¿Y si todo sale bien con la IA? Freddy Vega apuesta por abundancia, software barato y una oportunidad para Latinoamérica

La conversación sobre inteligencia artificial suele arrancar por el peor escenario: desempleo, concentración de poder, deepfakes, dependencia tecnológica, pérdida de habilidades o sistemas que toman decisiones que nadie entiende. En Platzi Conf Bogotá 2026, Freddy Vega decidió invertir la pregunta: ¿qué pasa si la IA funciona extraordinariamente bien?

Su charla, “¿Y si todo sale bien con AI?”, dura unos 42 minutos y propone una tesis deliberadamente optimista. La IA, sostiene, está convirtiendo el conocimiento experto en un recurso mucho más abundante y barato. Si esa tendencia continúa, podríamos entrar en una etapa de mayor experimentación científica, empresas muchísimo más pequeñas capaces de construir productos sofisticados y gobiernos con herramientas para modernizar instituciones que llevan décadas atrasadas.

La idea es atractiva, pero conviene separar tres cosas: la dirección tecnológica, las predicciones económicas y las decisiones políticas. No todas tienen el mismo nivel de evidencia.

1. La inteligencia se está volviendo un recurso mucho más barato

El punto de partida de Freddy es difícil de ignorar. Hace pocos años, obtener una explicación especializada, escribir software complejo, analizar cientos de documentos o producir materiales audiovisuales requería tiempo humano especializado. Hoy una parte creciente de esas tareas puede empezar con un modelo de frontera al que accede cualquier persona desde un navegador o un teléfono.

Eso no significa que la experiencia humana haya dejado de importar. Significa que el costo de llegar a una primera respuesta competente está cayendo rápidamente.

Ese cambio altera el valor de varias cosas. Memorizar información pierde peso frente a formular mejores preguntas. Escribir cada línea de código deja de ser necesariamente el cuello de botella. Y muchas tareas que antes comenzaban contratando a un especialista ahora pueden comenzar con una conversación con un modelo, seguida —idealmente— de validación humana.

Freddy compara este cambio con ganar la lotería: cuando una limitación desaparece, también desaparecen algunas de las excusas construidas alrededor de ella. La comparación es provocadora porque desplaza la discusión desde “qué puede hacer la IA” hacia “qué hacemos nosotros cuando el acceso a conocimiento deja de ser tan escaso”.

2. ¿Menos empleos o más producción?

Una de las afirmaciones más fuertes de la charla es que la IA no necesariamente conducirá a desempleo masivo. Freddy invoca la paradoja de Jevons: cuando una tecnología vuelve más eficiente y barato el uso de un recurso, el consumo total de ese recurso puede aumentar en lugar de disminuir.

Aplicado a la IA, el argumento sería este: si producir software, análisis, diseño o atención al cliente se vuelve diez veces más barato, tal vez no hagamos la misma cantidad de trabajo con una décima parte de las personas. Tal vez hagamos diez o cien veces más trabajo.

Hay una intuición importante aquí: la automatización puede complementar trabajo humano y abrir demanda que antes era demasiado cara. Un pequeño negocio que jamás hubiera contratado a un analista, diseñador, abogado y desarrollador puede ahora consumir versiones asistidas por IA de esos servicios.

Pero Jevons no demuestra por sí sola que el mercado laboral vaya a absorber cada desplazamiento. La evidencia disponible es más matizada. La Organización Internacional del Trabajo estima que alrededor de uno de cada cuatro trabajadores está en una ocupación con algún grado de exposición a IA generativa, aunque su conclusión central es que la transformación de tareas es hoy más probable que la desaparición completa del empleo.

Eso deja un escenario menos apocalíptico, pero tampoco automático. Habrá ocupaciones donde la IA complemente al trabajador, otras donde reduzca la cantidad de personas necesarias y nuevas funciones que aún no existen. La transición dependerá de capacitación, regulación, velocidad de adopción y de si las ganancias de productividad crean nueva demanda.

3. La ciencia es probablemente el argumento optimista más fuerte

La parte más convincente de la charla aparece cuando Freddy se mueve desde chatbots hacia ciencia.

