Something Has Changed Algo Ha Cambiado

Good's Question

To understand the frontier, it helps to revisit an old idea.

It explains much about why the people there think the way they do.

Earlier I mentioned Life 3.0, the book I read in college.¹ When the agents started doing the tax work successfully, I remembered Prometheus, the fictional AI at the center of its opening story.

But the basic idea behind Prometheus is much older than the book.

In 1965, a British mathematician named I. J. Good asked a surprisingly simple question.

What happens if we build a machine intelligent enough to help us build a better intelligent machine?

Imagine an AI that is not only good at writing, mathematics or research, but is also good at the work required to improve AI itself. Human researchers could use it to help design a more capable system. That better system could then help them make the next one better still.

If that process kept working, each generation could make it easier to create the one after it.

Good called the possible result an “intelligence explosion.”

He imagined that eventually this process might produce a machine whose intellectual abilities exceeded those of any human being. He called it an “ultraintelligent machine” and suggested that, if such a machine could help improve itself, it might become the last invention humanity ever needed to make on its own.²

The terminology came later.

Today, people often use artificial general intelligence, or AGI, to describe the possibility of an AI capable of doing a very broad range of intellectual work at roughly the level of a human being.

Go further and you reach artificial superintelligence, or ASI: a machine that does not merely match us, but becomes better than even the most capable humans across most kinds of intellectual work.

Nobody knows whether that path is actually possible.

But it is the path Life 3.0 asked me to imagine years ago.

In the book, a small group of researchers builds an AI called Prometheus, keeps it secret and uses it to improve the software behind the system itself. They then put that growing intelligence to work—writing software, conducting research, solving problems and creating media—and turn those abilities into businesses that finance more computing power, more people and a wider reach into the economy.

When I first read it, that was compelling science fiction.

Years later, what surprised me was discovering versions of the underlying question in documents written by the companies actually building today's most advanced AI systems.

OpenAI has a safety framework that tracks whether AI systems could become capable of substantially helping with AI research itself.³

Anthropic does something similar. As its systems become better at AI research, the company says stronger safeguards may become necessary.⁴

Google DeepMind also evaluates whether its systems could significantly speed up or automate parts of the research required to build more capable AI.⁵

For now, there is only one idea to keep in mind: AI is getting better at doing intellectual work. And one day, some of that work may include helping us build the next generation of AI.

That possibility once belonged mostly to mathematics and science fiction. Now some of the people building the technology are preparing for it.

That is where our visit to the frontier begins.

Who Is the Frontier

So what exactly do I mean by the frontier?

I mean the people and companies working at the edge of what technology can do—and trying to push that edge further. Most of them are in the United States, with China close behind.⁶

Start with OpenAI, the company behind ChatGPT, or Anthropic, the company behind Claude. Their researchers and engineers are building the increasingly capable AI systems we have been discussing.

But they cannot do that alone.

Those systems need powerful computers. NVIDIA designs the chips. Manufacturers such as TSMC turn those designs into physical processors. Microsoft, Amazon and Google build and operate enormous data centers where much of this computing takes place.

Power companies supply the electricity. Equipment manufacturers provide the machinery. Investors help finance the work.

Then there are the entrepreneurs turning these new capabilities into products and businesses, and the engineers, researchers and online voices whose ideas influence what people attempt next.

The frontier also extends into robotics, energy, advanced manufacturing, aviation and space.

When I refer to the frontier, I mean this connected world of people building new capabilities, financing them and debating where they might lead.

What they share is a belief that the technologies now taking shape could profoundly change how we live and work.

What Divides the Frontier

That is roughly where the agreement ends.

The frontier divides along several overlapping lines. Accelerationists want AI development to move quickly with minimal interference. Safety advocates believe stronger safeguards and clearer rules should arrive before the systems become much more capable; among them are the “doomers,” who believe advanced AI could pose catastrophic or even existential risks.

A separate argument concerns the technology itself. Some believe the methods behind today’s systems can continue producing major improvements. Others believe those methods will eventually hit a wall and that something more fundamental must change.

And some people are less interested in either prediction. Their question is more practical: does the technology work well enough, reliably enough and cheaply enough to be useful today?

These positions can overlap. Someone can believe present methods will keep improving while also demanding stronger safeguards—or support rapid development without believing that AGI is close.

From the outside, people at the technological frontier can sometimes look like prophets—people who somehow see a future the rest of us cannot.

But they are still feeling their way forward too.

They may know how to make the next system better without knowing what the tenth system after it will become.

The technology can feel like magic.

The people building it are not magicians.

There is no secret map of the future—and, to me, that is a strangely refreshing idea.

Where the Frontier Stands Now

When ChatGPT first appeared in 2022, what most people encountered was a chatbot. It could answer questions, summarize things and write surprisingly well. It could also make basic mistakes, invent facts and state things confidently that simply were not true.

A lot has changed in four years. Back in 2019, GPT-2’s breakthrough was that it could generate coherent paragraphs at all. GPT-3 was better, but it still needed a great deal of help. Even GPT-4—the breakthrough model released in 2023—had an estimated IQ of around 85 on TrackingAI’s test in early 2024.⁷

By spring 2026, OpenAI’s strongest model was scoring around 150 on the same test.⁸ In about two years, that score had risen by more than sixty points.

That comparison gives us a familiar way to understand the speed of the change, but not a complete picture of the intelligence itself. AI is not climbing one smooth ladder; its capabilities are uneven.

Frontier models can perform at gold-medal level in international mathematics and answer difficult questions across physics, chemistry and biology, yet still fall short of most people at something as ordinary as reading an analog clock.^9,10,11 They tend to be strongest on tightly defined problems where the information is available digitally, the objective is clear and the answer can be checked. Within those boundaries, their speed, breadth and consistency can already surpass most people—and sometimes experts—without making them better mathematicians, scientists or programmers in every meaningful sense.

Then there are tasks where AI is now roughly comparable to capable professionals. Give a frontier system a clear assignment and the relevant information, and it can produce a report, spreadsheet, presentation, project schedule, financial analysis, working webpage or manufacturing diagram that looks like finished professional work.

One recent benchmark tested assignments drawn from 44 different occupations. On those tasks, one frontier model matched or exceeded the work of experienced professionals in 83 percent of comparisons.^12,13

This does not mean it could replace 83 percent of those professionals. The benchmark asked for defined pieces of work, not entire jobs. But the systems are no longer merely producing interesting answers inside a chat window. They are beginning to produce the kinds of things people are paid to produce.

They can also use tools. When given access, an AI can search large amounts of information, write and test software and increasingly operate a computer itself—working across programs such as Excel, Word, PowerPoint and even the ERP systems companies use to manage accounting, inventory, purchasing and operations.

These were the same basic capabilities I had watched the agents use to complete the tax work. They are what begin to turn a chatbot into an agent.

Where people remain decisively better is in the messier work surrounding the assignment. Real work comes with missing information, unclear objectives, judgment calls, changing circumstances, unspoken expectations and responsibility for what happens when something goes wrong.

A person can notice that the assignment itself does not make sense, ask which problem is actually worth solving and recognize that the numbers may be correct while the conclusion is wrong. Current AI systems still struggle with those parts of work.

They also struggle to remain reliable as assignments become longer.

METR, an independent organization that measures AI capabilities, asks how long a task would take a human expert and then measures how often an AI can finish it successfully. METR estimated that the strongest shared model could complete test tasks representing roughly two working days of expert effort about half the time. The estimate was uncertain because the test was nearing its measurement limits.¹⁴

That sounds extraordinary. But a worker who successfully completes an assignment only half the time cannot be trusted with it. Raise the standard to 80 percent reliability and the horizon contracts to roughly three hours of expert work.¹⁴

That is where the frontier stands now: extraordinarily capable without being consistently dependable. And yet, even at this uneven stage, AI is already useful enough to change the economics of intelligence.

Economics of Scalable Intelligence

Something unusual is happening in AI: as the systems become more capable, they are also becoming dramatically cheaper to use. Recent estimates suggest that the cost of reaching a given level of AI performance has been falling roughly five- to tenfold per year.¹⁵ The exact pace will vary, but the direction is clear: useful AI keeps getting cheaper. That is being driven by both better algorithms and more efficient computing hardware.

We have seen what economics like this can do before. Think about airplanes. In the early years of commercial aviation, flying was expensive and relatively exclusive. As aircraft improved, they could carry more passengers farther and more efficiently. The result was not simply that the same people took the same flights for less money. Routes that once made no economic sense became viable, more people could afford to fly, and more destinations could support regular service.

Perhaps the Dominican Republic would not have become the tourism powerhouse it is today without those economics at work. Cheaper and more accessible air travel helped make vastly more travel worth doing.

AI is beginning to show signs of the same pattern. There is already an enormous amount of useful thinking that we simply cannot afford to do today because much of modern life is built around rationing human attention.

Take a call center. It may handle thousands of conversations while its quality team can manually review only a fraction of them. Traditionally, that means sampling calls because reviewing everything by hand would require too much time and money. The same constraint appears throughout companies. Some things are checked by sample, others are reviewed periodically, and some controls are never created because performing them would cost more than they are likely to save.

Public institutions face the same arithmetic. There are only so many filings, applications, records, transactions and anomalies that people can examine closely. Lower the cost of intelligence enough and those calculations begin to change. A call center can examine far more conversations. A finance department can investigate discrepancies that were previously too small to deserve someone’s time. Controls that once cost more to perform than they were likely to save can begin to make sense.

The important change is not simply doing the same amount of thinking for less. It is making more thinking worth doing.

Economists have a name for a version of this pattern: the Jevons paradox. When something useful becomes much cheaper or more efficient, people do not necessarily consume less of it. They often find new reasons to consume more.

An early example comes from OpenRouter, a service that gives people access to many different AI models. TD Cowen analysts studying its usage data found that, over a short period, the effective price of one widely used model fell roughly tenfold while consumption rose roughly fourteenfold.¹⁶ A much broader OpenRouter study, covering more than 100 trillion tokens of real-world use, found a similar pattern: very cheap, fast models found their way into more tasks and ultimately consumed more total tokens.¹⁷

Demand for intelligence is not fixed. As the price falls, more places where using it makes economic sense begin to appear.

That means the economic case for AI does not depend on reaching AGI. There is already substantial value in doing work we perform today more cheaply—and in making useful work that was previously too expensive worth doing at all.

