Ask HN: Si los modelos son tan buenos, ¿por qué OpenAI no empieza simplemente 100 empresas?
Si los grandes modelos de lenguaje son tan potentes, ¿por qué sus creadores no los usan simplemente para lanzar y dirigir por sí mismos decenas de empresas muy rentables? Los comentaristas sostienen que los laboratorios de IA siguen una estrategia clásica de “vender palas en una fiebre del oro”: centrarse en los modelos centrales, los chips y la venta de tokens, mientras dejan que otros asuman el riesgo de construir negocios especializados, para luego copiar o adquirir lo que funcione. Muchos también subrayan que los modelos actuales todavía carecen del juicio a largo plazo, la agencia social y la ejecución operativa necesarios para dirigir autónomamente empresas complejas, y que cualquier cosa lo bastante simple como para que un LLM la haga con facilidad probablemente esté demasiado comoditizada como para sostener un foso fuerte.
Palas frente a empezar empresas
- Metáfora dominante: los laboratorios de frontera están “vendiendo palas en una fiebre del oro” (modelos, tokens, silicio, capacidad en la nube) en lugar de buscar oro (dirigir 100+ negocios de cara al usuario final).
- Argumento: vender palas escala mejor, reparte el riesgo entre los clientes y evita competir directamente con esos mismos clientes.
- Contraargumento: si las palas son realmente tan buenas, ¿por qué no usarlas para construir una máquina de hacer dinero perpetua (por ejemplo, un fondo cuantitativo o negocios totalmente automatizados)?
Capacidades y límites del modelo
- Muchos sostienen que los modelos son potentes, pero todavía están lejos de poder dirigir de forma autónoma empresas complejas: les falta autonomía a largo plazo, juicio, creatividad y habilidades sociales/de relación.
- Se los ve excelentes en código, matemáticas y tareas acotadas, pero no en decidir qué construir, conseguir clientes o mantener cuentas clave.
- Algunos ven esto como mover los postes de la meta de “AGI ~ nivel humano en muchas tareas” a “AGI debe dirigir empresas enteras sin humanos”.
Economía, capital y riesgo
- Los laboratorios necesitan ingresos masivos y de rápido crecimiento para justificar inversiones enormes y mercados de capital ajustados; empezar 100 negocios arriesgados se ve como una distracción.
- Debate sobre “inversión vs. deuda”: legalmente distintas, pero ambas crean una presión intensa por ingresos y retornos.
- Algunos invocan la paradoja de Jevons: inteligencia más barata → mucha más demanda de ella, así que vender tokens/agentes es la vía de crecimiento más segura.
Estrategia de plataforma y ventaja de datos
- Hay consenso en que los laboratorios prefieren roles de plataforma: APIs, agentes, capas de aplicación, “forward deployed engineers” y spin-offs de producto dirigidos, en lugar de muchas empresas independientes.
- Vender tokens les permite observar patrones de uso y, con consentimiento, entrenar con datos de los clientes; más adelante pueden clonar o adquirir las ideas más exitosas.
Competencia, fosos y preocupaciones antimonopolio
- Dirigir 100 empresas pondría a los laboratorios en competencia con sus propios clientes (riesgo de ser “Sherlocked”), desincentivando la adopción y atrayendo a los reguladores.
- Algunos esperan una integración vertical eventual y spin-offs (consultoría, finanzas, descubrimiento de fármacos, SaaS especializado), pero solo de forma selectiva y cuando los modelos sean más fuertes.
Impactos en industrias existentes
- Se afirma que ciertos nichos (por ejemplo, tutoría/ayuda con tareas, fotos de stock, algunas traducciones y herramientas/SaaS de gama baja) ya han sido duramente golpeados; otros discrepan sobre cuán extendido está esto.
- La visión general: la IA abarata crear software, así que los fosos se desplazan hacia el conocimiento del dominio, las relaciones, la distribución y las operaciones físicas o intensivas en capital.
Escenarios futuros
- Algunos creen que los laboratorios acabarán automatizando y absorbiendo muchos mercados de software; otros piensan que la comoditización de los modelos y la competencia (incluida la del exterior) limitarán sus márgenes.
- El momento y la viabilidad de una empresa totalmente dirigida por IA se consideran ampliamente “inciertos”.