Tu Relevancia Económica Expira Exponencialmente

Estamos Midiendo la Era de la Inteligencia con Herramientas Industriales de 1934 — y Confundiendo el Progreso con el Colapso

El GDP mide todo excepto lo que importa, y en la era de la inteligencia artificial, esta contradicción ha dejado de ser un problema académico para convertirse en una crisis existencial de medición económica. Mientras OpenAI genera $15B anuales con 3,500 empleados y Midjourney alcanza $500 millones con apenas 107 personas, seguimos usando un sistema creado para medir tanques y municiones durante la Gran Depresión. Simon Kuznets, el economista que desarrolló el PIB en 1934, advirtió explícitamente que no debía usarse como medida de bienestar económico. Noventa años después, hemos ignorado completamente su advertencia. El resultado es un sistema de medición que confunde destrucción con producción, ignora el 60% de la creación de valor real, y nos deja navegando la transformación económica más profunda desde la Revolución Industrial con un mapa completamente obsoleto.

Esta no es una exageración. Los datos muestran una divergencia fundamental entre lo que el GDP registra y lo que realmente sucede en la economía. Cuando un huracán destruye una ciudad, la reconstrucción aumenta el GDP. Cuando Wikipedia reemplaza a la Enciclopedia Británica, el GDP cae a pesar de que se creó infinitamente más valor. Cuando Cursor alcanza $500 millones en ingresos anuales en solo 12 meses con 19 empleados, nuestros sistemas de medición no tienen vocabulario para capturar la magnitud de esta transformación. Estamos presenciando la cuarta gran inversión económica de la historia humana, el momento en que la inteligencia desplaza al capital como factor dominante de producción, y seguimos midiendo como si aún estuviéramos en 1950.

Las Cuatro Inversiones Económicas: de la Tierra a la Inteligencia

La historia económica no es lineal sino episódica, marcada por cuatro grandes eras donde un factor diferente domina la producción. Durante milenios, la tierra fue el rey indiscutible. Los fisiócratas franceses del siglo XVIII construyeron toda una teoría económica alrededor de este hecho: solo la agricultura creaba valor real porque solo la tierra producía más de lo que consumía. La riqueza se medía en acres, cosechas y cabezas de ganado. Un señor feudal sin tierra era una contradicción en términos.

La Revolución Industrial detonó la primera gran inversión: el trabajo humano desplazó a la tierra como factor dominante. Marx construyó todo su andamiaje teórico sobre esta realidad: el valor emerge del trabajo humano cristalizado en mercancías. Las fábricas podían instalarse donde hubiera trabajadores, no necesariamente donde hubiera tierras fértiles. La urbanización masiva fue síntoma y causa de esta transformación. De repente, mil trabajadores en una fábrica textil generaban más riqueza que mil acres de tierra cultivable.

La segunda inversión llegó a mediados del siglo XX: el capital físico superó al trabajo como factor determinante. Una excavadora operada por un trabajador movía más tierra que cien hombres con palas. Un telar automatizado producía más tela que cien artesanos. La productividad se disparó, pero algo extraño comenzó a suceder: los salarios dejaron de crecer al ritmo de la productividad. Entre 1979 y 2017, la productividad estadounidense creció 70.3% mientras la compensación horaria de los trabajadores creció apenas 11%. La brecha se explica por una simple razón: el capital ya no necesitaba tanto trabajo.

La tercera inversión ocurrió alrededor del año 2000 cuando el software y los algoritmos comenzaron a crear más valor que las fábricas físicas. En 1998, Kodak empleaba 170,000 personas y valía $31 mil millones. En 2012, Facebook compró Instagram por $1 mil millón con solo 13 empleados. La industria fotográfica completa se evaporó en menos de una década porque el valor había migrado del capital físico (cámaras, películas, tiendas de revelado) al capital de información (redes sociales, algoritmos de compresión, efectos de red).