But some of the frontier’s most ambitious bets go further. They are built around the possibility that while intelligence becomes cheaper, the systems producing it will also keep becoming more capable.

So what separates today’s agents from AGI?

The Path to AGI

For those who believe AGI still lies ahead, several gaps remain. Today’s systems already possess many of the individual skills. The challenge is combining those skills reliably across unfamiliar situations, over long periods and with much less human help.

More intelligence on a test is not enough. The practical transition toward AGI would be a widening of what these systems can be trusted to do.

Start with reliability. A small error rate may be manageable when a system performs one task, but it becomes a much larger problem when a job contains dozens of connected steps. To handle an entire workflow, an AI must be able to catch its mistakes, recognize uncertainty, recover when something goes wrong and know when it needs to ask for help.

Opening an ERP system and moving information is one level of capability. Understanding why the numbers do not reconcile, finding what information is missing, adapting when a rule changes and knowing when a judgment requires a person is another.

Then comes time. The hours we just saw would have to stretch into days and weeks. A system would have to remember the objective, break it into parts, preserve context, respond to new information and continue working without a person repeatedly explaining what to do next.

Another gap is adaptation. Current agents can adjust within a conversation and can be given external memory, but they do not simply finish a difficult month, absorb every lesson and return permanently wiser the next morning. A human can. Closing that gap—or finding another reliable way around it—is part of the path.

Finally, there is breadth. AGI would not mean perfection, but it would mean broad competence across most kinds of intellectual work: the ability to enter a new field, learn its rules and become useful without a different system having to be specially built for every task.

To picture that, imagine access to something like a highly capable person: a mind able to pick up almost any field remarkably quickly. Give it the reading speed of a machine, access to nearly all the recorded information it is permitted to use, the ability to connect enormous amounts of material and the capacity to work without becoming tired or distracted.

The same system could move between a company’s finances, software, legal questions and strategy; teach itself what it needed to know; use the relevant tools; test solutions; and carry work through to completion. It would not necessarily surpass the greatest specialist in every field—that is the next horizon—but it could learn and perform most intellectual work a capable person can.

Some of the people leading the frontier now describe that possibility on remarkably short timelines. Sam Altman has written that OpenAI is confident it knows how to build AGI as traditionally understood.¹⁸ Demis Hassabis, who leads Google DeepMind, expects it around 2030, give or take a year.¹⁹

Elon Musk puts an earlier date on broad digital capability. In August 2026, he predicted that AI would be able to do “anything digital” at “a superhuman level” by the end of 2027. His exception was work that requires physically “shaping atoms.”²⁰

They may be wrong. But the revealing point is not which prediction proves correct. It is that the people building some of the world’s most advanced systems are now thinking in years, not generations.

Some at the frontier believe the AGI threshold has already been crossed. In September 2026, Jensen Huang, NVIDIA’s chief executive, pointed to the NVIDIA hardware used to train OpenAI’s GPT-6 Astra and declared: “AGI has arrived.”²¹

There may be no universally agreed moment when the line is crossed. The transition could look more like a gradual disappearance of supervision. An assistant helps with a task. An agent completes a workflow. A digital worker manages many workflows. Eventually, a more general system can move between fields and learn new kinds of work much as a capable person can.

People may still be arguing over whether to call it AGI after the relationship with the machine has already changed.

Many at the frontier also believe the pace of improvement will not merely continue, but accelerate. One reason brings us back to Good’s original question.

What happens when some of that growing intelligence is used to help build the next generation of AI?

A limited version of that is already happening.

In its August 2026 Risk Report, Anthropic says Claude is now used extensively in its own research and engineering—not only as an assistant, but through agents that can keep working on tasks over time. Claude, it says, now writes a large majority of the code that ultimately enters the company’s production systems. Anthropic believes this is already making its AI research significantly faster, although not yet twice as fast overall.²²

OpenAI describes a similar shift. In September 2026, it reported reaching what it calls an “automated research intern”: AI that can carry out clearly defined research tasks under human direction, including work that would take a skilled researcher a few days. Its researchers report writing code faster and running more experiments. By mid-August, agents were collectively running for roughly three hours for every hour of human work in its research organization.²³

In plain language, companies building AI are already using AI as part of the workforce that builds AI.

But this is not Prometheus or the self-accelerating loop often called recursive self-improvement. Anthropic says its models cannot yet substitute for its full research staff.²² At both companies, people still decide which problems matter, judge uncertain results and decide what gets built.

The loop still has people in the middle. But some of the work between those decisions is now being done by AI—and both companies say that is already making the process faster. AI has entered the process through which the next AI is built.

Good’s loop has not arrived.

One of its ingredients has.

The Path to ASI — The Extreme Mind Horizon

One ingredient is enough to raise the next question.

What happens if the AI helping to build the next AI eventually becomes better at that work than the people directing it?

That is where AGI begins to give way to ASI.

We just imagined access to something like a highly capable person: a general intelligence able to learn and perform most intellectual work a capable human can.

Artificial superintelligence asks us to go much further.

Instead of one mind operating around the level of a highly capable person, imagine a system that is better than the greatest human specialists across field after field. Better than our best programmers at building software. Better than our best biologists at understanding disease. Better than our best mathematicians at finding proofs, our best engineers at designing machines and our best strategists at seeing possibilities others miss.

Now give that intelligence the speed of software. Allow it to read, reason and communicate many times faster than a person can. Then make it possible to run not one copy, but millions.

Each copy could work independently or cooperate with the others. One group could study cancer. Another could search for better ways to produce and store energy. Others could design materials, prove theorems, write software, direct laboratory experiments or work on improving the AI systems themselves. They could exchange results, divide problems into parts and pursue many possible solutions at once.

This is the scenario Dario Amodei calls a “country of geniuses in a datacenter.”²⁴

The phrase matters because it captures something that the word intelligence alone can hide. This would not be one extraordinary mind operating alone. It would be a vast population of them—working at machine speed, available through software and able to concentrate enormous amounts of attention on problems humanity has never been able to examine so deeply.

At that point, the important change would not be that a machine could answer harder questions on an exam.

It would be that machines might begin finding answers humanity does not have.

And perhaps more importantly, they might begin asking questions humanity does not yet know how to ask.

A treatment nobody had discovered. A material nobody had invented. A proof nobody had found. A better way to generate or store energy. A design humans had never considered.

And then another.

And another.

The deeper transformation would not be any single discovery. It would be the possibility that discovery itself becomes easier to produce.

That is why Amodei has described a possible “compressed twenty-first century”: advances in biology and medicine that might otherwise take human researchers fifty or a hundred years arriving in five or ten.²⁴

It is a forecast, not a promise.

Scientific ideas still have to survive experiments, clinical trials and the physical world. But it gives the idea of superintelligence a concrete meaning.

Some of the people leading the frontier are already looking beyond AGI—and, crucially, they do not necessarily imagine a long interval between AGI and superintelligence.

Altman has written that OpenAI is beginning to turn its aim beyond AGI toward “superintelligence in the true sense of the word.”¹⁸ In January 2026, Amodei wrote that the kind of powerful AI he describes could be as little as one or two years away, although he acknowledged that it could take considerably longer.²⁵ Ilya Sutskever, one of the most influential researchers behind modern AI, left OpenAI in 2024 to establish a company with “one goal and one product: a safe superintelligence.”²⁶

The important point is not any particular date. It is the compressed sequence their thinking suggests. AGI may not be a destination at which progress pauses for decades. It may be a threshold. Once AI can perform most intellectual work—and increasingly help build the systems that come after it—the movement toward ASI could begin before the world has fully absorbed the arrival of AGI itself.

None of this proves that their timelines are correct. But they are organizing laboratories, careers and enormous amounts of capital around the possibility that AGI and ASI will not arrive as separate technological eras. One may follow directly from the other.

History gives us a limited sense of what sustained technological acceleration can feel like. At the beginning of the twentieth century, most homes lacked electric light, cars were rare and there were no airplanes, television or antibiotics. Then electricity spread, cars and paved roads became ordinary, radio and television arrived, air conditioning changed where people could live, antibiotics transformed medicine and airplanes began crossing oceans in hours. Sixty-six years after the first powered flight, human beings walked on the Moon.

One lifetime.

Then the miracles became furniture. Cars became traffic. Electricity became a bill. Air conditioning became something we noticed when it broke. Supermarkets became errands.

But the deeper lesson is that these inventions reinforced one another. Better machines made better factories possible. Electricity enabled new machines. Mass production lowered costs. Better instruments accelerated science, and new knowledge produced better tools.

Progress began producing more capacity for progress.

Now apply that pattern to intelligence itself. This is what it would mean to multiply thought.

Intelligence is the tool humanity used to design the engines, harness electricity, discover antibiotics, build factories, create computers and eventually reach the Moon. It is the tool we use to create every other tool.

If that tool became far more powerful—and could be copied, accelerated and directed toward thousands of problems at once—the consequences would reach far beyond the AI industry. It could change what one person can accomplish, what a small company can attempt, what a university can research and what an entire country can build. Expertise that today must be assembled person by person could increasingly become something people access digitally.

But greater intelligence would not make physical constraints disappear.

A brilliant design still has to be built. A promising treatment still has to prove that it works safely in the human body. Experiments still take time. Energy has to be produced. Materials have to be moved. Institutions still have to decide what should be done. Some problems may remain extraordinarily difficult no matter how intelligent the system becomes.

Reality still gets a vote.

But perhaps the bottleneck begins to move. Problems once limited by the number of minds available to think about them could become limited instead by laboratories, equipment, energy, capital, institutions and the physical world.

A civilization with access to vastly more intelligence than the civilization that built it.

That is the promise hidden inside the word superintelligence.

But if the bottleneck moves from thinking to building, the next frontier is physical.

The Bet Becomes Physical

For all the uncertainty surrounding AGI and superintelligence, one fact is already visible: the world’s largest technology companies are committing extraordinary amounts of capital to AI infrastructure.

One reason the bet has become so large is simple: AI is already producing measurable economic value.

Meta’s AI-powered advertising products have reached an annual revenue run rate of more than $75 billion.²⁷ The AI business inside Amazon Web Services has passed $25 billion a year and is growing rapidly.²⁸

That demand is now translating into one of the largest infrastructure buildouts in world history.

