoopa-es-1ece5d274e3d

Ilustración de portada: Tara Jacoby. Datos verificados con Bloomberg, FT, SEMI, IDC, TrendForce, IEA, CSIS y Bruegel. Mayo 2026.

En noviembre de 2025, Yann LeCun entró en el despacho de Mark Zuckerberg y le dijo que se iba. Cuatro meses después, anunció 1.030 millones de dólares para construir lo que llevaba una década proponiendo en público: que los LLMs autoregresivos están estructuralmente condenados.

No es el único movimiento. En las últimas semanas han surgido tres grandes apuestas contra el dominio de los LLMs. Y todas, curiosamente, rescatan viejas ideas que parecían condenadas al olvido.

Los modelos de lenguaje son brillantes en cualquier tarea basada en texto y, como mucho, mediocres para razonar. Resuelven una redacción en segundos, tropiezan calculando una propina. Esa debilidad parecía un simple problema de tamaño —”con más parámetros se arregla”—. Cada vez está más claro que se trata de un problema intrínseco, una limitación insalvable por su arquitectura.

Tres movimientos, un mismo diagnóstico

David Silver, el creador de AlphaGo, ha dejado Google DeepMind para fundar Ineffable Intelligence con una valoración de 5.100 millones de dólares. Su tesis: los datos humanos son un combustible fósil. Han dado un atajo asombroso a la IA actual, pero son finitos y están limitados por el techo de la inteligencia humana que imitan.

La alternativa que propone: aprendizaje por refuerzo en simulación. “Superaprendices” que descubren en lugar de imitar, como hizo AlphaGo al aprender Go sin estudiar partidas humanas. (‘The Matrix is coming’, parece que no hay otra salida.)

Yann LeCun lleva años sosteniendo que los modelos autorregresivos están condenados. Su argumento es estructural: cada token generado es una predicción probabilística y el error crece exponencialmente con la longitud. Su apuesta es JEPA, una arquitectura que predice representaciones abstractas del mundo en lugar de tokens. Es, en el fondo, un modelo del mundo.

Subquadratic ha salido de su ‘modo incógnito’ con SubQ. 12 millones de tokens de contexto. 52× más rápido que FlashAttention. Menos del 5% del coste de Claude Opus. Su tesis: la atención del transformer es O(n²) y procesa todas las relaciones token-token, aunque la mayoría no aporta nada.

Tres ángulos diferentes —cómo aprenden, qué predicen, cómo procesan— y un mismo diagnóstico: el LLM autorregresivo no es la herramienta adecuada para el siguiente gran salto.

Lo que vemos desde la trinchera

Esto no lo digo desde la teoría. Lo veo cada vez que entra un proyecto serio por 498A.

Con imagin bank —que llevaba años apoyada en IBM Watson, hasta migrar a Watson X— recogimos miles de pares pregunta-respuesta de aquella instalación legacy y los enfrentamos a un LLM local con compliance. Los LLMs ganaron por goleada en calidad y matiz. La razón es estructural: esa tarea está hecha de lenguaje. Cuando la tarea es lingüística, no hay discusión.

Con AstraZeneca el resultado fue distinto. En un estudio multimodal de datos clínicos, los modelos digerían formatos heterogéneos —datos estructurados, no estructurados, imágenes, texto libre— sin pestañear. Pero cuando había que inferir relaciones causa-efecto, se volvían frágiles.

Generalizan bien sobre superficies; razonan mal sobre profundidades.

Es exactamente la crítica que Judea Pearl lleva años formulando: los sistemas estadísticos modernos detectan correlaciones, no causalidad. Sin causalidad no hay razonamiento médico, científico o clínico que se sostenga. Un sistema que te recomienda ir andando a lavar tu coche porque el túnel está a 200 metros no es el sistema que quieres que recomiende si un tratamiento oncológico se aplica a otra patología.