Ahora estamos en medio de la cuarta y definitiva inversión: la inteligencia artificial está desplazando incluso al capital algorítmico humano como factor dominante. Y aquí es donde el PIB se vuelve no solo inadecuado, sino criminalmente obsoleto. Porque el PIB fue diseñado precisamente para medir capital físico en una economía industrial. Kuznets lo creó para que el Congreso estadounidense pudiera rastrear cuántos tanques, aviones y barcos podía producir la economía durante la Gran Depresión y la Segunda Guerra Mundial. Era, literalmente, un “termómetro de guerra” como lo llamó la economista de Oxford Diane Coyle.

Cada inversión no solo cambió qué factor dominaba, sino que transformó completamente la estructura de poder económico. En la era de la tierra, los aristócratas controlaban el valor. En la era del trabajo, los sindicatos tenían poder de negociación. En la era del capital, los dueños de fábricas y accionistas capturaban las ganancias. En la era de la inteligencia, quienes poseen los modelos y las GPUs controlan la economía. El GDP fue diseñado para la segunda era, se adaptó trabajosamente a la tercera, y es completamente ciego a la cuarta.

La Paradoja del Cáncer: Cuando estar Enfermo Suma

Robert F. Kennedy capturó la absurdidad del GDP en su famoso discurso de 1968 en la Universidad de Kansas: “El Gross Domestic Product cuenta la contaminación del aire y la publicidad de cigarrillos, y las ambulancias para limpiar nuestras carreteras de la masacre. Cuenta las cerraduras especiales para nuestras puertas y las cárceles para la gente que las rompe. Cuenta la destrucción de las sequoias y la pérdida de nuestra maravilla natural en la expansión caótica. Cuenta el napalm y cuenta las ojivas nucleares y los carros blindados de la policía para combatir los disturbios en nuestras ciudades... Sin embargo, el producto nacional bruto no contempla la salud de nuestros hijos, la calidad de su educación o la alegría de su juego.”

Esta no es poesía política sino descripción precisa de un sistema de medición fundamentalmente roto. Considera el huracán Helene de 2024: causó más de $100B en daños. La destrucción en sí no cuenta para el GDP, pero toda la reconstrucción, los servicios de emergencia, las reclamaciones de seguros, los servicios legales y la construcción de viviendas temporales sí cuentan, positivamente. Entre 2001 y 2020, los desastres naturales costaron $180-200B anuales en costos directos. El costo total real, incluyendo efectos en cascada, supera los $2.3T anuales. Y todo esto aparece en el GDP como crecimiento económico.

El cáncer es el ejemplo más visceral de todo esto. El tratamiento oncológico, las cirugías, los medicamentos y la atención crónica contribuyen masivamente al GDP. Una población más sana que necesita menos intervención médica en realidad reduciría el GDP. Como notó un crítico: “Si fueras el GDP, tu ciudadano ideal sería un jugador compulsivo con cáncer pasando por un divorcio prolongado que se consuela atiborrándose de Prozac y volviéndose loco en las compras del Black Friday.”

Lo que el GDP no ve: el 60% Invisible de la Economía Moderna

El GDP tiene ceguera estructural para tres categorías masivas de creación de valor. Primero, trabajo no remunerado: el cuidado infantil, el trabajo doméstico, el voluntariado y el cuidado de familiares. Durante COVID-19, las mujeres pasaron un estimado de 512 mil millones de horas adicionales haciendo trabajo de cuidado no remunerado que sostuvo las economías. Contribución al GDP: cero.

Segundo, degradación ambiental: el GDP global se duplicó desde 1970, mientras el agotamiento de recursos naturales se triplicó. Cortar bosques aumenta el GDP (venta de madera). Dejar los bosques en pie contribuye cero (no hay transacción de mercado). El derrame del Deepwater Horizon de 2010 añadió miles de millones al PIB a través de contratos de limpieza. El daño ecosistémico real cuenta como cero.