Amazon, Alphabet, Microsoft and Meta together expect to direct roughly three-quarters of a trillion dollars into capital investment in their current budget years.^27,29,30,31 Not every dollar is for AI, but all four keep telling investors that AI and cloud demand are major reasons they need more capacity.

Can it pay for itself? Morgan Stanley’s model of renting out AI computing power projects a return on invested capital of roughly 31 percent—a projection, not a return already booked, but a sign the infrastructure can be profitable even before AGI arrives.³²

And even with spending on that scale, some are struggling to build fast enough. Google says demand continues to exceed the computing capacity it has available.³³ Microsoft says the same thing about parts of its cloud business.³¹

This buildout is still in its early stages, but its clearest example may already be in Memphis.

There, SpaceX—which absorbed the AI company xAI earlier in 2026—now operates Colossus, likely the largest AI supercomputing complex in the world.³⁴

The more revealing evidence, though, is what happened next: competing AI companies began renting computing power from one another.

Anthropic makes Claude; SpaceX’s AI business makes Grok. In May 2026, Anthropic agreed to use computing capacity across Colossus 1 and Colossus 2. The agreement calls for payments of $1.25 billion a month.³⁴

About $15 billion a year.

And Anthropic is not alone. Google—the same company that says it cannot build fast enough—has also signed an agreement to rent computing capacity from SpaceX.³⁵

At that point, it becomes difficult to think of AI as only a software business.

The intelligence is digital. The infrastructure that runs it is physical.

It starts with chips. Those chips need buildings. The buildings need electricity, cooling and network connections. The power may require substations, transmission lines and new generation. All of it requires land, equipment, engineers, construction crews, financing and years of planning.

Seen through the horizon we have just imagined, those data centers begin to look different.

Behind the largest bets is a belief that useful intelligence can be produced at enormous scale—and that more of it could mean more code written, more research completed, more discoveries made and more technologies built.

The people making those bets do not know how far the technology will go or how quickly it will get there. Progress may slow. Companies can build too much, too early or at the wrong price.

But they are already building around the possibility.

The chips are being ordered. The buildings are going up. The power is being found. And companies are signing billion-dollar agreements to use what exists.

What began as a race to build better software is becoming a race to build the physical infrastructure required to run it.

And the data center is only the beginning.

What happens when that intelligence begins to guide machines through the physical world?

La Pregunta de Good

Para entender la frontera tecnológica, es necesario volver a una vieja idea.

Explica mucho de por qué la gente que está allí piensa como piensa.

Antes mencioné Life 3.0, el libro que leí en la universidad.¹ Cuando los agentes empezaron a hacer bien el trabajo de impuestos, me acordé de Prometheus, la IA ficticia que protagoniza la historia con la que abre el libro.

Pero la idea básica detrás de Prometheus es mucho más antigua.

En 1965, un matemático británico llamado I. J. Good se hizo una pregunta sorprendentemente sencilla.

¿Qué pasa si construimos una máquina lo bastante inteligente como para ayudarnos a construir una máquina inteligente mejor?

Imaginemos una IA que no solo sea buena para escribir, hacer matemáticas o investigar, sino también para el trabajo de mejorar la propia IA. Los investigadores humanos podrían apoyarse en ella para diseñar un sistema más capaz. Y ese nuevo sistema podría ayudarlos a hacer el siguiente todavía mejor.

Si ese proceso sigue funcionando, cada generación podría hacer más fácil crear la siguiente.

Good llamó a ese posible resultado una “explosión de inteligencia”.

Imaginó que, con el tiempo, este proceso podría producir una máquina cuyas capacidades intelectuales superaran las de cualquier ser humano. La llamó “máquina ultrainteligente” y sugirió que, si esa máquina pudiera ayudar a mejorarse a sí misma, podría convertirse en el último invento que la humanidad tendría que hacer por su cuenta.²

La terminología llegó después.

Hoy se suele hablar de inteligencia artificial general, o IAG (AGI, por sus siglas en inglés), para describir la posibilidad de una IA capaz de hacer trabajos intelectuales muy variados, más o menos al nivel de un ser humano.

Un paso más allá está la superinteligencia artificial, o SIA (ASI, por sus siglas en inglés): una máquina que no solo nos iguala, sino que llega a superar incluso a las personas más capaces en la mayoría de los trabajos intelectuales.

Nadie sabe todavía si ese camino es realmente posible.

Pero es el camino que Life 3.0 me invitó a imaginar hace años.

En el libro, un pequeño grupo de investigadores construye una IA llamada Prometheus, la mantiene en secreto y la usa para mejorar el software del propio sistema. Después pone a trabajar esa inteligencia, que no deja de crecer, en escribir software, investigar, resolver problemas y crear contenido. Y convierte esas capacidades en negocios que pagan más poder de cómputo, más gente y un alcance cada vez mayor en la economía.

Cuando lo leí por primera vez, aquello solo era ciencia ficción.

Años después, lo que me sorprendió fue encontrar versiones de esa misma pregunta de fondo en documentos escritos por las empresas que de verdad están construyendo los sistemas de IA más avanzados de hoy.

OpenAI, la empresa de ChatGPT, tiene un marco de seguridad que vigila si los sistemas de IA podrían llegar a ayudar de manera sustancial en la investigación de la propia IA.³

Anthropic, la empresa detrás de Claude, hace algo parecido. A medida que sus modelos mejoran en investigación de IA, la empresa dice que podrían hacer falta sistemas de seguridad más fuertes.⁴

Google DeepMind también evalúa si sus sistemas podrían acelerar mucho, o automatizar, parte de la investigación que hace falta para construir una IA más capaz.⁵

Por ahora, basta con quedarse con una idea: la IA es cada vez mejor haciendo trabajo intelectual. Y algún día, parte de ese trabajo podría incluir ayudarnos a construir la próxima generación de IA.

Antes, esa posibilidad era casi exclusiva de las matemáticas y la ciencia ficción. Hoy, algunas de las personas que construyen la tecnología se están preparando para ella.

Ahí empieza nuestra visita a la frontera.

Quiénes Forman la Frontera

Entonces, ¿a qué me refiero exactamente con la frontera?

Me refiero a las personas y empresas que trabajan en el límite de lo que la tecnología puede hacer, y que tratan de empujar ese límite más allá. La mayoría están en Estados Unidos, y China viene muy de cerca.⁶

Empecemos por OpenAI o Anthropic. Sus investigadores e ingenieros construyen esos sistemas de IA, cada vez más capaces, de los que hemos venido hablando.

Pero no pueden hacerlo solos.

Esos sistemas necesitan computadoras potentes. NVIDIA diseña los chips. Fabricantes como la taiwanesa TSMC convierten esos diseños en procesadores físicos. Microsoft, Amazon y Google construyen y operan enormes centros de datos, donde se hace buena parte de ese cómputo.

Las empresas eléctricas suministran la energía. Los fabricantes de equipos aportan la maquinaria. Los inversionistas ayudan a financiar el trabajo.

Luego están los emprendedores que convierten estas nuevas capacidades en productos y negocios, y los ingenieros, investigadores y voces en internet cuyas ideas influyen en lo que otros se animan a hacer después.

La frontera también se extiende a la robótica, la energía, la manufactura avanzada, la aviación y el espacio.

Cuando hablo de la frontera, me refiero a este mundo conectado de personas que construyen nuevas capacidades, las financian y discuten hacia dónde podrían llevarnos.

Lo que tienen en común es la convicción de que las tecnologías que hoy están tomando forma podrían cambiar de raíz cómo vivimos y trabajamos.

Lo Que Divide a la Frontera

Más o menos ahí termina el acuerdo.

La frontera se divide en varias líneas que se superponen. Los “aceleracionistas” quieren que el desarrollo de la IA avance rápido y con la menor interferencia posible. Los defensores de la seguridad creen que primero hacen falta salvaguardas más fuertes y reglas más claras, antes de que los sistemas sean mucho más capaces. Entre ellos están los llamados “doomers”, los más pesimistas, que creen que la IA avanzada podría traer riesgos catastróficos, o incluso poner en peligro la existencia misma de la humanidad.

Otra discusión tiene que ver con la tecnología en sí. Algunos piensan que los métodos detrás de los sistemas actuales todavía pueden dar grandes mejoras. Otros creen que esos métodos, tarde o temprano, van a chocar contra un muro y que tendrá que cambiar algo más de fondo. Según ellos, en algún momento la IA dejará de volverse más inteligente.

Y a otros les interesan menos las dos predicciones. Su pregunta es más práctica: ¿la tecnología funciona lo bastante bien, es lo bastante confiable y sale lo bastante barata como para ser útil hoy?

Estas posiciones se pueden mezclar. Alguien puede creer que los métodos actuales seguirán mejorando y, al mismo tiempo, exigir salvaguardas más fuertes, o apoyar un desarrollo rápido sin creer que la IAG esté cerca.

Desde afuera, quienes están en la frontera tecnológica a veces parecen profetas: gente que de algún modo ve un futuro que los demás no alcanzamos a ver.

Pero ellos también van descubriendo el camino sobre la marcha.

Puede que sepan cómo mejorar el próximo sistema sin saber en qué se convertirá el décimo que venga después.

La tecnología puede parecer magia.

Quienes la construyen no son magos.

No hay un mapa secreto del futuro y, para mí, esa es una idea sumamente refrescante.

Dónde Se Encuentra la Frontera Hoy

Cuando ChatGPT apareció en 2022, lo que la mayoría de la gente conoció fue un chatbot: un programa con el que se conversa por escrito. Podía responder preguntas, resumir cosas y escribir sorprendentemente bien. También podía cometer errores básicos, inventar datos y afirmar con total seguridad cosas que sencillamente no eran ciertas.

En cuatro años han cambiado muchas cosas. En 2019, el gran logro de GPT-2 era, simplemente, que podía escribir párrafos con sentido. GPT-3 era mejor, pero todavía necesitaba mucha ayuda. Incluso GPT-4, el modelo que en 2023 marcó un antes y un después, tenía a principios de 2024 un coeficiente intelectual estimado de alrededor de 85 en la prueba de TrackingAI, un sitio que somete a los modelos de IA a pruebas de ese tipo.⁷

Para abril de 2026, el modelo más potente de ChatGPT ya rondaba los 150 puntos en esa misma prueba.⁸ En unos dos años, había subido más de sesenta puntos.