Por qué he cambiado de opinión

Hago aquí un paréntesis, porque este patrón lo he vivido antes desde dentro.

Mi escasa formación en investigación fue en arquitectura de ordenadores, especializada en paralelismo y simulación de sistemas paralelos. Vimos cómo, durante décadas, los enfoques basados en reglas, los sistemas expertos y la IA simbólica parecían más prometedores que las redes neuronales profundas. No porque fuesen más potentes —no lo eran— sino porque no dependían de piezas que aún no existían. Y aunque alguien hubiera creído en ellas, no había capacidad de cómputo para llevarlas al mundo real.

Sospecho que hoy estamos haciendo algo similar con los LLMs. Nos incomoda pensar en el futuro de la IA sin transformers porque las alternativas requieren elementos aún no resueltos. Pero esa misma incomodidad fue la que justificó abandonar las redes profundas en los 80, y aprendimos por las malas que descartar líneas prometedoras solo porque dependen de piezas futuras es un error caro.

Si tuviera que apostar, miraría con atención tres líneas, todas anti-LLM por naturaleza:

• Reinforcement learning en simulación (la línea Sutton-Silver, ahora Ineffable)

• World models y joint embeddings (la línea LeCun, ahora AMI Labs y JEPA)

• Síntesis de programas (la línea Chollet, vía ARC-AGI)

Las tres comparten algo: ninguna asume que el lenguaje sea el sustrato natural del pensamiento.

La capa que falta: datos verticales como activo

Mientras estas apuestas se libran en la investigación de vanguardia, en 498A llevamos casi dos años acumulando algo que cualquiera de esos paradigmas necesitará cuando madure: datos verticales sobre simulaciones de usuarios y el comportamiento real de los LLMs en temas que impactan a las principales industrias.

A día de hoy: más de 9 millones de menciones acumuladas y 2.200 millones de tokens gastados en estudios de diferentes industrias y verticales, datos reales. Es un dataset operativo que ya entrena agentes propios y va a alimentar el fine-tuning de modelos locales especializados.

Los datos son hoy la gasolina y la esencia de los modelos.

Acumular gasolina propia, en un terreno propio, según la visión del mundo de cada marca. Es la única forma de no depender de un depósito ajeno cuando llegue el siguiente motor.

Las marcas que llevan dos años acumulando este tipo de datos llegan a la web agéntica con el depósito ya lleno. Las que empiecen entonces, no.

Seguramente la pregunta correcta

La discusión pública sobre IA está dominada por dos preguntas erróneas. “¿Qué arquitectura ganará?” y “¿Qué empresa dominará?”. Ambas asumen que el juego consiste en elegir un bando.

La pregunta correcta es otra: ¿qué activos serán imposibles de replicar cuando el paradigma cambie?

Cuando llegue el siguiente salto —Silver, LeCun, SubQ, o algo que nadie está prediciendo todavía—, los modelos cambiarán, los costes cambiarán, las arquitecturas cambiarán. Lo que no cambiará es que para entender un mercado concreto seguirán haciendo falta datos de ese mercado concreto. Y los datos de comportamiento de marca dentro de los LLMs solo se generan de una manera: mes a mes, vertical a vertical, simulando usuarios reales en LLMs reales.

Eso no se compra. Se acumula.

El futuro de la IA no puede ser lo que hoy tenemos, porque no tenemos diversidad de soluciones mientras seguimos teniendo una enorme diversidad de problemas.

Lo desarrollo todo en el blog, con los datos, las anécdotas y las referencias académicas (Sutton-Barto, Pearl, Marcus, Chollet, Minsky, las redes siamesas de Bromley/LeCun de 1993): Link al post completo en el blog.

Si te ha gustado:

• Suscríbete para análisis técnico-estratégico de IA y posicionamiento de marca cada miércoles

• Compártelo con quien todavía cree que los LLMs son el summum y el final del camino de la IA.

