Autor: configuroweb

Las fábricas de automóviles llevan décadas llenas de robots. Basta observar cualquier línea moderna de soldadura para encontrar decenas de brazos mecánicos moviéndose alrededor de una carrocería. Lo que está empezando a ocurrir en China, sin embargo, lleva esa idea bastante más lejos.

Hay áreas de producción en las que ni siquiera es necesario encender las luces. Son las denominadas dark factories o fábricas oscuras: zonas altamente automatizadas donde robots industriales, sistemas de visión y vehículos autónomos pueden transportar componentes y ejecutar determinadas etapas de fabricación prácticamente sin personas dentro.

Daniele Nadalin, responsable del sector automotor y movilidad de McKinsey en América Latina, explicó después de visitar una planta de NIO en China que algunos sectores funcionan precisamente bajo este esquema: sin iluminación permanente, calefacción o aire acondicionado porque no hay operarios que los necesiten.

Los autos se mueven solos de una estación a otra

Uno de los ejemplos más avanzados está en NIO Factory Two (F2), en Hefei. Allí, la automatización no se limita a colocar robots alrededor de una cinta transportadora. Vehículos guiados automáticamente (AGV) llevan carrocerías y componentes de una estación a otra, permitiendo incluso sacar un automóvil concreto de la línea para realizar una inspección sin detener al resto de la producción.

En pintura, alrededor de 140 robots realizan todo el proceso, mientras que otras partes de la fabricación utilizan visión 3D y sistemas robotizados para posicionar y montar componentes. NIO también puede hacer que algunos vehículos terminados abandonen la línea por sus propios medios utilizando sus sensores y sistemas de asistencia a la conducción.

La fábrica trabaja además sobre una infraestructura digital capaz de gestionar más de 3,6 millones de configuraciones posibles de vehículos. El Foro Económico Mundial incorporó F2 a su Global Lighthouse Network en junio de 2026 y señala que la digitalización ha permitido acelerar un 44% el tiempo de llegada al mercado. NIO asegura que alrededor del 80% de los escenarios de fabricación ya reciben apoyo de decisiones basadas en IA.

Una fábrica oscura no significa que toda la planta esté vacía

Aquí aparece un matiz importante. Hablar de dark factories puede dar la impresión de enormes edificios donde un automóvil entra como acero por una puerta y sale terminado por otra sin que ningún humano lo toque. La industria todavía no está ahí.

La propia F2 continúa utilizando trabajadores para inspecciones, acabados y otras partes del montaje final. Una visita reciente a la planta describió aproximadamente 1.300 robots industriales, unos 500 robots móviles y entre 1.500 y 2.000 empleados. En algunas etapas la automatización es prácticamente total; en otras, las habilidades humanas siguen siendo difíciles de sustituir.

Lo que cambia es la cantidad de zonas en las que esas personas dejan de ser necesarias permanentemente. Soldadura y pintura son candidatas especialmente evidentes porque son procesos repetitivos, precisos y potencialmente peligrosos. Los AGV pueden encargarse mientras tanto de transportar piezas sin conductores y los sistemas de visión permiten a los robots corregir posiciones sin depender continuamente de un operario.

Apagar las luces es casi lo de menos

Eliminar iluminación y climatización puede reducir parte del consumo energético, pero el verdadero ahorro está en poder fabricar durante largos periodos sin organizar el proceso alrededor de turnos humanos. También desaparece parte de la exposición a humos, altas temperaturas, maquinaria pesada y otras situaciones que históricamente provocaron accidentes industriales.

Eso, naturalmente, abre otro problema. Los empleos no desaparecen todos de golpe, pero se desplazan desde tareas manuales hacia programación, mantenimiento de robots, análisis de datos, control de calidad e ingeniería. El propio Foro Económico Mundial describe esta nueva generación de plantas más como un modelo de colaboración entre máquinas y trabajadores especializados que como fábricas completamente vacías.

La transformación ya permite imaginar una escena bastante extraña: una fábrica trabajando de madrugada, con cientos de robots fabricando automóviles mientras gran parte del edificio permanece completamente a oscuras. No porque esté cerrada, sino precisamente porque sigue funcionando.