AlphaFold es un buen ejemplo, aunque aquí vale una precisión. A veces se resume diciendo que “descubrió 200 millones de proteínas”. Técnicamente, AlphaFold DB ofrece más de 200 millones de predicciones de estructuras de proteínas, cubriendo prácticamente todas las proteínas catalogadas conocidas por la ciencia. Es distinto de descubrir 200 millones de proteínas nuevas, pero el impacto sigue siendo extraordinario.

Determinar estructuras moleculares experimentalmente podía consumir meses o años de trabajo. Tener predicciones disponibles a gran escala cambia qué experimentos merece la pena intentar y dónde invertir tiempo de laboratorio.

La misma lógica aparece en los llamados self-driving labs: laboratorios donde software, modelos y robots pueden ejecutar ciclos de hipótesis, experimento y medición con menor intervención manual. La visión de Freddy es que la IA no solo escribe informes sobre ciencia, sino que comienza a participar en el bucle físico de descubrimiento.

Si eso escala, el beneficio no vendrá de que un chatbot “sepa medicina”, sino de aumentar la cantidad de experimentos que la humanidad puede ejecutar, comparar y descartar.

4. Cuando programar deja de ser el cuello de botella

Otro punto central es el software. La IA está reduciendo el costo marginal de producir código, pruebas, documentación, migraciones y prototipos. Eso puede alterar radicalmente la estructura de los equipos.

Una empresa que antes necesitaba decenas de desarrolladores para construir una primera versión quizá pueda hacerlo con un grupo mucho más pequeño apoyado por agentes. Sistemas legacy en COBOL o Fortran pueden analizarse y migrarse con asistencia automática. Equipos internos pueden crear herramientas que antes nunca hubieran superado el análisis de costo-beneficio.

Pero aquí aparece una consecuencia interesante: si crear software se vuelve barato, distribuirlo y lograr que alguien lo use se vuelve relativamente más importante.

El valor se desplaza hacia entender un problema real, conseguir usuarios, integrar el producto en procesos existentes, generar confianza, operar infraestructura y asumir responsabilidad cuando algo falla.

Eso favorece una explosión de emprendimiento, pero también una explosión de software mediocre. Si todos pueden producir, la escasez deja de estar en la capacidad de generar y se mueve hacia la capacidad de seleccionar, diseñar y ejecutar bien.

5. El posible “colapso” de la clase experta

Freddy lleva esa lógica más lejos y plantea que muchas acreditaciones profesionales perderán parte de su poder económico y cultural.

Durante siglos, una de las ventajas del experto fue controlar un conocimiento difícil de adquirir. Si una persona puede obtener rápidamente una explicación razonable sobre impuestos, programación, marketing, nutrición o derecho, esa asimetría disminuye.

Eso no elimina al experto. De hecho, puede aumentar el valor del experto que sabe verificar, juzgar y asumir responsabilidad. Lo que sí puede disminuir es el valor de cobrar únicamente por acceso a información estándar.

Aquí nace lo que la charla llama una industria de la confianza. En un mundo donde texto, voz, imágenes, video y documentos pueden falsificarse a bajo costo, saber que algo es auténtico se vuelve más valioso.

La autenticidad, la procedencia de datos, las firmas digitales, la reputación y la identidad verificable pueden convertirse en infraestructura tan importante como los propios modelos.

6. Latinoamérica sí tiene algunas cartas fuertes

La sección más estratégica de la charla está dedicada a Latinoamérica. Freddy rechaza la idea de que la región deba intentar competir copiando exactamente a Estados Unidos o China. Su argumento es que existen ventajas diferentes que todavía no han sido convertidas en estrategia.

La primera es energía. La Agencia Internacional de Energía estima que las renovables representan alrededor del 60% de la generación eléctrica de América Latina y el Caribe, aproximadamente el doble del promedio mundial.