Tercero, y más relevante para la era de la AI, bienes digitales gratuitos. Erik Brynjolfsson del MIT desarrolló el marco “GDP-B” para cuantificar este problema. Su investigación sobre Facebook entre 2004 y 2017 encontró que el usuario mediano requeriría $48 mensuales para dejar de usar Facebook por un mes. Algunos usuarios lo valoraban en más de $1,000 mensuales. El valor total anual para consumidores estadounidenses: entre $31 y $44B. Nada de esto aparece en el GDP.

Wikipedia reemplazó a la Enciclopedia Británica. La Británica (de pago) contribuía al GDP. Wikipedia (gratuita) contribuye cero. Sin embargo, Wikipedia proporciona valor infinitamente mayor: más contenido, acceso instantáneo, actualización constante, 309 idiomas. Reemplazar Británica con Wikipedia técnicamente redujo el GDP mientras creaba órdenes de magnitud más valor.

La investigación de Brynjolfsson estimó que Google Search vale $17,530 anuales por usuario para renunciar a él. Google Maps vale $3,648. Los servicios de correo electrónico, las redes sociales, el software de código abierto, los videos de YouTube, las noticias digitales, la música en streaming: todo esto crea valor masivo medido en cero por el GDP. Estamos potencialmente subestimando el crecimiento económico real en 0.5-2% anual solo por omitir bienes digitales gratuitos. Compuesto durante décadas, esto significa que podríamos estar midiendo mal la economía en cifras de dos dígitos porcentuales.

El Modelo MIND: Los 4 Capitales Multiplicativos

Si el GDP mide solo capital material, ¿qué marco captura la realidad completa de creación de valor? Necesitamos reconocer cuatro tipos de capital que operan multiplicativamente, no aditivamente:

M: Capital Material — Los bienes físicos escasos que el GDP sí mide bien: edificios, máquinas, infraestructura, recursos naturales, productos tangibles.

I: Capital de Inteligencia — Conocimiento, capacidades, know-how, algoritmos, datos, experiencia acumulada, sistemas de inferencia, modelos predictivos.

N: Capital de Red — Conexiones, capital social, relaciones comerciales, efectos de red, plataformas, ecosistemas, coordinación distribuida.

D: Capital de Diversidad — Resiliencia, opciones, adaptabilidad, redundancia, capacidad de pivotear, portfolio de estrategias, robustez ante shocks.

La relación crítica es:

Valor Económico = M × I × N × D

No es suma sino multiplicación. Si cualquier factor es cero, todo el sistema falla. Puedes tener capital material infinito (M), pero sin conocimiento de cómo usarlo (I), su valor es cero. Puedes tener algoritmos brillantes (I), pero sin redes para distribuir sus resultados (N), no generan valor. Puedes tener redes masivas (N), pero sin diversidad de opciones (D), son frágiles ante disrupciones.

El PIB captura solo M, y apenas. Ignora completamente I, N y D. Esto era tolerable cuando M dominaba la producción. En 1950, construir una fábrica requería capital material masivo: edificios, maquinaria, inventario físico. El capital material era el cuello de botella, así que medirlo capturaba la mayor parte del valor.

En 2025, los cuellos de botella han cambiado radicalmente. Cursor alcanzó $100 millones en ingresos anuales en 12 meses con 19 empleados. Midjourney genera $500 millones anuales con 107 empleados, completamente bootstrapped (cero financiamiento externo). OpenAI proyecta $10 mil millones anuales con 4,000 empleados. El capital material de estas empresas es risible: laptops, servidores cloud alquilados, oficinas pequeñas. Su capital de inteligencia (I) y capital de red (N) son astronómicos.

Compare con el pasado: Kodak en su apogeo empleaba 145,000 personas y generaba $16 mil millones anuales ($111,000 por empleado). Instagram fue adquirido por $1 mil millones con 13 empleados. La relación empleados/valoración cambió por cuatro órdenes de magnitud. Esto no es eficiencia incremental. Es una transformación ontológica en qué crea valor.

