El experto reconoce que las herramientas de empresas estadounidenses son cómodas y baratas, pero insiste en que debe haber una transición hacia servicios desarrollados en Europa.
etiquetas: ben van der burg, alternativas europeas, google
» noticia original (computerhoy.20minutos.es)
TikTok has been glitching for US users since Sunday, and TikTok's new US owners finally confirmed the cause: a power outage at a US data center.
"Since yesterday we’ve been working to restore our services following a power outage at a US data center impacting TikTok and other apps we operate," the TikTok USDS Joint Venture posted on X on Monday morning. "We're working with our data center partner to stabilize our service. We're sorry for this disruption and hope to resolve it soon."
By Monday evening, the issues had not been resolved, with the TikTok USDS account posting an update warning users to expect "bugs, slower load times, or timed-out requests, including when posting new content." The X post directly confronted creator concerns about receiving "0 views" on new videos and/or missing earnings. The glitch is temporary, TikTok USDS said, "your actual data and engagement are safe."
El Nipah, transmitido por murciélagos, ha sido identificado en Bengala Occidental, cerca de la capital del estado, Calcuta. El virus tiene una tasa de mortalidad de entre el 40 y el 75% y no existe tratamiento ni vacuna.
El pasado 6 de noviembre, este fondo de inversión adquirió la totalidad del inmueble en el barrio madrileño de Malasaña y actualmente se niega a renovar los contratos a las vecinas con el fin de vaciarlo a la mayor celeridad. Para conseguir sus objetivos, la empresa utiliza tácticas de acoso inmobiliario como la contratación de grupos de desokupación.
El que fuera director general de Coordinación Sociosanitaria durante la masacre en las residencias de mayores tira balones fuera con respecto a la autoría de los protocolos de la vergüenza y asegura que Escudero y la actual consejera de Asuntos Sociales, Ana Dávila, conocían su existencia.
En lugar de guardarlo bajo llave, lo condujo más de 65.000 km por toda Europa. Además tuvo dos accidentes, uno en 1999 y otro muy grave en 2011, cuya reparación le costó a la aseguradora alrededor de 1,2 millones de dólares.
En 2015, después de casi 18 años de uso, kilometraje y accidentes, vendió el mismo coche por unos 8 millones de libras esterlinas.
Ver post completo: En 1997, Rowan Atkinson compró un McLaren F1 por 622.000 euros.
Extra: Óscar Puente dice ahora que el bulo de la vía… no era un bulo.
Despite my best efforts, I have been wrong a lot over the years. I’ve been wrong about technology patterns (in 2014, I thought microservices would take over the world), I’ve been wrong about management techniques (I used to think systems thinking was the ultimate technique, but I’ve seen so many mistakes rooted in over-reliance on systems thinking), and a bunch of other stuff as well.
Early on, I spent a lot of time thinking about how to be wrong less frequently. That’s a noble endeavor, and one I still aim to improve at today. However, a lot of the problems you encounter later in your career are deeply ambiguous, and it simply isn’t possible to eliminate bad outcomes. Some examples of this are:
In every one of those examples, you know upfront that you simply don’t have all the information you’d like to have, and still need to make a decision to move forward. As a result, these days I spend far more time thinking about how to make being wrong cheap rather than how to avoid being wrong.
Of everything I’ve tried, demonstrating curiosity is consistently the best technique I’ve found to reduce the cost of being wrong. These days, if I regret being wrong about something, it’s almost always because I engaged in problem solving before exercising curiosity. I feel this so strongly that “curiosity is the first step of problem solving” has become a steadfast engineering value in the organizations that I lead.
Some examples of demonstrating curiosity well and poorly:
Someone thinks we shouldn’t hire someone that I’ve worked with closely.
(Bad) Assume they are wrong.
(Good) Explain your mental model of why you think the candidate would work well, and ask them where they do or don’t agree with that mental model.
(Best) Spend time upfront aligning with interviewers on the specific fit you’re focused on for this specific role.
Someone is asking for help logging into an internal dashboard where the internal login steps are extensively documented in your internal wiki.
(Bad) Get slightly snippy with them about not reading the documentation.
(Good) Ask them if they are running into something that isn’t covered by the documentation.
(Best) Replace this with a chat bot that uses the (Good) approach automatically instead of having a human do this.
Someone proposes introducing a new programming language for your internal stack.
(Bad) Tell them that they need to follow the existing architecture document.
(Good) Mention that this seems in conflict with the current architecture doc, and ask them how they’re thinking about that conflict.
(Best) Make sure new-hire onboarding includes links to those materials, and create an LLM-driven RFC reviewer that directs RFC writers to existing materials they should reference in their RFC.