Esa comparación nos da una forma conocida de ver qué tan rápido va el cambio, pero no un retrato completo de la inteligencia en sí. La IA no avanza de manera pareja: sus capacidades son desiguales.

Los modelos de frontera —los más avanzados de cada momento— pueden rendir a nivel de medalla de oro en la Olimpiada Internacional de Matemáticas y responder preguntas difíciles de física, química y biología, y aun así quedarse por debajo de la mayoría de las personas en algo tan sencillo como leer un reloj de agujas.^9,10,11 Donde mejor les va es en problemas bien delimitados, en los que la información está en formato digital, el objetivo es claro y la respuesta se puede comprobar. Dentro de esos límites, ya pueden superar a la mayoría de las personas —y a veces a los expertos— en velocidad, amplitud y consistencia, sin que eso los convierta en mejores matemáticos, científicos o programadores en todo lo que de verdad importa.

Luego están las tareas en las que la IA ya está más o menos a la altura de un buen profesional. Si a un sistema de frontera se le pide algo con claridad y se le da la información necesaria, puede entregar un informe, una hoja de cálculo en Excel, una presentación, un cronograma de proyecto, un análisis financiero, una página web que funciona o un diagrama de manufactura que parece trabajo profesional terminado.

Una prueba reciente tomó encargos de 44 ocupaciones distintas. En esas tareas, un modelo de frontera igualó o superó el trabajo de profesionales con experiencia en el 83% de las comparaciones.^12,13

Eso no significa que pudiera reemplazar al 83% de esos profesionales. La prueba pedía tareas concretas, no empleos completos. Pero los sistemas ya no se limitan a producir respuestas interesantes dentro de una ventana de chat. Empiezan a hacer el tipo de cosas por las que a la gente se le paga.

También pueden usar herramientas. Si se le da acceso, una IA puede buscar entre enormes cantidades de información, escribir y probar software y, cada vez más, manejar una computadora por su cuenta: pasar de un programa a otro, como Excel, Word, PowerPoint e incluso los sistemas ERP que las empresas usan para llevar la contabilidad, el inventario, las compras y las operaciones.

Eran las mismas capacidades básicas que había visto usar a los agentes para completar el trabajo de impuestos. Son las que empiezan a convertir un chatbot en un agente.

Donde las personas siguen siendo claramente mejores es en lo que rodea a la tarea: la parte menos obvia y más desordenada del trabajo. En la vida real, el trabajo viene con información que falta, objetivos poco claros, decisiones de criterio, circunstancias que cambian, expectativas que nadie dice en voz alta y la responsabilidad por lo que pase cuando algo sale mal.

Una persona puede darse cuenta de que el encargo en sí no tiene sentido, preguntar cuál es el problema que de verdad vale la pena resolver y reconocer que los números pueden estar bien mientras la conclusión está mal. Esa parte del trabajo todavía se les hace difícil a los sistemas de IA actuales.

También les cuesta seguir siendo confiables mientras más largo es el encargo.

METR, una organización independiente que mide las capacidades de la IA, calcula cuánto tiempo le tomaría una tarea a un experto humano y luego mide cuántas veces una IA logra terminarla bien. METR estimó que el modelo más fuerte que evaluó podía completar, más o menos la mitad de las veces, tareas que a un experto le tomarían unos dos días de trabajo. El cálculo no era del todo seguro, porque la prueba ya estaba llegando al límite de lo que puede medir.¹⁴

Suena extraordinario. Pero a un empleado que solo termina bien un encargo la mitad de las veces no se le puede confiar ese encargo. Si se sube la exigencia al 80% de confiabilidad, el horizonte se reduce a unas tres horas de trabajo de un experto.¹⁴

Ahí está hoy la frontera: capaz de cosas extraordinarias, pero todavía no del todo confiable. Y aun así, incluso en esta etapa tan desigual, la IA ya es lo bastante útil como para cambiar la economía de la inteligencia.

La Economía de la Inteligencia Escalable

Algo poco común está pasando con la IA: mientras más capaces se vuelven los sistemas, muchísimo más barato sale usarlos. Según estimaciones recientes, alcanzar un mismo nivel de desempeño en IA se ha vuelto entre cinco y diez veces más barato cada año.¹⁵ El ritmo exacto variará, pero la dirección es clara: la IA útil sigue bajando de precio. Detrás de eso hay mejores algoritmos y computadoras más eficientes.

Ya hemos visto lo que pasa cuando el costo de las cosas sigue bajando. El ejemplo que me gusta usar es el de los aviones. En los primeros años de la aviación comercial, volar era caro y para pocos. A medida que los aviones mejoraron, podían llevar más pasajeros, más lejos y gastando menos. El resultado no fue simplemente que la misma gente tomara los mismos vuelos por menos dinero. Rutas que antes no eran negocio empezaron a serlo, más personas pudieron pagarse un pasaje y más destinos pudieron tener vuelos regulares.

Quizás la República Dominicana no hubiese llegado a ser la potencia turística que es hoy sin esa dinámica en marcha. Que volar fuera más barato y más accesible hizo que muchísimos más viajes valieran la pena.

La IA empieza a mostrar el mismo patrón. Ya existe muchísimo pensamiento útil que hoy sencillamente no nos podemos dar el lujo de hacer, porque gran parte de la vida moderna está organizada para racionar la atención humana.

Tomemos como ejemplo un call center. Puede atender miles de conversaciones, pero su equipo de calidad solo alcanza a revisar a mano una parte. Por eso, lo normal es escuchar solo una muestra de las llamadas, porque oírlas todas tomaría demasiado tiempo y dinero. Lo mismo pasa en todas las empresas. Algunas cosas se verifican por muestreo, otras se revisan cada cierto tiempo, y algunos controles nunca se crean porque costarían más de lo que probablemente ahorrarían.

En las instituciones públicas, la cuenta es la misma. Las personas solo pueden examinar a fondo cierta cantidad de declaraciones, solicitudes, expedientes, transacciones y anomalías. Si la inteligencia se abarata lo suficiente, esas cuentas empiezan a cambiar. Un call center puede revisar muchas más conversaciones. Un departamento de finanzas puede investigar diferencias que antes eran demasiado pequeñas para que alguien les dedicara tiempo. Y controles que antes costaban más de lo que iban a ahorrar pueden empezar a tener sentido.

Lo importante no es solo pensar lo mismo por menos dinero. Es que valga la pena pensar más.

Los economistas tienen un nombre para una versión de este patrón: la paradoja de Jevons, por el economista inglés del siglo XIX que la describió. Cuando algo útil se vuelve mucho más barato o más eficiente, la gente no necesariamente consume menos. A menudo encuentra nuevas razones para consumir más.

Un ejemplo temprano viene de OpenRouter, un servicio que da acceso a muchos modelos de IA distintos. Analistas del banco de inversión TD Cowen estudiaron sus datos de uso y encontraron que, en poco tiempo, el precio real de un modelo muy usado bajó a cerca de una décima parte, mientras su consumo se multiplicó por cerca de catorce.¹⁶ Un estudio mucho más amplio, hecho con datos de OpenRouter, abarcó más de 100 billones (millones de millones) de tokens de uso real; los tokens son los pedacitos de texto que lee y escribe un modelo. Encontró un patrón parecido: los modelos muy baratos y rápidos se fueron metiendo en más tareas y terminaron consumiendo más tokens en total.¹⁷

La demanda de inteligencia no es fija. Mientras más baja el precio, más lugares aparecen donde usarla tiene sentido económico.

Eso quiere decir que el negocio de la IA no depende de llegar a la IAG. Ya hay mucho valor en abaratar el trabajo que hacemos hoy, y en que por fin valga la pena hacer trabajo útil que antes salía demasiado caro.

Pero algunas de las apuestas más ambiciosas de la frontera van más allá. Parten de la posibilidad de que, mientras la inteligencia se abarata, los sistemas que la producen sigan volviéndose más capaces.

Entonces, ¿qué separa a los agentes de hoy de la IAG?

El Camino Hacia la Inteligencia Artificial General

Para quienes creen que la IAG todavía está por llegar, quedan varias brechas. Los sistemas actuales ya tienen muchas de las habilidades por separado. El reto es combinarlas de manera confiable en situaciones desconocidas, durante largos períodos y con mucha menos ayuda humana.

Sacar más puntos en un examen no basta. En la práctica, llegar a la IAG significaría poder confiarles cada vez más cosas a estos sistemas.

Empecemos por la confiabilidad. Una tasa de error pequeña se puede manejar cuando un sistema hace una sola tarea, pero se vuelve un problema mucho mayor cuando el trabajo tiene decenas de pasos encadenados. Para encargarse de un flujo de trabajo completo, una IA tiene que poder detectar sus propios errores, darse cuenta de cuándo no está segura, recuperarse cuando algo sale mal y saber cuándo pedir ayuda.

Abrir un sistema ERP de una empresa y mover información es un nivel de capacidad. Entender por qué los números no cuadran, encontrar qué información falta, adaptarse cuando cambia una regla y saber cuándo una decisión requiere a una persona es otro.

Después viene el tiempo. Las horas que acabamos de ver tendrían que convertirse en días y semanas. Un sistema tendría que recordar el objetivo, dividirlo en partes, no perder el contexto, responder a información nueva y seguir trabajando sin que una persona tuviera que explicarle una y otra vez qué sigue.

Otra brecha es la adaptación. Los agentes actuales pueden ajustarse dentro de una conversación y se les puede dar memoria externa, pero no terminan un mes difícil, aprenden cada lección y amanecen permanentemente más sabios al día siguiente. Una persona sí. Cerrar esa brecha —o encontrar otra forma confiable de rodearla— es parte del camino.

Por último, está la amplitud. La IAG no tendría que ser perfecta, pero sí buena en la mayoría de los trabajos intelectuales que hacemos hoy: poder entrar en un campo nuevo, aprender sus reglas y volverse útil sin que haya que construir un sistema distinto para cada tarea.

Para imaginarlo, pensemos en tener acceso a algo parecido a una persona muy capaz: una mente que puede aprender casi cualquier materia con una rapidez notable. Démosle la velocidad de lectura de una máquina, acceso a casi toda la información registrada que se le permita usar, la capacidad de relacionar montañas de material y la de trabajar sin cansarse ni distraerse.