• Respóndeme desde tu punto de vista: ¿cuál de las tres líneas crees que dará primero un salto serio en el razonamiento? ¿O ves una cuarta que merezca atención?

— Carlos

Para ponerlo en perspectiva: en 2023 eran 118 millones. El mercado se ha multiplicado por 2,7 en tres años.

Pero lo verdaderamente interesante no es cuánto crece, sino cómo crece. Porque el contenido total bajó. Instagram publicó un 5% menos de contenido que el año anterior. TikTok, un 15% menos. Menos volumen, pero mucho más valor por pieza. La era del “publicar por publicar” ha terminado.

El boosting: la tendencia que nadie vio venir

Si hay un fenómeno que define 2025, es el boosting. Las marcas empezaron a amplificar los Reels de influencers con inversión en Meta Ads de forma masiva. Se triplicó respecto al año anterior.

Los números son contundentes: solo el 10% de los Reels llevan boosting, pero generan el 28% de todas las visualizaciones. Un Reel boosted tiene, en promedio, 1,4 millones de views. Uno sin boost, 256.Los sectores que están c000. La diferencia es brutal.

Pero el engagement cae. Los comentarios son menos positivos (77% vs 82% en contenido orgánico). El boosting compra alcance, no conexión. Y si no separas estas métricas en tu reporting, tus conclusiones estarán distorsionadas.

Instagram y TikTok: el empate que nadie esperaba

En 2024, TikTok superaba a Instagram en el valor estimado de los medios del contenido patrocinado (234 millones frente a 186 millones). Parecía que la tendencia era irreversible.

Belleza y moda siguen dominando, pero la noticia está en los recién llegados. BBVA se colocó en el puesto número 3 en TikTok por el valor de medios patrocinados. Finanzas, Energía, Telecomunicaciones y Lujo irrumpen con fuerza en un territorio antes exclusivo de lo aspiracional y de lo visual.

En Instagram, el retail tomó el control. Shein, Temu, El Corte Inglés y Amazon ocupan cuatro de los cinco primeros puestos. El e-commerce descubrió que el influencer marketing es su canal de adquisición más eficiente, y fue a por todas.

Youtube está incrementando su atractivo; la caída de Twitch y el deseo de formatos más largos alimentan una tendencia que, sin duda, se consolidará en 2026.

La IA ya no es tendencia, es infraestructura

Uno de los aspectos que más me interesan del estudio es cómo documenta el papel de la inteligencia artificial. Ya no hablamos de futuro. Hablamos de presente: detección de fraude con un 98% de precisión, selección automatizada de perfiles, análisis de sentimiento, predicción de ROI.

Aunque apenas se habla de los influencers creados por IA, el 70% de los profesionales de marketing en España usan IA de forma habitual. La brecha no es tecnológica. Es organizacional. Las personas adoptan, las empresas no integran.

Lo que sí está integrado son la consulta y la búsqueda en LLMs. ChatGPT, Gemini, Perplexity son competidores feroces de tráfico y de poder de influencia. La IA es el nuevo gran influencer.

Nuestra lectura

El precio sigue subiendo, y se añade el coste de promocionarlos con paid. El talento disponible es finito y el algoritmo decide cada vez más. La competencia por los mejores perfiles se intensificará. Y los sectores que lleguen tarde a ese mercado van a pagar más.

Para quien quiera profundizar, hemos publicado el análisis completo en el blog con todos los datos, tablas comparativas y la evolución 2023-2025:

https://zoopa.es/es/blog/la-economia-del-influencer-en-espana-ya-mueve-245-millones-de-euros-lo-que-revela-el-estudio-de-iab-spain-y-primetag/

¿Ya estáis viendo el efecto del boosting en vuestras métricas?
¿Habéis notado el freno en la comunidad de creadores?

Si te ha parecido útil, comparte esta newsletter.