Eso importa porque los data centers están convirtiendo electricidad en cómputo a una escala creciente. La propia IEA proyecta que el consumo eléctrico mundial de centros de datos podría superar los 945 TWh en 2030, más del doble de los niveles recientes, con la IA como uno de los principales motores de ese crecimiento.

La región también tiene cobre, litio, espacio físico y una matriz energética relativamente limpia. Nada de eso garantiza una industria de IA competitiva: hacen falta redes eléctricas, capital, estabilidad regulatoria, fibra, talento, centros de datos y contratos capaces de sostener inversiones enormes. Pero sí significa que Latinoamérica no empieza desde cero.

La segunda carta es institucional. Freddy propone algo menos glamuroso que un “LLM nacional”:

identidad digital interoperable;
pagos públicos y privados de muy bajo costo;
datasets nacionales de alta calidad;
justicia digital más rápida;
servicios de gobierno construidos como infraestructura reutilizable;
y una estrategia pragmática capaz de usar modelos abiertos y cerrados de distintos bloques tecnológicos.

Es una idea poderosa porque pone el foco en los datos y las instituciones, no en construir un chatbot patriótico.

Un país no necesita entrenar el modelo más grande del mundo para obtener valor. Puede ganar si es el lugar donde abrir una empresa toma minutos, pagar impuestos no requiere trámites absurdos, los tribunales resuelven con velocidad y los datos públicos son útiles para construir servicios.

7. Lo digital puede tender a abundancia; lo físico sigue siendo escaso

La charla también introduce un límite importante al optimismo tecnológico. Incluso si producir inteligencia digital se vuelve casi gratuito, el mundo físico no se vuelve infinito.

La tierra sigue siendo limitada. La energía requiere infraestructura. Los chips necesitan fábricas y materiales. Las casas ocupan espacio. Los hospitales tienen camas. Los robots cuestan componentes y mantenimiento.

Esto ayuda a explicar por qué un futuro de IA extremadamente capaz no implica necesariamente “dinero infinito” o el fin automático del trabajo.

De hecho, mientras más barato sea producir cosas digitales, mayor podría ser el valor relativo de aquello que no puede copiarse infinitamente: experiencias presenciales, ubicación, artesanía, relaciones humanas, atención personal, reputación y objetos físicos únicos.

8. La tesis optimista funciona mejor como agenda que como predicción

La charla de Freddy es más interesante si no la interpretamos como una predicción literal de que “todo saldrá bien”. Funciona mejor como una pregunta de diseño:

Si la IA realmente reduce de forma drástica el costo de la inteligencia, ¿qué deberíamos construir para capturar ese beneficio?

Ahí la conversación cambia.

Para una persona, la pregunta puede ser qué proyecto sigue posponiendo porque antes necesitaba un equipo o una habilidad que no tenía.

Para una empresa, qué procesos nunca automatizó porque eran demasiado caros.

Para un gobierno, qué sistemas permanecen obsoletos simplemente porque modernizarlos parecía imposible.

Y para Latinoamérica, si quiere limitarse a consumir modelos construidos fuera o utilizar esta ventana para modernizar su infraestructura institucional, energética y digital.

Lo que nos deja la charla

La mejor idea de “¿Y si todo sale bien con AI?” no es que debamos ignorar riesgos. Es que un debate dominado exclusivamente por los riesgos también puede hacernos perder oportunidades reales.

Hay motivos para cautela. La IA puede desplazar trabajadores, centralizar poder y escalar errores. La transición será desigual. La energía y la infraestructura seguirán imponiendo límites. Y un modelo que responde con seguridad no reemplaza automáticamente el juicio profesional.

Pero también existen señales concretas del escenario positivo: la IA ya está acelerando investigación científica, reduciendo costos de creación de software y ampliando el acceso a capacidades que antes pertenecían a organizaciones mucho más grandes.

La pregunta importante ya no es solamente “¿qué nos quitará la IA?”. También es “¿qué podremos hacer por primera vez porque ahora existe?”.

Y esa es quizá la parte más incómoda de la tesis de Freddy Vega: cuando desaparecen algunas limitaciones técnicas, queda más claro cuáles eran limitaciones reales y cuáles eran excusas.