Las empresas de IA están generando ingresos por empleado 20-50 veces superiores a las empresas industriales, y 10-20 veces superiores incluso a las mejores empresas SaaS. No es que los empleados trabajen más duro. Es que la estructura fundamental de creación de valor ha cambiado. El trabajo humano ahora opera como apalancamiento sobre capital de inteligencia, no como el capital primario en sí.

Lo mas simpático es que todo esto es muy compatible con la filosofía de 10ampro

La Matemática de la Obsolescencia: Cuando el Trabajo Cognitivo Humano se Vuelve Negativo

Aquí es donde la transición se vuelve existencial. El trabajo cognitivo humano no solo está siendo desplazado; en ciertos dominios, su valor marginal se está volviendo negativo.

Considera la ecuación básica de valor comparativo:

Valor = Capacidad × Velocidad × Costo⁻¹ × Confiabilidad

Humano en tareas cognitivas rutinarias (2010):

• Capacidad: 1 (normalizada)

• Velocidad: 1 (normalizada)

• Costo: $50,000 anuales

• Confiabilidad: 0.95 (5% tasa de error)

• Valor ≈ 1.9 × 10⁻⁵ por dólar

AI en las mismas tareas (2025):

• Capacidad: 1-10 (dependiendo del dominio)

• Velocidad: 100-1,000

• Costo: $5,000-$10,000 anuales en cómputo

• Confiabilidad: 0.98-0.995

• Valor ≈ 1 × 10⁻² a 1 × 10⁻¹ por dólar

La AI es entre 500 y 5,000 veces más eficiente en valor por dólar para tareas cognitivas específicas. Y esta brecha no se está cerrando; se está ampliando exponencialmente.

El crecimiento de capacidades sigue trayectorias diferentes:

• Habilidades humanas: crecimiento ~5% anual (educación, experiencia)

• Capital de AI: crecimiento ~30-100% anual (Ley de Moore en declive pero aún potente, mejoras algorítmicas, datos)

Si el capital de AI crece al 30% y las habilidades humanas al 5%, la brecha es decaimiento exponencial de relevancia:

Ratio(t) = (1.05)ᵗ / (1.30)ᵗ = (1.05/1.30)ᵗ ≈ 0.808ᵗ

Después de 10 años: el valor relativo del trabajo humano en ese dominio ha caído a 13% de su valor inicial. Después de 20 años: a 1.7%.

Esto no es especulación. Ya está sucediendo. Las empresas de AI reportaron en 2024 márgenes de flujo de caja libre de -126% (quemando efectivo al 126% de ingresos) pero múltiplos de burn de 0.4x, mucho mejores que empresas no-AI con -56% FCF y burn múltiple de 1.8x. ¿Por qué? Porque cada dólar quemado genera crecimiento exponencial, no lineal. La retroalimentación compuesta del capital de inteligencia domina completamente las dinámicas lineales del capital humano.

Ley de Sorter y la Teoría de la Inteligencia Económica

Si la economía está siendo reorganizada alrededor de la inteligencia, necesitamos nueva teoría física. La Ley de Sorter propone: “La economía, como sistema adaptativo complejo, evoluciona para favorecer configuraciones que son más eficientes en crear modelos predictivos de su entorno.”