C. Ortet | Zoopa

Lo que vemos es un mercado que ha dejado de ser experimental para convertirse en un canal publicitario maduro. Con sus métricas (aún imperfectas), su regulación (mejorando: el compliance se duplicó en 2025), sus grandes actores consolidados y su concentración inevitable.

La pregunta que me hago es esta: si los creadores han dejado de crecer y la inversi

En 2025, Instagram recuperó el liderazgo: 361 millones frente a 359. Un empate técnico, pero con tendencia a Instagram precisamente por el efecto del boosting.

Y sin embargo, la inversión en el canal subió un 49%.

Esa tensión entre un ecosistema que deja de crecer y un mercado que acelera es, para mí, la historia real del influencer marketing en 2026.

IAB Spain y Primetag acaban de publicar la tercera edición de su estudio Influencer Economy, y lo hemos analizado a fondo en el blog. Aquí quiero compartir lo que me parece más importante.

Le explicas tu proyecto, tu contexto, tus preferencias. Al día siguiente, toca repetir. No puede hacer nada fuera del chat. No te avisa de nada. Solo espera. No te resuelve tareas, no maneja bien archivos…

Hace unas semanas montamos algo diferente en 498AS: un asistente de IA personal que vive en nuestra infraestructura, recuerda quiénes somos, tiene un teléfono mobil, un servidor para publicar online, voz, aspecto físico, lanza ideas y decide cuando emprender tareas, ejecuta tareas reales en nuestros ordenadores y nos escribe por WhatsApp cuando hay algo relevante.

Usamos como base un software llamado Clawdbot (Moltbot). Es open source. Y la infraestructura cuesta 10 euros al mes. Pero nos llevó unas horas hacer un setup realmente seguro y con capacidades avanzadas y hemos estado una semana mejorando su funcionamiento. Ahora incluso intimida. Lo usamos en el chat en grupo y trabajamos colaborativamente, nos ayuda con tareas tangibles, crea documentos, se anticipa, valora opciones, nos escucha, habla con voz real y se integra en las conversaciones aportando valor y motivando de manera real al equipo. Es la primera vez que siento que el futuro que veíamos hace 30 años ha llegado.

La arquitectura en 30 segundos

- VPS en Hetzner (4 EUR/mes): el cerebro central

- SIM prepago para WhatsApp (6EUR/mes): la interfaz

- Tailscale (gratis): red privada, nada expuesto a internet

- Tu suscripción de Claude/ChatGPT: el modelo de IA

El gateway de Clawdbot (Moltbot) no está expuesto a internet. Solo escucha en la red de Tailscale. Firewall explícito. Si escaneas el servidor desde fuera, el puerto ni aparece.

Lo que realmente cambia las reglas

La proactividad. El agente no espera a que le escribas.

Te avisa cuando llega un correo importante. Te recuerda reuniones. Ejecuta scripts en tu Mac mientras estás en la calle. Revisa tus tareas pendientes cada lunes a las 9.

Es la diferencia entre tener un chatbot y tener un asistente de verdad.

Por qué nos lo montamos nosotros

Contexto persistente real (no el “memory” limitado de ChatGPT). Acceso a herramientas (navegador, terminal, archivos). Control total de datos. Personalización completa.

No es para todos. Requiere experiencia con servidores Linux. Pero si tienes el perfil técnico, la relación coste-funcionalidad es difícil de igualar.

El artículo completo

Hemos escrito un artículo detallado con la arquitectura completa, setup paso a paso, configuración de seguridad y lecciones aprendidas tras semanas de uso.

https://zoopa.es/es/blog/como-montar-un-asistente-de-ia-personal-por-10e-al-mes-con-clawdbot/

Cada vez que Apple anuncia mejoras, pienso "esta vez sí". Y cada vez termino frustrado. "Lo siento, no puedo ayudarte con eso." "No estoy segura de entender."