La discusión sobre si una inteligencia artificial puede entrenarse con millones de artículos protegidos por derechos de autor lleva años girando alrededor de una misma pregunta: ¿utilizar esos textos para aprender es equivalente a copiarlos o se trata de un uso transformador?

Ahora conocemos algo que hasta hace poco ocurría puertas adentro. Documentos que dejaron de estar censurados dentro del litigio que enfrenta a The New York Times y otros medios con OpenAI y Microsoft recogen conversaciones en las que empleados y ejecutivos discutían abiertamente el impacto que sus sistemas podían tener sobre quienes producían el contenido utilizado para entrenarlos. El escrito presentado por los demandantes cita incluso a Brent Hecht, director de ciencia aplicada de Microsoft, describiéndolo como potencialmente “el mayor robo laboral de la historia”.

No es una conclusión de Microsoft como compañía ni una decisión judicial. La empresa sostiene que esas palabras reflejan la opinión individual de un empleado y no constituyen un análisis legal. Pero los documentos revelan que el problema ya se discutía internamente mientras la IA generativa comenzaba a despegar.

Había otro temor: que la IA destruyera su propia fuente de información

La frase del “robo” es la más llamativa, pero posiblemente no sea la parte más interesante. Otro documento interno de Microsoft hablaba de un “doom loop”, un círculo vicioso en el que los asistentes de IA reducen el tráfico que reciben las páginas originales, perjudican sus ingresos y, eventualmente, deterioran la producción de contenido nuevo que después necesitan esos mismos modelos.

El escrito judicial de los medios cita datos internos de Microsoft según los cuales el porcentaje de usuarios que hacía clic hacia dominios de The New York Times y otros periódicos desde Copilot era entre 83% y 93% menor que desde el buscador tradicional de Bing. Es un dato aportado por los demandantes a partir de documentación obtenida durante el proceso, no una conclusión independiente del tribunal.

La preocupación también aparece del lado de OpenAI. Según los documentos, Nick Turley, responsable de ChatGPT, describió a los productos de IA como “largely substitutive” y advirtió que lo serían cada vez más a medida que mejoraran. Greg Brockman, por su parte, escribió que los modelos eran especialmente buenos trabajando con noticias.

Ahí está precisamente una de las claves legales del caso. OpenAI y Microsoft sostienen que el entrenamiento es un uso legítimo (fair use) porque transforma el material original en modelos capaces de producir resultados nuevos. Los medios argumentan lo contrario: que si esos sistemas sustituyen la necesidad de visitar el artículo original, también pueden competir directamente con él.

Los documentos también llegan hasta los muros de pago

El material desclasificado añade un elemento particularmente incómodo. En su escrito, los demandantes citan una conversación en la que el investigador de OpenAI Nick Ryder informó a Brockman de un “hack” para sortear el muro de pago de The New York Times mientras trabajaban en la recopilación de contenido. La respuesta atribuida a Brockman fue simplemente: “ah nice”.

El mismo documento sostiene que algunos conjuntos de datos contenían enormes cantidades de material periodístico. Uno de los datasets utilizados durante fases posteriores del entrenamiento incluía más de 91.000 copias de obras pertenecientes a los medios demandantes, mientras que otro proyecto conjunto entre Microsoft y OpenAI habría reunido al menos 160.903 obras únicas.

Satya Nadella declaró durante el proceso que cualquier contenido situado detrás de un muro de pago debería licenciarse para utilizarlo en entrenamiento o para alimentar respuestas de IA. También afirmó que habría exigido reentrenar los modelos si hubiese sabido que OpenAI había utilizado material obtenido de esa forma.

OpenAI mantiene una posición muy diferente a la de los demandantes. La compañía afirma que entrenar modelos con información disponible públicamente está protegido por el fair use, sostiene que sus sistemas son transformadores y defiende que la IA puede beneficiar también a las redacciones.

El tribunal todavía tendrá que decidir qué peso jurídico tiene todo esto. Pero los documentos dejan algo bastante claro antes de que exista una sentencia: mucho antes de que la crisis de tráfico de los medios se convirtiera en una discusión pública, dentro de las propias empresas de IA ya estaban preguntándose qué ocurriría cuando la gente dejara de necesitar hacer clic.

Diseñar un chip avanzado no consiste simplemente en dibujar unos cuantos circuitos y enviarlos a fabricar. Entre la arquitectura inicial, la escritura del código que define su funcionamiento, las simulaciones, las verificaciones y el diseño físico pueden pasar años antes de que aparezca el primer silicio.