Someone doesn’t show up for an incident that they are on-call for.
(Bad) Tell them they failed to meet on-call expectations.
(Good) Ask them what happened that led them to missing their on-call expectations.
(Best) Create automation to ensure folks going on-call are notified ahead of time, and to detect anyone going on-call whose notification mechanisms aren’t appropriately configured.
In each of these cases, showing curiosity is not about being unwilling to hold folks accountable, and it’s not about consensus-based decision making. Instead, it’s starting each discussion by leaving space for the chance that you’re missing important information. Often you’re not missing information, and then the next step is to hold folks accountable, but demonstrating curiosity helps you avoid applying accountability without context, which damages relationships without providing any benefit.
La entrada Umbral de cambio, la razón oculta por la que no logras tus objetivos se publicó primero en Rincón de la Psicología por Jennifer Delgado.
Seguro que te suena: empiezas el año con una larga lista de propósitos o después de un periodo de estar en bucle y no avanzar, finalmente te propones cambiarlo todo. “Esta vez sí”, te dices reafirmándote en tu decisión, dándote ánimos.
Quizá te planteas comer mejor, hacer ejercicio, meditar, leer más, dejar de procrastinar, hacer ese viaje que siempre estás posponiendo o incluso cambiar de trabajo… Pero luego, aunque te pones manos a la obra y haces “cosas” para avanzar, sientes que nada cambia significativamente. Esa parálisis en medio de la movilidad no es casual, detrás de ella se esconde el concepto de «umbral de cambio».
El término umbral de cambio se suele usar en Economía y Ecología para referirse al punto crítico o límite a partir del cual un sistema, proceso o individuo experimenta una transformación significativa o cualitativa.
En Psicología, lo aplico al esfuerzo mínimo necesario para sobrepasar el punto de inflexión, a partir del cual observamos un cambio sustancial que genera un impacto real en nuestra vida. Obviamente, ese umbral no es una línea rígida (no es que tienes que llegar al 51% en todos tus objetivos), es más bien una línea elástica que se ajusta a cada meta, como puedes apreciar en el gráfico a continuación.
El problema es que antes de alcanzar ese umbral de cambio, tenemos que esforzarnos mucho y sentiremos que avanzamos poco, simplemente porque la cantidad o la calidad de las acciones todavía no han superado el punto de inflexión para que se produzca un cambio significativo.
Uno de los errores más comunes que cometemos es pensar que cualquier acción suma. Creemos que un poco de esto y un poco de aquello es suficiente. Comemos un poco mejor, hacemos algo de ejercicio, intentamos reorganizar nuestras rutinas y esperamos (cruzando los dedos) que se produzca el cambio radical que tanto ansiamos.
Pero la dura verdad es que para lograr un progreso significativo tenemos que superar cierto umbral, y eso significa que un mínimo de intensidad y constancia no suelen bastar para desencadenar una gran transformación. No me malinterpretéis: es mejor introducir cambios positivos en el día a día, aunque sean pequeños, que seguir replicando malos hábitos, pero…
La transformación personal no funciona de manera lineal. Hacer un poco de esto y de aquello puede ser insuficiente para superar el umbral de cambio de cada objetivo concreto. Cada meta tiene su propio punto de inflexión, y hasta que no lo alcances, el esfuerzo se diluye y el progreso es mínimo.
Cuando queremos lograr un cambio sustancial, tenemos dos grandes enemigos: la desmotivación y la dispersión.
Nuestro cerebro tiende a buscar la gratificación rápida y se distrae con facilidad, y la vida moderna no nos lo pone precisamente fácil porque, además de bombardearnos con cientos de estímulos cada día, también nos presiona para que nos planteemos decenas de objetivos al mismo tiempo.
¿El resultado?
Repartimos nuestra energía entre demasiadas metas, de manera que ninguna llega a recibir el empuje suficiente para superar el umbral de cambio. Y cuando las transformaciones importantes no llegan con la rapidez deseada, nos desmotivamos y tiramos la toalla. No entendemos que algunos cambios requieren acumular esfuerzos grandes o constantes antes de ver su efecto.
Para llegar al umbral de cambio no tienes que hacer malabares ni tener superpoderes, solo entender qué acciones generan un impacto real y concentrar tu energía en ellas durante el tiempo suficiente. Tan sencillo (y a la vez tan difícil) como eso.
A menudo, el entusiasmo del momento nos empuja a ser demasiado optimistas. Y eso nos lleva a plantearnos objetivos poco realistas. Por tanto, todo comienza con una reflexión objetiva sobre cuánto tiempo, energía o dedicación realmente demanda la meta que te has planteado.