La semana pasada descubrí Clawdbot. Y por primera vez entiendo lo que los asistentes de IA deberían haber sido desde el princi

El problema real con Siri, Alexa y Google Assistant

No es que sean malos. Es que están fundamentalmente mal diseñados:

Esperan pasivamente. Tienes que recordar abrirlos, hablarles, pedirles cosas. Si no lo haces, no existen.

Olvidan todo. Cada conversación empieza de cero. No recuerdan que la semana pasada les dijiste que odias las reuniones antes de las 10am.

Viven en jardines cerrados. Siri solo funciona bien con apps de Apple. Alexa quiere que compres todo en Amazon. Google quiere todos tus datos.

No pueden hacer nada real. Pueden encender luces y poner temporizadores. Pero ejecutar un script? Abrir el navegador y completar un formulario? Olvídalo.

Clawdbot: Lo que cambia todo

Clawdbot es un asistente open-source creado por Peter Steinberger (el fundador de PSPDFKit, una empresa seria de software PDF). Y hace tres cosas que ningún otro asistente hace:

1. Vive donde tú vives

No va a una app o web separada. Clawdbot vive en tu WhatsApp, Telegram o Slack. Le escribes como a un contacto más. Sin fricción.

2. Te escribe primero

Esta es la diferencia fundamental. Clawdbot no espera a que le hables:

- "Tienes 3 emails urgentes de clientes."

- "Tu reunión empieza en 20 minutos."

- "Ese proyecto que seguías tiene actualizaciones."

Por primera vez, tengo un asistente que trabaja para mí incluso cuando no estoy pensando en él.

3. Recuerda todo

Contexto persistente. Preferencias aprendidas. Conversaciones de hace semanas accesibles. No empiezas de cero cada vez.

Lo que dice la comunidad

Esto no es solo mi opinión. La comunidad ha explotado alrededor de Clawdbot:

@dajaset: "It's been nothing short of an iPhone moment for me."

@davekiss: "Using @clawdbot for a week and it genuinely feels like early AGI."

@therno: "It's running my company."

@karpathy: "Not enterprise. Not hosted. Infrastructure you control. This is what personal AI should feel like."

Hay casos de uso que parecen ciencia ficción: @thekitze reconstruyó su sitio web completo vía Telegram mientras veía Netflix en la cama.

El coste real

Software Clawdbot: Gratis (MIT license)

VPS básica: ~5 EUR/mes

Claude Pro: $20/mes

Total mínimo: ~25 EUR/mes

Más caro que "gratis" de Siri? Sí. Pero Siri es gratis porque TÚ eres el producto.

Lo que no te cuentan

Sería deshonesto no mencionar las limitaciones:

- Setup no trivial. Necesitas saber configurar una VPS.

- WhatsApp puede banearte. Usa un número secundario dedicado.

- Early stage. Hay bugs ocasionales.

Pero si eres desarrollador o power user técnico: esto es transformador.

Por qué importa ahora

2026 es el año de los agentes personales. La comunidad open-source construyó lo que las Big Tech no quisieron construir.

No porque no pudieran. Porque no les convenía. Un asistente que funciona demasiado bien no te mantiene enganchado a su ecosistema.

Clawdbot rompe esa dinámica.

El proyecto está en GitHub con 8,500+ stars: https://github.com/clawdbot/clawdbot

No es perfecto. Pero es genuinamente útil de formas que ningún asistente comercial ha logrado.

Durante 25 años, el SEO dominó el marketing digital. Optimizábamos para un algoritmo que rankeaba páginas web. Pero algo ha cambiado fundamentalmente: la gente ya no busca, pregunta.

En 2024, más de 180 millones de personas usaron ChatGPT semanalmente. Perplexity procesó más de 500 millones de consultas. Claude, Gemini, Copilot... cada uno con millones de usuarios que nunca ven una página de resultados tradicional.

La pregunta crítica es: ¿Tu marca aparece cuando un LLM responde preguntas sobre tu industria?

Si no lo sabes, tienes un problema. Si la respuesta es “no”, tienes una oportunidad.