Esta ley reformula la economía como física de información y reducción de entropía. Las configuraciones económicas que mejor predicen el futuro pueden:

1. Asignar recursos más eficientemente

2. Reducir desperdicio (entropía)

3. Adaptarse más rápido a cambios

4. Capturar más valor

Esto puede descomponerse en tres términos:

Éxito Económico = −(Error Predictivo) − λ(Complejidad del Modelo) − μ(Costo de Actualización)

Donde:

• Error Predictivo: qué tan mal predices el futuro

• Complejidad del Modelo: cuántos recursos requiere tu modelo (penalización por sobreajuste)

• Costo de Actualización: cuánto cuesta incorporar nueva información

• λ y μ son parámetros de regularización

Los humanos tenemos costos de actualización altísimos: olvidamos, necesitamos dormir, nos sesgamos, requerimos años de entrenamiento. Los modelos de AI tienen costos de actualización que se aproximan a cero en el límite: una vez entrenados, replicarlos es casi gratuito. El costo marginal de inteligencia se colapsa hacia cero mientras su capacidad predictiva aumenta exponencialmente.

El GDP no puede capturar nada de esto. No mide error predictivo. No mide capacidad de modelo. No mide costos de actualización. Solo mide transacciones materiales, que son precisamente el residuo cada vez más pequeño de donde ocurre la creación de valor real.

El Abismo Metabolico: Capital ya no Necesita Trabajo

Aquí llegamos a la transición más tenaz de todas. Durante toda la historia capitalista, el capital necesitaba trabajo. Podías tener fábricas, pero necesitabas trabajadores para operarlas. Podías tener tierras, pero necesitabas campesinos para cultivarlas. Esta dependencia mutua creaba tensión productiva: los capitalistas querían salarios bajos, los trabajadores querían salarios altos, pero ambos necesitaban al otro.

Esa dependencia mutua se está rompiendo. Entre 2000 y 2016, la participación del trabajo en el ingreso nacional estadounidense cayó de 63.3% a 56.7%. Tres cuartos de toda la caída desde 1947 ocurrió en esos 16 años. McKinsey identificó cinco drivers:

1. Superciclos y boom-bust (33%): precios de commodities, ciclos inmobiliarios

2. Depreciación creciente y cambio a capital intangible (26%): la propiedad intelectual se deprecia más rápido

3. Efectos black holes y consolidación (18%): concentración de mercado

4. Sustitución de capital y tecnología (12%): automatización

5. Globalización y debilitamiento del poder de negociación laboral (11%): competencia de importaciones, declive sindical

El factor tecnología (12%) parece modesto, pero eso es retrospectivo. Proyecciones hacia adelante pintan imagen radicalmente diferente. McKinsey estima que AI generativa podría automatizar 15-30% de las horas de trabajo actuales para 2030, con punto medio en 2045 para automatizar el 50% de todo el trabajo. Goldman Sachs estima que AI podría reemplazar el equivalente a 300 millones de empleos de tiempo completo globalmente.

Más importante: AI no solo reemplaza trabajo; lo vuelve redundante más rápido de lo que se crean nuevas tareas. Entre 1947 y 1987, el efecto desplazamiento fue 0.48% anual, pero la reinstalación y productividad lo compensaron con creces (2.4% anual), resultando en crecimiento salarial real de 2.5% anual. Entre 1987 y 2017, el desplazamiento se aceleró a 0.70% anual mientras la reinstalación se desaceleró (0.47% a 0.35%), resultando en crecimiento salarial débil de 1.3% anual.

La brecha entre desplazamiento y reinstalación se está ampliando. Las nuevas tareas creadas requieren habilidades cada vez más especializadas que solo una fracción de trabajadores puede adquirir. Mientras tanto, AI se expande hacia dominios cognitivos complejos que antes eran refugios seguros: diagnóstico médico, análisis legal, programación de software, diseño creativo.

El Capital se Perpetúa a sí Mismo: el Juego del Flujo de Efectivo

Las empresas ya no necesitan ganar dinero en el sentido tradicional. Necesitan proyectar flujo de efectivo futuro creíble, no rentabilidad actual. OpenAI está valorado en $500B+ con relación precio-ingresos de 33x. Anthropic está valorado en 31x ingresos. Perplexity está valorada en 75x ingresos. Thinking Machines Lab de Mira Murati levantó la ronda seed más grande de la historia ($2B) para una valoración de $12B antes de tener producto.