OpenAI ha demostrado que una parte de ese calendario puede comprimirse de una forma bastante lógica: poniendo a trabajar a la misma inteligencia artificial que después terminará ejecutándose sobre el chip.

Su primer acelerador propio, Jalapeño, pasó del concepto arquitectónico al primer silicio en menos de 20 meses. Más llamativo todavía es lo sucedido en una de las etapas centrales del proyecto: desde el primer código RTL (la descripción lógica del hardware) hasta el tape-out, cuando el diseño queda preparado para enviarse a fabricación, transcurrieron apenas nueve meses, según explicó el equipo de hardware de OpenAI a IEEE Spectrum.

OpenAI puso sus propios modelos a diseñar el hardware que los ejecutará

La IA no diseñó Jalapeño por sí sola. Lo que hizo fue permitir que un grupo relativamente pequeño de especialistas pudiera avanzar más rápido y explorar muchas más alternativas.

Richard Ho, vicepresidente de hardware de OpenAI, explicó a IEEE Spectrum que el equipo involucrado en Jalapeño tuvo menos de 100 personas de media durante el proyecto. Esa cifra incluye perfiles de diseño de sistemas, software y cadena de suministro, pero no al personal de Broadcom, socio fundamental en el desarrollo.

La división de tareas también ayuda a entender qué hizo realmente la IA. OpenAI se encargó del diseño integral del sistema (incluido el acelerador, la jerarquía de memoria y las conexiones), mientras Broadcom asumió buena parte de la implementación física posterior.

Los modelos fueron especialmente útiles en el front-end. En esta fase los ingenieros definen la arquitectura, escriben el código que describe el funcionamiento del chip y comprueban que todo se comporte como esperan antes de trasladarlo físicamente al silicio.

Una de las claves fue XLS, una cadena de herramientas de síntesis de alto nivel creada originalmente en Google. En lugar de trabajar únicamente con lenguajes tradicionales de descripción de hardware, XLS permite expresar determinadas partes utilizando entornos más cercanos a la programación convencional. Para los modelos de lenguaje, ese terreno resulta mucho más familiar.

Chris Leary, integrante del equipo de OpenAI y uno de los creadores originales de XLS, explicó que la IA funcionaba particularmente bien precisamente cuando el problema comenzaba a parecerse al software. De esta manera, los modelos pudieron ayudar a escribir, revisar y optimizar diferentes implementaciones mucho más rápidamente.

Hay una parte del diseño donde la IA todavía necesita mucha ayuda

La historia cambia cuando el chip deja de ser principalmente código. El denominado back-end implica distribuir físicamente los componentes, conectar circuitos, ajustar relojes y alimentación, comprobar restricciones eléctricas y preparar finalmente toda la información que necesita la fundición. Allí la participación de los modelos fue bastante menor y Broadcom tuvo un papel mucho más importante.

Eso no significa que la IA quedara completamente fuera. OpenAI presentó en Hot Chips 2026 resultados en los que afirma haber conseguido una reducción del 10% en el área ocupada por determinadas unidades de multiplicación de matrices frente a una referencia previamente optimizada por humanos. Pero incluso los responsables del proyecto insisten en que esto no equivale a automatizar completamente el diseño de procesadores.

Jalapeño tampoco es únicamente un experimento de ingeniería. Según los resultados publicados por OpenAI, alcanza hasta 13,4 petaflops de cálculo en 4 bits, incorpora 232 GB de memoria HBM4 y dispone de 15,4 TB/s de ancho de banda. La compañía asegura además haber conseguido menor latencia y mejor rendimiento energético que los sistemas comerciales utilizados en sus comparaciones, aunque se trata de resultados publicados por la propia OpenAI y habrá que comprobar cómo se traducen cuando el hardware se despliegue a mayor escala.

Lo interesante de Jalapeño, por tanto, no es que una IA haya aprendido repentinamente a fabricar procesadores sola. Es algo más inmediato: la tecnología que está disparando la demanda mundial de chips también empieza a reducir el tiempo necesario para diseñarlos.