¿Qué es exactamente GEO (Generative Engine Optimization)?

GEO es el proceso de optimizar la presencia de una marca para que sea mencionada, recomendada y citada por modelos de lenguaje generativo (LLMs).

El término fue acuñado en un paper de investigadores de Princeton, Georgia Tech, The Allen Institute e IIT Delhi que demostró que es posible optimizar contenido para mejorar visibilidad en respuestas generativas.

SEO Tradicional vs GEO — las diferencias clave:

• Crawlers → Embeddings semánticos: El SEO optimiza para robots que indexan; el GEO para modelos que entienden contexto.

• Rankings en SERPs → Menciones en respuestas: Ya no compites por posición 1-10, compites por ser mencionado.

• Keywords exactas → Autoridad temática: Los LLMs no buscan palabras, buscan conceptos relacionados.

• Backlinks → Citaciones en entrenamiento: Tu “autoridad” viene de aparecer en fuentes que los modelos usan para aprender.

• CTR → Share of Voice en IA: La métrica ya no es clics, es cuántas veces te mencionan vs competidores.

La diferencia fundamental

Google te muestra 10 enlaces y tú eliges. Un LLM elige por ti.

Cuando alguien pregunta “¿cuál es el mejor CRM para startups?”, ChatGPT no da 10 opciones equidistantes. Da 2-3 recomendaciones claras con argumentos. Si tu CRM no está ahí, perdiste esa oportunidad para siempre.

Los 3 pilares del GEO

Pilar 1: Autoridad Semántica

Los LLMs no entienden “keywords”. Entienden conceptos y relaciones entre conceptos. Tu marca necesita estar semánticamente vinculada a tu categoría.

Ejemplo práctico:

Si vendes software de contabilidad, necesitas que cuando el LLM procese el concepto “software contabilidad España pymes”, tu marca esté en ese cluster semántico con alta proximidad.

¿Cómo se logra esto?

1. Contenido exhaustivo y original sobre tu dominio

2. Menciones consistentes en fuentes que los LLMs indexan

3. Asociaciones claras entre tu marca y atributos específicos

Pilar 2: Presencia en Fuentes de Entrenamiento

Los LLMs aprenden de datos. Diferentes modelos usan diferentes fuentes:

• Wikipedia (muy alto peso en casi todos los modelos)

• Reddit (especialmente para OpenAI, que firmó un acuerdo de $60M con Reddit para acceder a sus datos)

• Stack Overflow (para consultas técnicas)

• Documentación oficial (GitHub, docs)

• Medios especializados (depende del nicho)

• Papers académicos (para Claude y Gemini)

Tu estrategia GEO debe incluir presencia deliberada en estas fuentes.

No hablo de spam. Hablo de contribuciones genuinas de valor que mencionen tu marca en contexto apropiado.

Pilar 3: Consistencia de Información

Los LLMs detectan inconsistencias y las penalizan (reducen confianza). Si tu web dice una cosa, tu LinkedIn otra, y Wikipedia otra diferente, el modelo tiene “incertidumbre” sobre tu marca.

La consistencia incluye:

• Nombre de marca exacto (con o sin espacios, mayúsculas)

• Descripción de producto/servicio

• Fundadores/equipo

• Fecha de fundación

• Ubicación

• Categoría de producto

En 498AS hemos visto marcas que pierden menciones simplemente porque su información básica varía entre canales. Es un error fácil de cometer y fácil de arreglar.

Cómo hacer una auditoría GEO de tu marca

Paso 1: El test de los 5 LLMs

Haz exactamente la misma pregunta a 5 modelos diferentes:

1. ChatGPT (GPT-4)

2. Claude (Anthropic)

3. Gemini (Google)

4. Perplexity

5. Copilot (Microsoft)

Pregunta tipo: “¿Cuáles son las mejores herramientas de [tu categoría] para [tu público objetivo]?”