Esto no es burbuja irracional. Es reconocimiento de que el capital de inteligencia tiene propiedades fundamentalmente diferentes al capital físico:

1. Costo marginal cero: replicar software no requiere nueva fabricación

2. Efectos de red exponenciales: el valor crece O(n²) con usuarios, no O(n)

3. Winner-takes-all: los efectos de red crean monopolios naturales

4. Compounding sin fricción: los modelos mejoran con datos sin límite físico obvio

En este régimen, la valoración no refleja flujos de efectivo presentes sino captura de flujos futuros mediante dominio de red. El capital de inteligencia, una vez establecido, se perpetúa sin necesitar trabajo humano adicional. El trabajo humano se vuelve OPEX opcional, no CAPEX esencial.

El GDP sigue midiendo solo las transacciones actuales, ignorando completamente estas dinámicas de valoración y las estructuras de capital que determinan quién captura valor futuro. Es como medir la salud de internet en los años 90 contando cables de cobre vendidos, ignorando el TCP/IP, los navegadores y los protocolos que realmente importaban.

3 Futuros Posibles: Feudalismo, Fragmentación o Simbiosis

Estamos ante una bifurcación histórica. El camino que tomemos determinará no solo quién prospera sino si el concepto de prosperidad compartida sobrevive.

Escenario 1: Feudalismo Digital — Un puñado de corporaciones controla AI, creando dependencia total. Los modelos propietarios (OpenAI, Anthropic, Google, xAI) dominan porque solo ellos pueden pagar los costos computacionales astronómicos ($100B+ para entrenar GPT-4). UBI mantiene a las personas como consumidores pero no como creadores. La renta fluye hacia los señores algorítmicos. La desigualdad se entroniza estructuralmente porque el capital de inteligencia es fundamentalmente no-redistributivo sin intervención. Este escenario parece cada vez más probable conforme las empresas de AI crecen exponencialmente mientras el empleo técnico cae incluso entre jóvenes de 20-30 años.

Escenario 2: Gran Fragmentación — Las naciones entran en pánico y construyen AI’s nacionales, sin confiar en nadie. Una nueva guerra fría con algoritmos en lugar de misiles. China acelera su desarrollo de AI independiente. La EU busca soberanía digital. Estados Unidos restringe transferencias de tecnología. El resultado: duplicación masiva de esfuerzos, balcanización de estándares, desperdicio de recursos globales en competencia de suma negativa, y riesgo de errores de coordinación con sistemas de AI incompatibles tomando decisiones críticas. Este escenario ya está en marcha con restricciones de exportación de semiconductores y regulaciones divergentes.

Escenario 3: Simbiosis Humana — Construimos sistemas económicos donde AI amplifica el propósito humano en lugar de reemplazarlo. Los modelos abiertos (Llama, Mistral, Gemma) democratizan el acceso. La propiedad de infraestructura de AI se distribuye mediante cooperativas, fidecomisos públicos o nuevas formas organizacionales. Los humanos se especializan en establecer valores, contextos éticos y prioridades mientras la AI maneja ejecución y optimización. Las métricas evolucionan desde el GDP hacia dashboards que miden bienestar, sostenibilidad y distribución. Este escenario requiere intervención política deliberada que actualmente no existe.

El escenario por defecto sin intervención es el Escenario 1 con elementos del Escenario 2. La trayectoria hacia simbiosis requiere acción consciente y rediseño institucional.