Si eres consciente del esfuerzo necesario, podrás ajustar tus expectativas, planificar de manera más realista o incluso plantearte abandonar ese objetivo (algo que también es válido si quieres concentrar tus esfuerzos en otra meta más relevante o prioritaria).
Uno de los mayores errores que veo cometer a las personas una y otra vez es querer cambiarlo todo de golpe. Básicamente, se han pasado media vida tumbado en el sofá, comiendo pizza y procrastinando y al día siguiente quieren tener el cuerpo de Schwarzenegger, aprender a tocar la guitarra, convertirse en veganos estrictos y correr una maratón.
Algunos lo logran (todo hay que decirlo), pero la mayoría no. Y es que tantos cambios agotan y desvían tus recursos, haciendo que no consigas nada realmente transformador. Por ese motivo, aunque quieras cambiar vida radicalmente, suele ser mejor ir paso a paso. Y eso significa priorizar.
Identifica uno o dos objetivos realmente importantes en este momento. No se trata de abandonar todo lo demás, sino de concentrar tu energía donde producirá el mayor impacto. Para ello, podría ayudarte la matriz de impacto-esfuerzo que se suele utilizar en las empresas para identificar las acciones más sencillas que tienen una repercusión mayor.
Solo tienes que ubicar tus metas en cada cuadrante para obtener más claridad sobre el nivel de esfuerzo en relación con el impacto que generan. A partir de ahí, puedes decidir si esos objetivos valen la pena o no.
En síntesis, el concepto de umbral de cambio nos enseña que debemos ser perseverantes y ser más conscientes de aquello a lo que destinamos nuestra energía. Eso nos liberará de la sobrecarga y la frustración de hacer tantas pequeñas cosas que no cambian mucho, abriendo el camino para lograr lo que deseamos (quizá no todo, pero al menos lo más importante).
La entrada Umbral de cambio, la razón oculta por la que no logras tus objetivos se publicó primero en Rincón de la Psicología por Jennifer Delgado.
La pregunta que conviene hacerse no es si la inteligencia artificial (IA) vive una burbuja. Las burbujas, cuando se describen en abstracto, parecen fenómenos casi naturales: aparecen, crecen, estallan y desaparecen. El problema es que, en economía política, las burbujas no caen del cielo. Se construyen. Y, una vez construidas, no siempre explotan, sino que a menudo se institucionalizan. Lo que a menudo se presenta como el desarrollo orgánico de los distintos agentes que participan libremente en un mercado, es en realidad una compleja trama de intereses políticos ideológicamente cargados que se alimentan de recursos públicos.
Y si hablamos de la IA en 2026, el riesgo principal no es un colapso súbito del sector, sino algo más persistente y menos espectacular: la normalización de un modelo altamente concentrado, intensivo en recursos energéticos y… sostenido por un relato tecnosolucionista en manos de una élite ultraderechista que no se veía desde la Segunda Guerra Mundial.
Hoy, una parte sustancial del valor bursátil estadounidense –y, por extensión, del ahorro global indexado– descansa en apenas una decena de compañías, la mayoría de ellas grandes tecnológicas. Microsoft, Apple, Nvidia, Alphabet, Amazon y Meta concentran buena parte del peso del S&P 500 y dominan el top 10 del índice junto a algunas excepciones puntuales como Berkshire Hathaway, la empresa matriz de Warren Buffet.
Según datos de S&P Dow Jones Indices, el peso agregado de estas diez empresas suma ya más de un tercio del total del índice, un nivel de concentración que no se registraba desde antes del estallido de la burbuja puntocom. Cuando un índice supuestamente diversificado depende en tal medida de un núcleo reducido de gigantes tecnológicos, deja de funcionar como termómetro del conjunto de la economía y pasa a reflejar, sobre todo, la hegemonía de la Big Tech y su promesa de crecimiento futuro ligada a la inteligencia artificial.
Por eso el Banco de España, en sus últimos Informes de Estabilidad Financiera, ha señalado explícitamente los riesgos asociados a la elevada concentración bursátil y a las valoraciones exigentes en determinados sectores tecnológicos: “La potencial corrección de la valoración de las empresas tecnológicas de EEUU y su elevado peso bursátil continúa suponiendo un factor adicional de riesgo de mercado”, señalan.
El segundo pilar de esta burbuja no es financiero, sino material. La inteligencia artificial no flota en el aire como pompas de jabón. Se ejecuta en centros de datos que consumen electricidad, agua, suelo y capacidad de red. Y lo hacen a una escala que ya no puede considerarse marginal.
La Agencia Internacional de la Energía (AIE) estima que los centros de datos, junto con la IA y las criptomonedas, consumen ya alrededor del 1,5% de la electricidad mundial y que esa cifra podría duplicarse antes de 2030, alcanzando niveles comparables al consumo anual de países como Japón. Además, según apuntan, el crecimiento de la demanda eléctrica asociada a la IA está siendo mucho más rápido de lo previsto hace apenas dos años.
