Subquadratic, Damodaran y el crash: lo que nadie quiere calcular

El mercado lleva semanas procesando señales contradictorias. Por un lado, una startup desconocida llamada Subquadratic sale del anonimato afirmando haber resuelto uno de los problemas matemáticos más persistentes de los LLMs. Por otro, el profesor Aswath Damodaran —el valuador más citado de Wall Street— advierte que la deuda física acumulada para construir infraestructura de IA podría provocar un colapso mucho más destructivo que el de las puntocom. Y mientras tanto, John Jumper, Nobel de Química 2024, abandona DeepMind para irse a Anthropic. Son tres noticias que parecen inconexas. No lo son.

El muro cuadrático que Subquadratic dice haber derribado

Los transformers tienen un problema estructural conocido desde 2017: su atención es cuadrática respecto a la longitud del contexto. Dicho en términos de negocio: doblar el contexto cuadriplica el cómputo y el coste. Esto ha sido el techo real de los LLMs en producción. No las alucinaciones, no la falta de razonamiento —el coste cuadrático es lo que hace prohibitivo mantener conversaciones largas, analizar documentos extensos o construir agentes autónomos con memoria persistente sin que el coste se dispare.

Subquadratic asegura haber resuelto este cuello de botella con una arquitectura sublineal o subculadrática —los detalles técnicos completos aún no están publicados en peer review, lo que es una señal de alerta legítima. El escepticismo inicial de la comunidad en MIT Technology Review era justificado: este problema lleva casi una década resistiendo aproximaciones como Longformer, Mamba, RWKV y varias variantes de atención lineal. Ninguna ha sustituido al transformer estándar en benchmarks de calidad.

Lo que ha cambiado es que Subquadratic ha empezado a presentar evidencias concretas. No sabemos aún si es un avance real o una demostración selectiva en condiciones favorables —el truco clásico de startup de Miami buscando financiación Serie A. Pero el impacto potencial es enorme: si la afirmación se sostiene, el coste por token en contextos largos podría caer varios órdenes de magnitud. Para una empresa que hoy paga 50.000€/mes en llamadas a API de OpenAI o Anthropic para agentes que procesan documentos largos, esto no es noticia académica. Es una decisión de arquitectura que hay que monitorizar ahora.

La recomendación táctica es clara: no migrues nada todavía, pero asigna a alguien del equipo técnico a seguir los preprints de cerca. Si en los próximos 90 días no hay paper reproducible, es marketing.

Jumper en Anthropic: lo que dice sobre la guerra de talento en ciencias

Que John Jumper —Nobel por AlphaFold2— deje DeepMind para irse a Anthropic no es solo un titular de recursos humanos. Es la señal más clara hasta la fecha de que Anthropic está construyendo una capacidad seria en biología computacional y ciencias de la vida, un espacio donde DeepMind ha dominado con AlphaFold.

La pregunta estratégica para cualquier empresa en el sector salud, farmacéutico o biotech es: ¿qué está construyendo Anthropic con Jumper que no puede construir con sus modelos actuales? La respuesta más plausible es que Claude 4 o su sucesor incorporará capacidades de razonamiento científico estructurado —no solo generación de texto sobre biología, sino modelos que puedan trabajar con estructuras proteicas, datos genómicos o diseño molecular.

Para el ecosistema español, esto tiene implicaciones concretas. Las agencias de IA en Madrid que trabajan con clientes del sector salud o farma deberían vigilar de cerca el roadmap de Anthropic en los próximos 12 meses. Si el acceso a capacidades científicas de nivel Jumper llega vía API, el tiempo de desarrollo de soluciones verticales se comprime drásticamente.

Además, Jumper no es el único que ha salido de DeepMind recientemente. La fuga de talento de Alphabet hacia competidores más pequeños sugiere que las estructuras corporativas de Google están perdiendo la guerra de velocidad e impacto percibido. Un investigador de nivel Nobel puede mover más rápido en Anthropic que en un equipo de 3.000 personas con procesos de aprobación interna.

El crash de Damodaran: la deuda física que el sector prefiere ignorar

Aswath Damodaran lleva meses siendo el aguafiestas más riguroso del ciclo de hype de la IA, y su argumento más reciente merece atención seria, no descarte reflejo.