Rediseñando la Medición

No podemos arreglar lo que no medimos correctamente. El GDP debe permanecer como medida de capacidad productiva material, pero necesitamos complementarlo urgentemente con un dashboard multidimensional:

1. Índice de Valor Extendido (IVE): Captura capital M, I, N y D usando:

• M: PIB tradicional ajustado

• I: Inversión en intangibles + valoración de bienes digitales gratuitos (método GDP-B de Brynjolfsson)

• N: Métricas de efectos de red (usuarios × profundidad de interacción)

• D: Índice de Diversidad Económica (concentración sectorial inversa)

2. Distribución de Bienestar: No solo medias sino medianas y percentiles. El ingreso mediano creció 11% mientras productividad creció 70%. Esta brecha de 6x es información crítica que promedios ocultan.

3. Capital Natural Neto: Contabilidad ambiental que resta agotamiento de recursos y degradación. Nueva Zelanda y el sistema SEEA de la ONU muestran que esto es factible.

4. Índice de Sostenibilidad Intergeneracional: ¿Estamos mejorando o degradando las condiciones para generaciones futuras? Métricas de deuda, temperatura global, biodiversidad, reservas de agua dulce.

5. Tiempo y Autonomía: Prosperidad no es solo ingreso sino control sobre el tiempo propio. Medir horas de trabajo requeridas para subsistencia, tiempo discrecional disponible, flexibilidad laboral.

La transición no será fácil. La medición del GDP tiene 90 años de inercia institucional, infraestructura estadística masiva y coordinación internacional. Pero el precedente histórico es claro: entre la Revolución Industrial y el desarrollo del PIB pasaron 170 años de usar métricas inadecuadas. Ya llevamos 30+ años en la revolución digital usando herramientas de 1934. No podemos esperar otros 140 años.

La Inversión Existencial

Simon Kuznets terminó su reporte de 1934 con esta advertencia: “La valiosa capacidad de la mente humana de simplificar una situación compleja en una caracterización compacta se vuelve peligrosa cuando no se controla en términos de criterios definitivamente establecidos.”

Hemos fallado espectacularmente en controlar esta tendencia. Comprimimos la complejidad económica multidimensional a un solo número y luego optimizamos para ese número, ignorando todo lo demás. El resultado es que el cáncer es bueno para el GDP, los huracanes son buenos para el GDP, la adicción a opioides es buena para el GDP, y la destrucción de bosques es buena para el GDP. Mientras tanto, Wikipedia es invisible, el trabajo de cuidado no remunerado es invisible, la estabilidad climática es invisible, y la inteligencia artificial creando valor órdenes de magnitud más rápido que los humanos es en gran medida invisible.

La era de la inteligencia artificial no es solo otra transición tecnológica. Es una inversión ontológica en qué crea valor y quién lo captura. Medir esta transición con el PIB es como intentar navegar por coordenadas GPS usando un astrolabio medieval. Técnicamente ambos miden posición, pero uno fue diseñado para un mundo plano y el otro para un planeta esférico. No es que el astrolabio sea “malo”; simplemente opera en un paradigma ontológico diferente.

Estamos entrando en una economía donde el trabajo cognitivo humano tiene valor marginal decreciente en dominios cada vez más amplios, donde el capital se reproduce sin trabajo, donde la mayor parte del valor creado no aparece en transacciones de mercado, y donde la distribución de capacidades de inteligencia determinará la estructura de poder económico durante generaciones. Necesitamos sistemas de medición que capturen esta realidad, no que la oculten.

La pregunta no es si el GDP sobrevivirá. La pregunta es si esperamos otra crisis existencial para forzar la innovación en medición, o si actuamos proactivamente para construir los instrumentos que nos permitan navegar conscientemente la transformación más profunda en la organización económica humana desde que inventamos la agricultura. El PIB está muerto. Lo que construyamos para reemplazarlo determinará qué tipo de futuro habitaremos.

---

Todo lo que acabas de leer viene de The Last Economy de Emad Mostaque, creador de Stable Diffusion. Es la primera teoría económica completa derivada de primeros principios matemáticos para la era de la IA, y nunca había leído un libro tan rápido. Cuando la teoría describe con precisión la realidad que ves desmoronarse en tiempo real, cada página se vuelve urgente.

---