Ese mismo sistema podría pasar de las finanzas de una empresa al software, de ahí a los temas legales y luego a la estrategia. Podría aprender por su cuenta lo que necesitara saber, usar las herramientas adecuadas, probar soluciones y llevar el trabajo hasta el final. No necesariamente superaría al mejor especialista de cada campo —ese es el siguiente horizonte—, pero podría aprender y hacer la mayor parte del trabajo intelectual que puede hacer una persona capaz.

Algunas de las personas que lideran la frontera ya hablan de esa posibilidad en plazos sorprendentemente cortos. Sam Altman, director ejecutivo de OpenAI, ha escrito que la empresa está segura de que sabe cómo construir la IAG tal como se ha entendido tradicionalmente.¹⁸ Demis Hassabis, que dirige Google DeepMind, la espera alrededor de 2030, con un año más o menos de margen.¹⁹

Elon Musk le pone una fecha todavía más cercana a una IA capaz de hacer de todo en lo digital. En agosto de 2026 predijo que, para finales de 2027, la IA podría hacer “cualquier cosa digital” a “un nivel sobrehumano”. Su excepción era el trabajo físico, el que se hace fuera de una computadora.²⁰

Puede que se equivoquen. Pero lo importante no es cuáles predicciones resulten correctas. Es que las personas que construyen algunos de los sistemas más avanzados del mundo ya piensan en meses y años, no en generaciones.

Algunos en la frontera creen que el umbral de la IAG ya se cruzó. En septiembre de 2026, Jensen Huang, director ejecutivo de NVIDIA, puso como ejemplo los equipos de NVIDIA con los que se entrenó GPT-6 Astra, de OpenAI, y declaró: “La IAG ha llegado”.²¹

Puede que no haya un momento en el que todos coincidan en que se cruzó la línea. La transición podría parecerse más a una supervisión que va desapareciendo poco a poco. Un asistente ayuda con una tarea. Un agente completa un flujo de trabajo. Un trabajador digital maneja muchos flujos de trabajo. Con el tiempo, un sistema más general puede pasar de un campo a otro y aprender nuevos tipos de trabajo como lo haría una persona capaz.

Es posible que la gente siga discutiendo si llamarlo IAG cuando la relación con la máquina ya haya cambiado.

Muchos en la frontera también creen que el ritmo de mejora no solo continuará, sino que se acelerará. Una de las razones nos devuelve a la pregunta original de Good.

¿Qué pasa cuando parte de esa inteligencia creciente se usa para ayudar a construir la próxima generación de IA?

Una versión limitada de eso ya está ocurriendo.

En su Informe de Riesgos (Risk Report) de agosto de 2026, Anthropic dice que usa mucho a Claude en su propia investigación e ingeniería, no solo como asistente, sino a través de agentes que pueden seguir trabajando en tareas durante un tiempo. Según la empresa, Claude ya escribe la gran mayoría del código que termina en los sistemas que tiene en funcionamiento. Anthropic cree que esto ya está haciendo su investigación en IA bastante más rápida, aunque todavía no el doble de rápida en total.²²

OpenAI describe un cambio parecido. En septiembre de 2026 dijo que había llegado a lo que llama un “pasante de investigación automatizado” (automated research intern): una IA que puede hacer tareas de investigación bien definidas bajo la dirección de personas, incluido trabajo que a un investigador capacitado le tomaría unos pocos días. Sus investigadores dicen que escriben código más rápido y hacen más experimentos. A mediados de agosto, los agentes funcionaban en conjunto unas tres horas por cada hora de trabajo humano en su organización de investigación.²³

En palabras sencillas: las empresas que construyen IA ya están usando la IA como parte de la fuerza laboral que construye IA.

Pero esto no es Prometheus ni el ciclo que se acelera a sí mismo, a menudo llamado automejora recursiva (recursive self-improvement). Anthropic dice que sus modelos todavía no pueden sustituir a todo su personal de investigación.²² En ambas empresas, las personas siguen decidiendo qué problemas importan, juzgando los resultados dudosos y escogiendo qué se construye.

El ciclo todavía tiene personas en el medio. Pero parte del trabajo entre una decisión y otra ya lo hace la IA, y las dos empresas dicen que eso está acelerando las cosas. La IA ya entró en el proceso con el que se construye la próxima IA.

El ciclo de Good no ha llegado.

Uno de sus ingredientes sí.

El Camino Hacia la Superinteligencia Artificial — El Horizonte de la Mente Extrema

Un ingrediente basta para plantear la siguiente pregunta.

¿Qué pasa si la IA que ayuda a construir la próxima IA termina siendo mejor en ese trabajo que las personas que la dirigen?

Ahí es donde la IAG empieza a dar paso a la SIA.

Hace un momento imaginamos tener acceso a algo parecido a una persona muy capaz: una inteligencia general que puede aprender y hacer la mayor parte del trabajo intelectual que hace una persona bien preparada.

La superinteligencia artificial nos pide ir mucho más lejos.

En lugar de una mente que opera más o menos al nivel de una persona muy capaz, imaginemos un sistema mejor que los mayores especialistas humanos en un campo tras otro. Mejor que nuestros mejores programadores construyendo software. Mejor que nuestros mejores biólogos entendiendo las enfermedades. Mejor que nuestros mejores matemáticos encontrando demostraciones, que nuestros mejores ingenieros diseñando máquinas y que nuestros mejores estrategas viendo posibilidades que otros pasan por alto.

Ahora démosle a esa inteligencia la velocidad del software. Permitámosle leer, razonar y comunicarse muchas veces más rápido que una persona. Y hagamos posible tener funcionando no una sola copia, sino millones.

Cada copia podría trabajar por su cuenta o cooperar con las demás. Un grupo podría estudiar el cáncer. Otro podría buscar mejores formas de producir y almacenar energía. Otros podrían diseñar materiales, demostrar teoremas, escribir software, dirigir experimentos de laboratorio o trabajar en mejorar los propios sistemas de IA. Podrían intercambiar resultados, dividir los problemas en partes y explorar muchas soluciones posibles a la vez.

Es el escenario que Dario Amodei, director ejecutivo de Anthropic, llama un “país de genios en un centro de datos”.²⁴

La frase importa porque capta algo que la palabra inteligencia, por sí sola, puede ocultar. No sería una mente extraordinaria que trabaja sola. Sería una multitud de ellas, que trabajan a velocidad de máquina, están disponibles a través del software y pueden dedicarles una atención enorme a problemas que la humanidad nunca ha podido estudiar tan a fondo.

En ese punto, el cambio importante no sería que una máquina pudiera responder preguntas más difíciles en un examen.

Sería que las máquinas pudieran empezar a encontrar respuestas que la humanidad no tiene.

Y quizás, más importante todavía, que empezaran a hacer preguntas que la humanidad todavía no sabe hacerse.

Un tratamiento que nadie había descubierto. Un material que nadie había inventado. Una demostración que nadie había encontrado. Una mejor manera de generar o almacenar energía. Un diseño que a los humanos nunca se les había ocurrido.

Y luego otro.

Y otro más.

La transformación más profunda no sería ningún descubrimiento en particular. Sería la posibilidad de que descubrir, en sí mismo, se vuelva más fácil.

Por eso Amodei ha descrito un posible “siglo XXI comprimido”: avances en biología y medicina que, de otro modo, a los investigadores humanos les tomarían cincuenta o cien años, y que llegarían en cinco o diez.²⁴

Es un pronóstico, no una promesa.

Las ideas científicas todavía tienen que sobrevivir a los experimentos, a los ensayos clínicos y al mundo físico. Pero ese pronóstico le da un significado concreto a la palabra superinteligencia.

Algunas de las personas que lideran la frontera ya miran más allá de la IAG y, algo clave, no necesariamente esperan que pase mucho tiempo entre la IAG y la superinteligencia.

Altman ha escrito que OpenAI empieza a poner la mira más allá de la IAG, en la “superinteligencia en el verdadero sentido de la palabra”.¹⁸ En enero de 2026, Amodei escribió que el tipo de IA poderosa que describe podría estar a apenas uno o dos años, aunque reconoció que podría tardar bastante más.²⁵ Ilya Sutskever, uno de los investigadores más influyentes detrás de la IA moderna, dejó OpenAI en 2024 para fundar una empresa con “un objetivo y un producto: una superinteligencia segura”.²⁶

Lo importante no es ninguna fecha en particular. Es lo poco que, en su manera de pensar, separa una etapa de la otra. Puede que la IAG no sea un destino donde el progreso se detenga por décadas. Puede que sea un umbral. Una vez que la IA pueda hacer la mayor parte del trabajo intelectual —y ayudar cada vez más a construir los sistemas que vienen después—, el avance hacia la SIA podría empezar antes de que el mundo haya terminado de asimilar la llegada de la IAG.

Nada de esto demuestra que sus plazos sean correctos. Pero están organizando laboratorios, carreras profesionales y cantidades enormes de capital alrededor de la posibilidad de que la IAG y la SIA no lleguen como eras tecnológicas separadas. Una podría seguir directamente a la otra.

La historia nos da una idea, aunque limitada, de cómo se siente vivir una aceleración tecnológica sostenida. A principios del siglo XX, la mayoría de los hogares no tenía luz eléctrica, los carros eran raros y no existían los aviones, la televisión ni los antibióticos. Luego la electricidad se fue extendiendo, los carros y las carreteras asfaltadas se volvieron algo normal, llegaron la radio y la televisión, el aire acondicionado cambió dónde podía vivir la gente, los antibióticos transformaron la medicina y los aviones empezaron a cruzar océanos en horas. Sesenta y seis años después del primer vuelo de los hermanos Wright, el ser humano caminó sobre la Luna.

En una sola vida.

Después, los milagros se volvieron parte del día a día. Los carros pasaron a ser tapones. La electricidad se volvió una factura. El aire acondicionado se volvió algo en lo que pensamos cuando se daña. Los supermercados se volvieron diligencias.

Pero la lección más profunda es que estos inventos se reforzaron entre sí. Mejores máquinas hicieron posibles mejores fábricas. La electricidad permitió nuevas máquinas. La producción en masa bajó los costos. Mejores instrumentos aceleraron la ciencia, y el nuevo conocimiento produjo mejores herramientas.