Su tesis central: la burbuja puntocom fue devastadora, pero las empresas que quebraron eran fundamentalmente ligeras en activos. Cuando Pets.com colapsó, no había centros de datos a medio construir, no había contratos de electricidad a 20 años ni hardware especializado que necesitara amortizarse. La IA actual, en cambio, está construyendo infraestructura física masiva —los gigaclusters de NVIDIA H100s y B200s, los centros de datos de Microsoft, Google y Meta— financiada con deuda en un entorno de tipos todavía elevados.

Dicho brutalmente: si los modelos no generan el retorno esperado, no hay opción de "pivoting" sin destruir capital físico. Y Damodaran añade una segunda capa aún más incómoda: incluso si la IA tiene éxito técnicamente, su modelo de negocio más obvio —automatizar trabajo humano masivamente— destruye la base de consumidores que sustenta la economía. Es el problema del optimizador que devora su propio entorno.

Para CTOs y product leads que tienen que tomar decisiones de inversión ahora, esto se traduce en una pregunta concreta: ¿estás construyendo sobre infraestructura propia o sobre APIs de proveedores que dependen de ese stack de deuda? La consultoría de IA bien informada debería estar ayudando a sus clientes a diseñar arquitecturas que no los dejen rehenes de un repricing violento si el mercado de crédito se tensa.

No es catastrofismo. Es gestión de riesgo de proveedor aplicada a la capa de infraestructura más crítica de los próximos cinco años.

El código que funciona pero que habría que rechazar: el problema de la deuda técnica agéntica

Hay una conversación paralela que está ganando intensidad en comunidades como HackerNews y que tiene implicaciones directas para cualquier equipo que esté adoptando IA en desarrollo de software: cuándo rechazar código generado por IA aunque funcione.

Este debate importa porque define el tipo de deuda técnica que van a heredar las empresas que hoy están acelerando con Copilot, Cursor o Claude en sus pipelines de desarrollo. El código generado por IA tiende a ser correcto en el caso happy path, pero frecuentemente opaco, sin mantenibilidad obvia y con dependencias implícitas que ningún miembro del equipo comprende realmente. Cuando ese código llega a producción dentro de un sistema de agentes autónomos, el problema se multiplica: ahora tienes un agente tomando decisiones sobre una base de código que nadie del equipo puede auditar con rapidez.

El verdadero reto para las agencias españolas que están vendiendo proyectos de automatización con IA no es la calidad del modelo subyacente. Es la gobernanza del código generado. Las empresas que no establezcan protocolos claros de revisión —no solo tests funcionales, sino revisión de legibilidad, acoplamiento y propósito— van a acumular una deuda técnica que hará los sistemas inmantenibles en 18 meses. El ecosistema de agencias de IA en Barcelona que ya trabaja con clientes enterprise debería estar liderando la conversación sobre estos estándares, porque los clientes no lo van a pedir solos.

La UE y los deepfakes de catálogo: regulación que llega tarde y mal calibrada

Eurocommerce —que agrupa a Amazon, H&M, IKEA y similares— está presionando para que el contenido de marketing generado por IA quede exento de las normas de transparencia del AI Act europeo. El argumento: una imagen de salón generada por IA para vender un sofá no es un deepfake. Zalando ha puesto cifras concretas al debate: el 90% de su contenido de marketing ya es generado por IA.

La petición es legítima en su núcleo —mezclar una imagen de producto sintética con la manipulación de identidad política es una confusión categorial real. Pero el problema es que la UE no tiene todavía un marco claro para distinguir entre ambos casos, y mientras el debate regulatorio se resuelve, las empresas de retail operan en una zona gris costosa. Cualquier empresa que hoy esté escalando producción de contenido con IA necesita asesoramiento legal específico sobre el AI Act, no interpretaciones genéricas.

Para quien quiera profundizar en las fuentes primarias, el análisis de MIT Technology Review sobre Subquadratic y el perfil de Damodaran en los medios financieros ofrecen el contexto más riguroso disponible hasta la fecha.

El patrón de fondo en todas estas señales es el mismo: la IA está entrando en la fase donde el hype ya no puede cubrir las fricciones reales —deuda financiera, deuda técnica, deuda regulatoria. Las empresas que sobrevivirán bien a esa transición son las que ya están tratando estos problemas como lo que son: problemas de ingeniería y gestión del riesgo, no narrativas de transformación digital.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de agentes de voz
• Agencias de IA en Valencia y en Málaga
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real