Documenta:

• ¿Te mencionan? (Sí/No)

• ¿En qué posición?

• ¿Qué dicen de ti?

• ¿Es correcto lo que dicen?

💡 Consejo: Si quieres automatizar este proceso y hacerlo a escala, GEOradar ejecuta miles de estas consultas simultáneamente y te da métricas precisas de tu visibilidad.

Paso 2: Análisis de competidores

Repite el ejercicio pero preguntando específicamente por tus competidores:

“¿Qué opinas de [Competidor X]?” “Compara [Competidor X] con otras alternativas”

Esto te dice qué atributos asocia el LLM a cada marca.

Paso 3: Mapeo de fuentes

Identifica TODAS las menciones de tu marca en:

• Wikipedia (artículo propio + menciones en otros)

• Reddit (subreddits relevantes)

• Hacker News

• Stack Overflow / Stack Exchange

• GitHub (repos, issues, discussions)

• Papers académicos (Google Scholar)

• Medios especializados de tu industria

Paso 4: Análisis de sentimiento y precisión

Para cada mención encontrada:

• ¿Es positiva, negativa o neutra?

• ¿La información es correcta y actualizada?

• ¿Hay contradicciones entre fuentes?

Estrategias prácticas de GEO

Estrategia 1: Wikipedia (el activo más valioso)

Si tu empresa tiene notoriedad suficiente, un artículo de Wikipedia es el activo GEO más valioso que puedes tener. Todos los LLMs dan peso significativo a Wikipedia.

Importante: No violes las políticas de Wikipedia. El artículo debe ser escrito por un editor neutral y tu empresa debe cumplir criterios de notoriedad.

Si no calificas para artículo propio:

• Busca artículos relacionados donde una mención sea relevante

• Contribuye a artículos de tu industria (sin autopromoción)

• Asegura que tu información en Wikidata sea correcta

Estrategia 2: Reddit (la nueva mina de oro)

OpenAI tiene un acuerdo de $60M con Reddit. Esto significa que las discusiones de Reddit tienen peso directo en ChatGPT.

Tácticas éticas:

• Participa genuinamente en subreddits de tu industria

• Responde preguntas donde tu producto sea genuinamente útil

• Crea AMAs (Ask Me Anything) si tienes algo interesante que compartir

• NO hagas astroturfing (se detecta y destruye reputación)

Estrategia 3: Documentación técnica

Si tienes un producto técnico, tu documentación es contenido GEO:

• Aloja docs en dominio propio (no solo en notion/gitbook)

• Estructura con schema markup

• Incluye ejemplos de código citables

• Mantén actualizada (fechas importan)

Estrategia 4: Estudios y datos originales

Los LLMs citan fuentes con datos originales. Si publicas:

• Estudios de industria

• Benchmarks

• Encuestas con datos propios

• Análisis de tendencias

...tienes más probabilidad de ser citado como fuente autorizada.

Estrategia 5: Integración con herramientas de IA

Una forma directa de aparecer en respuestas de IA es ser parte del ecosistema:

• Crea un plugin/acción para ChatGPT

• Integra con Zapier (usado por muchos agentes IA)

• Ofrece API documentada que agentes puedan usar

• Aparece en directorios de herramientas IA

Métricas GEO: Cómo medir el éxito

Share of Voice en IA (SOV-AI)

Fórmula: (Menciones de tu marca / Total menciones en categoría) × 100

Para medirlo manualmente:

1. Define 20-50 prompts relevantes para tu categoría

2. Ejecuta en múltiples LLMs

3. Cuenta menciones tuyas vs competidores

4. Repite mensualmente para trackear tendencia

Para medirlo a escala, necesitas herramientas especializadas. En GEOradar hemos desarrollado métricas propietarias como el Brand Impact Score que te dan una visión completa de tu posicionamiento en IA.