El progreso empezó a producir más capacidad de progreso.

Ahora apliquemos ese patrón a la inteligencia misma. Esto es lo que significaría multiplicar el pensamiento.

La inteligencia es la herramienta que la humanidad usó para diseñar los motores, dominar la electricidad, descubrir los antibióticos, construir fábricas, crear computadoras y, con el tiempo, llegar a la Luna. Es la herramienta que usamos para crear todas las demás herramientas.

Si esa herramienta se volviera mucho más poderosa —y pudiera copiarse, acelerarse y dirigirse a miles de problemas a la vez—, las consecuencias llegarían mucho más allá de la industria de la IA. Podría cambiar lo que una sola persona puede lograr, lo que una empresa pequeña puede proponerse, lo que una universidad puede investigar y lo que un país entero puede construir. El conocimiento experto que hoy hay que reunir persona por persona podría convertirse, cada vez más, en algo a lo que se accede de forma digital.

Pero más inteligencia no haría desaparecer los límites físicos.

Un diseño brillante todavía hay que construirlo. Un tratamiento prometedor todavía tiene que demostrar que funciona de forma segura en el cuerpo humano. Los experimentos siguen tomando tiempo. La energía hay que producirla. Los materiales hay que moverlos. Las instituciones todavía tienen que decidir qué se debe hacer. Algunos problemas podrían seguir siendo extraordinariamente difíciles, por más inteligentes que sean las computadoras.

La realidad todavía tiene voto.

Pero quizás el cuello de botella empiece a moverse. Problemas que antes dependían de cuántas mentes había para pensar en ellos podrían pasar a depender de los laboratorios, los equipos, la energía, el capital, las instituciones y el mundo físico.

Una civilización con acceso a muchísima más inteligencia que la civilización que la construyó.

Esa es la promesa escondida dentro de la palabra superinteligencia.

Pero si el cuello de botella pasa de pensar a construir, la próxima frontera es física.

La Apuesta Se Vuelve Física

Por mucha incertidumbre que haya alrededor de la IAG y de la superinteligencia, un hecho ya está a la vista: las empresas tecnológicas más grandes del mundo le están metiendo cantidades extraordinarias de dinero a la infraestructura de IA.

Hay una razón sencilla para que la apuesta haya crecido tanto: la IA ya está generando un valor económico que se puede medir.

Los productos de publicidad con IA de Meta —la dueña de Facebook, Instagram y WhatsApp— generan ingresos a un ritmo de más de US$75 mil millones al año.²⁷ El negocio de IA dentro de Amazon Web Services, la división de servicios en la nube de Amazon, ya superó los US$25 mil millones al año y crece con rapidez.²⁸

Esa demanda se está traduciendo en una de las mayores construcciones de infraestructura de la historia mundial.

Amazon, Alphabet (la casa matriz de Google), Microsoft y Meta esperan destinar, entre las cuatro, unos US$750 mil millones a inversión de capital en sus ejercicios fiscales en curso.^27,29,30,31 No todo ese dinero es para IA, pero las cuatro les repiten a sus inversionistas que la demanda de IA y de servicios en la nube es una de las principales razones por las que necesitan más capacidad.

¿Puede pagarse sola? Morgan Stanley, uno de los grandes bancos de inversión de Wall Street, hizo un modelo del negocio de alquilar poder de cómputo para IA y calcula un retorno sobre el capital invertido de alrededor del 31%. Es una proyección, no un retorno que ya se haya registrado, pero es una señal de que la infraestructura puede ser rentable incluso antes de que llegue la IAG.³²

Y aun gastando tanto, a algunos les está costando construir lo bastante rápido. Google dice que la demanda sigue superando la capacidad de cómputo que tiene disponible.³³ Microsoft dice lo mismo de algunas áreas de su negocio en la nube.³¹

Esta construcción todavía está en sus primeras etapas, pero su ejemplo más claro quizás ya esté en Memphis, Tennessee.

Allí, SpaceX —la empresa espacial de Elon Musk, que a principios de 2026 absorbió a xAI, también de Musk— opera hoy Colossus, probablemente el mayor complejo de supercomputación para IA del mundo.³⁴

Pero lo más revelador es lo que pasó después: empresas de IA que compiten entre sí empezaron a alquilarse poder de cómputo unas a otras.

Anthropic tiene a Claude; el negocio de IA de SpaceX hace Grok. En mayo de 2026, Anthropic acordó usar capacidad de cómputo en Colossus 1 y Colossus 2. El acuerdo contempla pagos de US$1,250 millones al mes.³⁴

Unos US$15 mil millones al año.

Y Anthropic no es la única. Google —la misma empresa que dice que no puede construir lo bastante rápido— también firmó un acuerdo para alquilarle capacidad de cómputo a SpaceX.³⁵

A estas alturas, ya cuesta pensar en la IA solo como un negocio de software.

La inteligencia es digital. La infraestructura que la hace funcionar es física.

Todo empieza con los chips. Esos chips necesitan edificios. Los edificios necesitan electricidad, enfriamiento y conexiones de red. La energía puede requerir subestaciones, líneas de transmisión y nuevas plantas eléctricas. Y para todo eso hacen falta terrenos, equipos, ingenieros, cuadrillas de construcción, financiamiento y años de planificación.

Vistos desde el horizonte que acabamos de imaginar, esos centros de datos ya no parecen lo mismo.

Detrás de las apuestas más grandes está la convicción de que la inteligencia útil puede producirse en cantidades enormes, y de que más inteligencia podría significar más código escrito, más investigación completada, más descubrimientos y más tecnologías construidas.

Quienes hacen esas apuestas no saben hasta dónde llegará la tecnología ni qué tan rápido. El progreso podría frenarse. Las empresas pueden construir demasiado, demasiado pronto o al precio equivocado.

Pero ya están construyendo pensando en esa posibilidad.

Los chips se están pidiendo. Los edificios se están levantando. La energía se está consiguiendo. Y las empresas están firmando acuerdos de miles de millones de dólares para usar lo que ya existe.

Lo que empezó como una carrera por construir mejor software se está convirtiendo en una carrera por construir la infraestructura física necesaria para hacerlo funcionar.

Y el centro de datos es solo el principio.

¿Qué pasa cuando esa inteligencia empieza a guiar máquinas en el mundo físico?

The First Physical AI Is Already Driving

One answer is already driving through city streets.

Today, you can get into a Waymo in several American cities, sit in the back seat, and have the car take you somewhere without anyone behind the wheel.¹

It is easy to miss how strange that is.

Most of the AI people encounter still does its work behind a screen. A driverless car changes that.

It has to understand enough of what is happening around it to deal with traffic, pedestrians, turns, construction and all the small surprises that make driving difficult.

And then it has to act.

Intelligence has begun to acquire physical agency.

Tesla makes the transition especially interesting.

The system people use in their own Teslas is still called Full Self-Driving (Supervised), and the driver remains responsible. But the name can obscure how capable it has already become.

At the end of December 2025, one owner drove a Model 3 more than 2,700 miles from Los Angeles to Myrtle Beach without intervening once. He still had to supervise, but never had to take over, including at charging stops.²

Tesla also says that, according to its own data, cars using FSD experience seven times fewer major and minor collisions than cars driven without it.³

Part of what has changed is the way people approach the problem.

For years, self-driving ran into the same basic difficulty that has frustrated robotics more broadly: the real world contains too many situations to anticipate one by one.

You cannot write a rule for everything that might happen on a road.

Modern AI offered another possibility.

Instead of trying to tell a machine exactly what to do in every situation, increasingly you can let it learn from enormous numbers of examples.

Andrej Karpathy, Tesla’s former head of AI, had been arguing for this kind of change years before ChatGPT appeared: instead of writing every behavior into the machine, increasingly you could teach it from examples.⁴

Tesla has now made a much larger bet on what comes next.

The company operates driverless Robotaxi rides in several American cities. Its driverless operation is still much smaller than Waymo’s, but Tesla has already begun producing Cybercab in Texas, a vehicle designed from the beginning for a world in which nobody drives it.⁵

There is no steering wheel.

There are no pedals.

That design only makes sense if Tesla believes autonomy can become reliable enough to remove the driver completely.

And the bet is not only technical.

It is economic.

Tesla argues that autonomy could eventually make private, point-to-point transportation cheaper than a bus ticket. It has also imagined owners placing their cars into a shared fleet while they are working, sleeping or travelling, turning a parked vehicle into one that earns money.

The car itself becomes productive.

And Tesla is not alone in building around that possibility.

NVIDIA, whose technology sits underneath a growing number of autonomous-driving programs, is assembling a network of automakers and transportation companies around the same bet.

In March 2026, NVIDIA and Uber said they planned to launch autonomous vehicles across 28 cities on four continents by 2028. BYD, Geely, Isuzu and Nissan are among the manufacturers building vehicles around NVIDIA’s system.⁶

Jensen Huang puts the belief more broadly:

“Everything that moves will be robotic someday, and it will be soon.”⁷

The distance between what exists today and that future remains substantial.

Tesla’s system is still supervised, and one owner’s uninterrupted journey does not establish autonomy. Its collision figures come from the company itself. Cybercab’s proposed economics have not been demonstrated. NVIDIA and Uber’s twenty-eight-city network remains a plan. Huang’s claim is a forecast, not a description of the present.

But the underlying change is already here.

For decades, we became extraordinarily good at building machines that could do exactly what we programmed them to do.

AI opened the possibility of machines that could increasingly learn what to do.

That changes the robotics question.

A car, however, is still a very particular kind of robot.

Its world is mostly roads.

Its job is driving.

Its body only has to be a car.

A human body can do thousands of different things.

And that is where the ambition becomes much larger.

Giving Intelligence a Body

That ambition is the humanoid robot.

Inside the frontier—among engineers, researchers, hardware veterans and experienced investors—polished humanoid demos are often met with skepticism, eye-rolls and dark humor. The default suspicion: remotely controlled, carefully staged, heavily edited—or all three.

For years, that skepticism was earned.

What is changing is not the spectacle, but the machinery beneath it.

AI is beginning to give robots something closer to an artificial brain: the ability to understand an instruction, interpret what they sense, plan an action and adjust when the world does not cooperate. Engineers are improving the hands, balance, batteries and sensors that turn that intelligence into a usable body.