La idea de entregar toda la organización de una semana a una inteligencia artificial resulta bastante tentadora. Bastaría con introducir las tareas pendientes, las reuniones, las prioridades y los horarios de mayor concentración para que el sistema construyera una agenda mucho más eficiente de la que probablemente haríamos por nuestra cuenta. En teoría, eso permitiría reducir la fatiga de decidir constantemente qué hacer, proteger mejor los momentos de concentración y recuperar parte del tiempo que normalmente se pierde saltando de una tarea a otra.

Al principio, el experimento pareció confirmar esa promesa. La IA agrupó los correos electrónicos en un único bloque, reservó períodos largos para trabajar sin interrupciones, distribuyó pausas y dejó pequeños márgenes entre actividades. El lunes funcionó especialmente bien: antes del mediodía ya se había avanzado más de lo habitual y la sensación era que el problema de la organización estaba, por fin, bajo control.

Pero esa precisión empezó a fallar en cuanto la semana dejó de desarrollarse exactamente como estaba prevista.

Una agenda perfecta que no sabía cómo había empezado el día

El martes, después de dormir mal y con un problema personal todavía dando vueltas en la cabeza, aparecía en el calendario un bloque de dos horas dedicado a escribir. Desde el punto de vista del algoritmo, la elección era lógica: no había reuniones, la tarea era importante y había suficiente tiempo disponible para concentrarse.

El problema era que la persona que debía sentarse a escribir no se encontraba en las mismas condiciones con las que se había diseñado aquella planificación.

La IA podía reorganizar el horario una vez detectado el problema, pero hacerlo implicaba volver al sistema, modificar prioridades y aceptar una nueva distribución de las tareas. Poco a poco apareció una paradoja: parte del tiempo que debía ahorrar el asistente comenzaba a gastarse en gestionar al propio asistente.

El miércoles surgió otro problema todavía más evidente. En medio de un momento de concentración profunda apareció una notificación indicando que había llegado la hora del descanso. Poco después, otra alerta señalaba el comienzo del siguiente bloque. La estructura era impecable, pero interrumpir una idea justo cuando estaba funcionando demostraba que una buena planificación no siempre coincide con un buen momento para ejecutarla.

— Anatoli Kopadze (@AnatoliKopadze) June 20, 2026

Organizar tareas no es lo mismo que organizarse a uno mismo

Ahí quedó más clara una diferencia fundamental. A lo largo de un día de trabajo tomamos decisiones puramente logísticas, como decidir qué hacer primero, cuánto tiempo dedicar a una tarea o cuándo responder correos. Pero también tomamos decisiones mucho más internas: si estamos suficientemente descansados, concentrados o creativos para afrontar algo en ese momento.

La IA puede resultar muy útil para resolver la primera parte. La segunda sigue dependiendo en gran medida de información que cambia constantemente y que no siempre aparece reflejada en un calendario.

Por eso, delegar demasiado la agenda puede terminar sustituyendo un tipo de cansancio por otro. Ya no hay que decidir constantemente qué hacer, pero sí preguntarse si tiene sentido obedecer lo que el sistema acaba de programar.

El cambio llegó cuando la IA dejó de mandar

Durante el jueves y el viernes, la estrategia cambió. La planificación automática dejó de tratarse como una estructura rígida y comenzó a utilizarse simplemente como un punto de partida.

Cada mañana se revisaba la agenda durante unos minutos y se modificaban algunos bloques en función del nivel de energía, las circunstancias del día y las prioridades que hubieran cambiado. El resultado fue precisamente el contrario de lo esperado al comienzo del experimento: los días más productivos fueron aquellos en los que la IA organizó la base, pero la persona conservó la capacidad de modificarla.

La conclusión no es que estos asistentes funcionen mal. De hecho, pueden resultar especialmente útiles para ordenar tareas, reducir pequeñas decisiones y evitar que la agenda se llene de interrupciones innecesarias. El límite aparece cuando intentamos que una herramienta de planificación sustituya también nuestra capacidad de interpretar cómo estamos en cada momento.

Una IA puede decidir perfectamente qué debería ocurrir a las tres de la tarde. Lo que todavía necesita saber es algo bastante más difícil de convertir en una regla: si a las tres de la tarde seguimos teniendo la energía, la concentración y las mismas prioridades que teníamos cuando organizamos el día por la mañana.

Fuente: Xataka.