Sentiment Score

Analiza el tono de las menciones:

• Positivo: recomendación clara, atributos favorables

• Neutro: mención sin valoración

• Negativo: advertencias, comparación desfavorable

Accuracy Score

¿Lo que dicen los LLMs de ti es correcto?

• Nombre de producto correcto

• Precios actualizados

• Características precisas

• Sin confusión con competidores

Errores comunes en GEO

Error 1: Pensar que es SEO con otro nombre

GEO no es “optimizar tu web para que los LLMs la crawleen mejor”. Los LLMs no crawlean en tiempo real (excepto Perplexity y plugins con browsing).

La mayoría del conocimiento de un LLM viene de su entrenamiento previo. Cambiar tu web hoy no cambia lo que GPT-4 sabe mañana.

Error 2: Ignorar la consistencia

Tienes 3 descripciones diferentes de tu empresa en 3 sitios diferentes. El LLM no sabe cuál es correcta y pierde confianza en todas.

Error 3: Obsesionarse con un solo modelo

Cada LLM tiene diferentes fuentes de datos y diferentes sesgos. Optimizar solo para ChatGPT te hace invisible en Claude y Gemini.

Error 4: Contenido sin sustancia

Los LLMs detectan (y descartan) contenido generado masivamente sin valor real. Un artículo profundo de 3000 palabras vale más que 30 posts de 100 palabras.

Error 5: No monitorear cambios

Los modelos se actualizan. Lo que GPT-3.5 decía de ti puede ser muy diferente a lo que dice GPT-4o. Necesitas monitoreo continuo.

El futuro inmediato del GEO

SearchGPT y la fusión SEO-GEO

OpenAI lanzó SearchGPT, un buscador conversacional. Google integra más IA en Search con AI Overviews. La línea entre SEO y GEO se difumina.

Esto significa que las estrategias GEO no reemplazan al SEO tradicional, lo complementan y eventualmente lo absorben.

Agentes autónomos

Cuando los agentes de IA compren productos y servicios en nombre de usuarios, el GEO será literalmente ventas automatizadas. Un agente que recomiende tu producto cerrará ventas mientras duermes.

Personalización por modelo

Diferentes LLMs servirán a diferentes audiencias. Quizás optimices para Claude si tu audiencia es técnica, para Gemini si es enterprise, para ChatGPT si es masiva.

Conclusión: El momento de actuar es ahora

El GEO está donde el SEO estaba en 2005. Los early adopters que entiendan y ejecuten estrategias GEO tendrán ventaja competitiva durante años.

Puedes empezar hoy:

1. Audita tu presencia actual (test de 5 LLMs)

2. Identifica gaps vs competidores

3. Prioriza las fuentes donde puedes tener impacto

4. Ejecuta estrategias de contenido y presencia

5. Mide y ajusta mensualmente

La pregunta no es si el GEO importará. La pregunta es si estarás preparado cuando importe.

¿Quieres saber qué dicen los LLMs de tu marca ahora mismo?

GEOradar analiza tu visibilidad en ChatGPT, Claude, Perplexity y Gemini. Descubre tu Share of Voice en IA y obtén recomendaciones accionables.

¿Prefieres que lo analicemos juntos? En Zoopa y 498AS ayudamos a marcas a entender y optimizar su presencia en sistemas de IA.

Este artículo es el primero de una serie sobre Generative Engine Optimization. En los próximos posts exploraremos cómo los LLMs deciden qué marcas recomendar, cómo hacer una auditoría GEO completa paso a paso, y hacia dónde va el futuro del SEO.

👉 Suscríbete para no perderte los próximos artículos.

Soy Carlos Ortet, CEO de Zoopa, Director de 498AS Innovation Lab y creador de GEOradar. Llevo más de 20 años en marketing digital y tecnología, incluyendo 12 años en Nike. Ahora investigo cómo la IA está cambiando la visibilidad de las marcas.

Thanks for reading! Subscribe for free to receive new posts and support my work.