The difference becomes clearer on a factory floor.

In 2025, BMW and Figure completed a ten-month pilot at BMW’s Spartanburg plant. According to BMW and Figure, a humanoid positioned more than 90,000 sheet-metal parts over roughly 1,250 operating hours, contributing to the production of more than 30,000 vehicles.^8,9

For humanoid robotics, the significance is the accumulation of operating hours inside a working automobile plant.

But the category is beginning to move beyond demonstrations and into real work.

The larger ambition begins where the pilot ends.

Traditional robots are built around a task. The humanoid wager reverses the logic: design one machine around a world in which thousands of human tasks already exist.

At the furthest end of that wager, the humanoid becomes a general-purpose physical platform: capable of performing many forms of human-scale work and learning new jobs instead of being redesigned for each one. Its breadth becomes its greatest advantage.

That wager depends on better hands, better control and the ability to manufacture bodies at scale. Google DeepMind has demonstrated AI coordinating whole-body movement.¹⁰ Figure says it has demonstrated a production rate of one robot per hour.¹¹ Tesla says it is installing Optimus lines designed eventually for annual volumes measured in millions.⁵

Part of the enthusiasm comes from a concern about who will do the work. As populations age and fewer young people enter the workforce, factories still need workers and more people need care.

Figure sees humanoids filling labor shortages and taking on unsafe or undesirable jobs.¹² Japan’s public Moonshot program similarly envisions robots helping an aging society in understaffed workplaces and daily life.¹³

Filling those gaps would be a beginning. The larger promise is to make physical help available on a scale we have never known.

We have already imagined a “country of geniuses in a datacenter.”¹⁴

Humanoids raise a more physical question: what happens when intelligent machines stand up and walk out?

AGI is the possibility of broadly human-level cognitive work becoming abundant. Put that intelligence inside humanoid bodies, and capable, general-purpose physical work could become abundant too.

At home, they could cook, clean, do laundry and help an older parent through the day—giving families back time and easing the physical burden on caregivers.

Beyond the home, drains could be cleared before the rain, waste collected, parks maintained and infrastructure inspected before small faults become emergencies.

Robots could handle hazardous materials, enter damaged buildings and clear hurricane debris while people stayed out of danger.

They could also assemble goods, move materials, maintain equipment and help build housing, infrastructure and new factories.

Some of those factories could produce more robots. Figure’s long-term ambition includes machines helping build more of themselves.¹²

Humanoids would not necessarily replace existing labor. They could allow society to do work it knows should be done but cannot organize enough people to do—and attempt projects it would otherwise lack the hands to build.

Push the ladder higher.

ASI is the possibility of discovery itself becoming easier to produce. Put that intelligence inside robotic bodies, and the distance between discovery and reality could begin to collapse.

A superintelligence operating through digital channels might produce extraordinary theories and designs. Give it sensors, hands and tools, and it could observe the world, perform an experiment, measure what happened, adjust and try again.

It could design a material, synthesize it, test it and refine its composition. It could inspect a failing turbine, discover the cause, design a better component and install it. In medicine, it could connect extraordinary reasoning to physical intervention—the far horizon behind Elon Musk’s suggestion that humanoids could become exceptional surgeons.¹⁵

A failure encountered by one robot could become a lesson for millions.

Superintelligence could expand what civilization can imagine.

Embodied superintelligence could expand what civilization can try, learn and build.

The skeptical case remains formidable.

Humanoid robotics is a far less mature category than the AI behind screens or autonomous driving. BMW’s pilot involved one task inside a highly automated body shop adapted with barriers and communications upgrades.¹⁶ Google DeepMind’s whole-body system remains slow and has not reached human dexterity.¹⁰ Even the most advanced humanoids remain expensive, unreliable and difficult to operate safely.

Specialized equipment will also remain superior for many kinds of work—wheels for efficient movement, fixed arms for repetition and machines designed for loads beyond human limits. Most robots deployed today still perform only one or a few tightly defined tasks inside carefully prepared environments. The larger promise—that the same machine could learn and reliably move between many different kinds of work—has not yet been demonstrated.

The distance between the present and that horizon is enormous.

So is what lies on the other side of it.

Intelligence can multiply through software. A physical worker cannot be copied that way. Every robot must be manufactured: its metals processed, its chips fabricated and its batteries produced. A world filled with intelligent machines would require millions of bodies, built one at a time.

But if the wager succeeds, humanoids could become the hands through which abundant intelligence acts on the physical world.

Intelligence would no longer remain behind a screen. It could move through factories, homes, hospitals, construction sites, laboratories and disaster zones—repairing what is broken, building what is missing, caring for people and turning discoveries into reality.

At the frontier, some believe the humanoid robot could become the largest product in world history—and with good reason.

The Machine Needs Power

Every great technological buildout eventually runs into a bottleneck.

In artificial intelligence, it may be chips, data or talent. In robotics, batteries, dexterity or manufacturing. In transportation, charging networks or factories.

The details change. But beneath nearly every ambitious forecast, one constraint keeps returning.

Power.

Electricity disappears when the system works. But intelligence does not escape the physical world because its thoughts are digital. A model runs inside a data center. An electric vehicle must recharge. A robot needs energy to think and move.

The more intelligence enters machines, the more the digital economy resembles heavy industry.

The numbers are beginning to show it. Data centers consumed about 485 terawatt-hours of electricity worldwide in 2025. The International Energy Agency expects that figure to approach 950 by 2030, with consumption from AI-focused data centers tripling.¹⁷ Electric vehicles consumed another 250 terawatt-hours in 2025 and could require more than 1,500 by 2035.¹⁸

Then come the humanoids.

Morgan Stanley has imagined roughly one billion of them in service by 2050. A note from its analyst Adam Jonas estimated that their physical work alone—excluding training—could require more than 4,000 additional terawatt-hours a year, about as much electricity as the United States generates today.¹⁹

When that estimate circulated on X, Elon Musk—who, as we saw, is attempting to manufacture humanoids at industrial scale—responded:

“Way more.”²⁰

The exchange reveals the scale at which parts of the frontier are thinking: data centers, vehicles, factories and humanoids, all converging on the same electrical system.

In the United States, that future is approaching a grid built for a quieter era. Electricity demand grew by only 0.1 percent a year from 2005 to 2019. From 2020 to 2025, the pace rose to 1.7 percent.²¹ A system designed around a nearly flat line is suddenly facing enormous new loads.

North America’s grid-reliability monitor expects summer peak demand to rise by more than 224 gigawatts over the next decade, with data centers accounting for most of the increase.²²

For comparison, the Dominican Republic’s record peak is 4.33 gigawatts.²³

The projected increase alone is about fifty-two times our record peak.

For us, power constraints are nothing new. We have struggled with them for decades.

What is striking is that the United States is now confronting one of its own.

The cause is different, but the result is familiar: demand is growing faster than the electrical system can expand.

America is not short of proposed power. More than 2,060 gigawatts of generation and storage was waiting to connect at the end of 2025. But only 13 percent of the capacity entering queues from 2000 through 2020 had reached operation by then. Projects completed in 2025 had spent a median of more than five years waiting.²⁴

The country can envision an ocean of new power and still struggle to connect it.

So projects are beginning to bring power with them.

Google is planning gigawatt-scale industrial parks paired with new generation.²⁵ Meta’s expanded Louisiana complex comes with new gas plants, batteries and more power from existing nuclear plants.²⁶ The IEA estimates, with wide uncertainty, that 15 to 27 gigawatts of onsite natural-gas generation could serve data centers by 2030, mostly in the United States.¹⁷

Electricity is no longer merely an input ordered from a utility.

It is becoming part of the project itself.

That is the immediate response. But growing demand is doing something else: it is making energy a frontier again.

Nuclear power offers the clearest example of how much the calculation has changed.

For years, reactors that had become uneconomic were allowed to close. Now technology companies searching for enormous quantities of reliable electricity are helping finance their return.

Three Mile Island Unit 1—the reactor separate from the 1979 accident—closed in 2019 because it had become uneconomic. A twenty-year agreement with Microsoft now supports Constellation’s work to restart it as the Crane Clean Energy Center. The company is working toward a 2027 return that would restore roughly 835 megawatts to the grid.^27,28

At the other end of the technological spectrum lies fusion: the long-sought attempt to produce energy through the same process that powers the Sun.

In Washington State, Helion is constructing Orion, a fusion power plant intended to supply electricity to the grid. Microsoft has agreed to purchase at least 50 megawatts from it beginning in 2028, with financial penalties if Helion fails to deliver.^29,30,31

One wager asks an old reactor to return.

The other asks a new kind of machine to work for the first time.

The estimates may overshoot. Crane may be delayed. Helion may fail; no fusion plant has ever supplied electricity to a grid.

But the power constraint does not need every forecast or wager to prove correct. It is already changing what companies build, what investors fund and what engineers are being asked to attempt.

An old reactor is being called back.

A new kind of power plant is being asked to arrive.

Energy is becoming a frontier again.

The demand for power has become large enough to make unlikely things worth attempting.

Difficult Things Again

The boom in AI and robotics has coincided with something larger: an American attempt to reindustrialize at home and push outward into space.

These efforts did not begin as one movement.

Much of the wider push predates the current boom. SpaceX was already proving that orbital-class rockets could be landed and reused. Boom Supersonic was already trying to return commercial aviation to supersonic speed. Anduril was already trying to build a different kind of defense company.

Now these efforts are converging.

AI needs their chips. Robotics needs their factories. Both depend on energy, machines, materials and industrial capacity. And increasingly, intelligence is entering the systems they are trying to build.

But the movement reaches beyond AI and robotics.

Reindustrialization can sound like restoration: bringing factories back, making more things at home and recovering industrial capacity that moved elsewhere.

At the frontier, the ambition is larger.

America is trying to recover lost capabilities—and invent an industrial base for things it has never built before.

Concorde retired in 2003, and humanity got slower.

For nearly three decades, a passenger could buy a ticket across the Atlantic and travel faster than sound.

Then you couldn’t.

Technology is supposed to accumulate.

Sometimes, it just doesn’t.

More than a decade later, Boom Supersonic decided to try to give us back commercial supersonic flight.

The company built XB-1, a small experimental aircraft designed to prove the technologies behind a much larger passenger aircraft. Then it flew beyond the speed of sound over the Mojave Desert.