Cada nuevo centro de datos compite por electricidad con hogares, transporte e industria. Obliga a acelerar inversiones en redes de alta tensión, subestaciones y sistemas de respaldo que, en la práctica, se financian en gran medida con dinero público. Presiona territorios concretos –municipios, comarcas– que asumen impactos ambientales y urbanos mientras los beneficios económicos se concentran lejos. Es decir; la burbuja de la IA no se infla solo con capital privado, sino con decisiones públicas sobre suelo, red eléctrica y prioridades energéticas.
A la electricidad se suma otro recurso cada vez más escaso: el agua. El enfriamiento de grandes infraestructuras digitales requiere cantidades significativas de agua dulce, especialmente en climas cálidos o en centros de datos de alta densidad. La UNESCO ha advertido de que el auge de la inteligencia artificial está disparando simultáneamente la demanda de energía, agua y minerales críticos, intensificando tensiones ecológicas ya existentes.
Estudios académicos publicados subrayan que la huella hídrica del entrenamiento de grandes modelos de IA es todavía poco transparente y, en muchos casos, subestimada. La burbuja no es solo financiera, también es territorial. Se manifiesta cuando se prometen empleos y modernización a cambio de infraestructuras que consumen recursos locales y cuyos beneficios fiscales y productivos apenas revierten en el entorno inmediato.
El ecosistema de la IA se organiza en torno a unos pocos actores que controlan simultáneamente la infraestructura en la nube, los chips especializados, los modelos fundacionales y, en muchos casos, los datos. Tres empresas –Amazon Web Services, Microsoft Azure, y Google Cloud–, concentran aproximadamente dos tercios del mercado global de nube. Una empresa –NVIDIA–, controla más del 80% de la producción de chips. Y cuatro empresas –OpenAI, Google DeepMind, Meta y Anthropic– concentran el desarrollo de los modelos fundacionales más avanzados.
La OCDE también ha alertado de que la inteligencia artificial presenta una fuerte tendencia a la concentración debido a las economías de escala, las barreras de entrada y el control de infraestructuras críticas. No estamos ante un mercado emergente abierto, sino ante un oligopolio en formación que fija precios, condiciones de acceso y ritmos de innovación.
De hecho, la situación adquiere todavía un tono más grave si tenemos en cuenta que algunas de estas grandes empresas, como Tesla o Palantir, están al servicio ideológico de una ultraderecha que cada día que pasa se parece más al fascismo de entre guerras del siglo pasado. La burbuja de la IA, con su corazón en Estados Unidos, se funde en un conjunto de intereses corporativistas y oligopolistas en el que las subvenciones, las excepciones regulatorias, los contratos públicos y recalificaciones de suelo se convierten en moneda de cambio para no quedarse fuera de la carrera tecnológica.
A todo ello se superpone un relato omnipresente. La inteligencia artificial aparece como solución transversal al estancamiento productivo, al envejecimiento demográfico, a la crisis climática, incluso a la escasez de recursos públicos. Cada problema tiene su algoritmo pendiente, un discurso que cumple la función política precisa de desactivar el conflicto. Si la tecnología promete hacerlo todo más eficiente mañana, cualquier crítica hoy se presenta como miedo, atraso o falta de visión.
Y así se matan dos pájaros de un tiro: el que pretende defender un cierto grado de privacidad, y el que pretende defender la necesidad de un mayor grado de redistribución económica.
Llegados a este punto, la pregunta cambia. No se trata de saber si la burbuja de la inteligencia artificial explotará en 2026 o en 2028. Se trata de entender qué ocurre si no explota. Qué pasa si se consolida un sistema altamente concentrado, energéticamente voraz y políticamente blindado por la urgencia tecnológica.
Porque incluso sin crash, el resultado puede ser profundamente disfuncional: más dependencia tecnológica, más desigualdad territorial, más transferencia de recursos públicos hacia rentas privadas y menos capacidad democrática para decidir prioridades.
La historia económica reciente ofrece suficientes precedentes. Las grandes crisis no suelen llegar por sorpresa. Llegan después de años de advertencias ignoradas, normalizaciones progresivas y relatos tranquilizadores. Cuando el ajuste llega –si llega– ya no se discute el modelo: se gestiona el daño. Y se hace siempre protegiendo aquellos que generaron la burbuja y se beneficiaron de ella. ¿Y los perdedores, quienes serán? También los de siempre, por supuesto.
La entrada IA, concentración y poder: anatomía de una burbuja que no explota se publicó primero en lamarea.com.