That aircraft was the demonstrator for Overture: the supersonic airliner Boom hopes airlines will eventually fly.

The attempt is no longer a drawing.

Boom has completed the factory intended for Overture final assembly.³² Airlines have made commitments to the aircraft. And late last year, investors put another $300 million into the company.³³

But the more revealing work may be happening deeper inside the industrial chain.

Before a factory can make a million copies of something, somebody first has to figure out how to make it repeatedly.

That often means molds, dies, fixtures and specialized tools. Much of the knowledge required to create them has traditionally lived inside the heads and hands of highly experienced toolmakers.

It is the machinery that makes the machinery.

Atomic Industries is trying to teach more of that knowledge to machines.

Its current focus is mold making. Atomic uses physics simulation, software and AI to work through decisions that traditionally depend heavily on expert intuition, then connects those decisions to the machines that produce the tooling.³⁴

The ambition is larger than automating another factory task.

It is an attempt to turn part of the accumulated knowledge required for mass production into software.

Hadrian attacks the next layer.

Instead of reinventing the tooling inside a factory, it is trying to reinvent the factory itself.

Its facilities combine software, robotics, automated inspection and machine tools to manufacture precision hardware for aerospace and defense. The larger ambition is what Hadrian calls factory autonomy: bringing more of the path from a design on a computer to a finished physical object under one integrated manufacturing system.³⁵

Hadrian is moving beyond individual precision parts toward assemblies, complete systems and dedicated factories for customers.

And increasingly, AI is meeting the reindustrialization effort from the other direction.

A new company called Prometheus, co-founded by Jeff Bezos and Vik Bajaj, is trying to build what it calls an “artificial general engineer”: AI intended to help engineers design and manufacture complicated physical things such as jet engines.

Investors have already put more than $18 billion behind it.³⁶

The machinery is changing.

So are the things America is asking it to build.

Anduril is trying to rethink one of the hardest manufacturing problems in America: advanced defense systems.

Anduril is building Arsenal-1 in Ohio around the idea that autonomous aircraft, missiles and other sophisticated systems should be designed from the beginning to be manufactured in large numbers rather than assembled slowly as bespoke machines.

Production has already begun on some systems. This summer, the U.S. Air Force awarded Anduril engineering, manufacturing development and production contracts for its collaborative combat aircraft and said the aircraft was ready for full-scale manufacturing.³⁷

And then the scale rises again.

In Texas, SpaceX and Tesla are proposing something much larger than a semiconductor factory.

Terafab is intended to bring advanced chip design, fabrication, memory production, packaging and testing together inside one vertically integrated industrial system—then scale that system toward the future needs of AI, autonomous vehicles, humanoid robots and computing beyond Earth.

SpaceX and Tesla launched the initiative together. Intel later joined to contribute its expertise in designing, fabricating and packaging advanced chips.³⁸

Texas announced in August that SpaceX will construct the first Terafab facility northwest of Houston, with more than $16.8 billion of investment in its first phase.³⁹

The proposed manufacturing campus is enormous.

One hundred million square feet.

But its intended output is harder to comprehend than its physical size.

Terafab’s long-term goal is to manufacture one terawatt of compute hardware every year.

Remember: the Dominican Republic’s record peak electricity demand is about 4.33 gigawatts. One terawatt is 1,000 gigawatts—roughly 231 times that peak.

Put another way, our entire record peak is only about 0.43 percent of one terawatt.

That is the operating scale of the hardware Terafab aims to manufacture annually, not the electricity the factory itself would consume.

In a transcript filed with the SEC, SpaceX said the industry appears headed toward roughly 100 gigawatts of AI compute a year.⁴⁰

Terafab’s target is roughly ten times that annual rate.

Terafab is meant to manufacture the chips for Tesla vehicles, Optimus humanoids and SpaceX machines designed to operate beyond Earth.

Ambition at this scale requires more than founders, engineers and factories.

It requires a financial system willing to fund them.

JPMorganChase has launched its ten-year Security and Resiliency Initiative, intended to facilitate, finance and invest $1.5 trillion across industries it considers critical to American economic security, including advanced manufacturing, defense and aerospace, energy, semiconductors and robotics.⁴¹

Andreessen Horowitz calls its version American Dynamism: backing companies across defense, aerospace, manufacturing, energy and other parts of the physical economy.⁴²

Much of this remains unfinished.

Boom still has to build, test and certify Overture. Prometheus has revealed little about what its systems can do. Terafab depends on further agreements, and its ultimate scale may remain far beyond its first phase.

Capital announcements are not factories. JPMorgan’s figure includes lending and other financing. Some projects will arrive late. Some will become something different. Some will fail.

But something consequential has already changed:

The bets are financeable again.

Reindustrialization has become a credible technological project.

Companies can raise billions around it.

Young engineers can dare to bet their careers on it.

Factories are rising around it.

And the ambition reaches through almost the entire industrial chain.

The aircraft.

The machines.

The factories.

The chips.

Even the machinery that makes the machinery.

America is trying to build difficult things again.

And some of the most ambitious things it is building are not meant to remain on Earth.

Space Becomes an Industry

Somehow, the ambition keeps getting larger.

Now it reaches beyond Earth.

Space.

That raises a fair question:

Why spend so much money going there in the first place?

To understand the answer, it helps to remember that space began, for most people, as science fiction. Long before rockets could leave Earth, writers and filmmakers imagined journeys to the Moon and other worlds.

Leaving Earth belonged to the part of our imagination where we placed futures too distant to build.

Then politics made the fantasy real.

In 1957, the Soviet Union launched Sputnik. Less than four years later, Yuri Gagarin became the first human to orbit Earth. The United States was losing the opening rounds of the space race, and President John F. Kennedy responded with an audacious goal: put an American on the Moon before the decade ended.

Science mattered. Exploration mattered. But the urgency came from the Cold War.

Apollo did not have to work as a business.

Beating the Soviet Union was reason enough.

Eight years after Kennedy issued the challenge, human beings were standing on the Moon.

But by going there, something else happened.

We began to see Earth differently.

Months before the first landing, the Apollo 8 astronauts became the first humans to orbit the Moon. As they came around its far side, they saw Earth rising above the gray lunar horizon and photographed it.

The image became known as Earthrise.

There was our entire world: small, bright and alone against the darkness of space. From that distance, there were no visible countries or borders.

Just one planet.

The photograph became one of the defining images of the emerging environmental movement and helped inspire the first Earth Day.

That had not been the reason America went to the Moon. But exploration had produced something difficult to predict beforehand: by travelling farther from Earth than humans ever had, we had learned to see Earth differently.

We had also proved that the Moon was reachable.

Humanity went there in one extraordinary burst—and then we never went back.

We did not stop using space. Satellites became part of communications, weather forecasting, navigation, science and defense. GPS became so ordinary that most of us now use machines in space without thinking about space at all.

Space kept moving into everyday life.

Human beings, however, went no farther.

We had learned how to reach the Moon.

We had not learned how to stay.

By the end of the 1990s and beginning of the 2000s, private builders were beginning to attack that problem.

The XPRIZE offered $10 million for a reusable private spacecraft capable of reaching space twice within two weeks. SpaceShipOne won it in 2004.⁴³

Around the same period came Blue Origin and SpaceX. Their ambitions reached back toward that old science fiction: not simply reaching space, but learning how to live there.

Blue Origin imagines millions of people living and working in space.⁴⁴

SpaceX was founded around making human life multiplanetary.

To make that fiction real, however, they first had to solve a painfully ordinary problem.

Transportation costs too much.

Air travel would be absurd if an airline had to throw away most of the airplane after every flight. Rockets are not airplanes, but for most of spaceflight history that was roughly the economic problem.

The Space Shuttle was partly reusable, but cheap and routine spaceflight remained elusive.

SpaceX eventually began landing Falcon 9’s largest component after launch, preparing it and flying it again. At first, watching a rocket fall from the sky and land upright looked ridiculous.

Now it is normal.

In 2025 alone, Falcon 9 flew 165 times, with previously flown boosters doing most of the work.⁴⁵ According to a NASA comparison, changes like this helped make taking stuff into orbit about twenty times cheaper.⁴⁶

Cheaper access began turning space into an industry.

Launch cadence stopped being incremental

1. 201718
2. 201821
3. 201913
4. 202026
5. 202131
6. 202261
7. 202396
8. 2024134
9. 2025165

The ambition was still to go much farther. But along the way, lower launch costs began creating useful things closer to home.

Starlink is the clearest example.

Terrestrial internet must reach you through fiber or a nearby tower. That works in cities, but less well on ships, airplanes, remote worksites and homes far from the nearest network.

Satellites can reach places cables and towers struggle to reach.

Once SpaceX could manufacture and launch satellites in enormous numbers, it could build a network serving those places. By June 2026, Starlink had 12 million subscriber lines. In the first half of the year, SpaceX’s Connectivity business, built primarily around Starlink, generated more than $7.5 billion in revenue.⁴⁷

And that is the irony.

Starlink was not the reason SpaceX was founded.

Mars was much closer to the reason.

Yet in building capabilities for a multiplanetary future, SpaceX created a communications network used by millions of people who may never leave Earth—and a business inside the same company spending billions on Starship, the reusable system intended to carry people and cargo to the Moon, Mars and beyond.

Starlink is the biggest example, but cheaper access has opened other experiments too.

Varda Space Industries is testing whether some pharmaceutical materials become more valuable when processed in near-weightlessness and returned to Earth.⁴⁸

And parts of the frontier are beginning to think about space in an even more industrial way.

We have already seen how AI’s massive infrastructure boom is pressing against the limits of Earth’s power grids.

SpaceX now believes it can do for AI what it did for communications: send some of the infrastructure off-planet. In the long run, Musk expects most of the world’s computing to happen in space.⁴⁹

It has partnered with NVIDIA on its first AI-computing satellites, designed around the same architecture used inside AI data centers on Earth.⁵⁰ The first are due to launch as early as late 2027.⁵¹

In orbit, sunlight is abundant. There is no grid connection to wait for. Computation could expand without consuming land or competing directly with cities and factories for electricity.

And if industry eventually expands to the Moon or beyond, some materials may one day be found there instead of carried all the way from Earth.

The question is no longer only whether space can serve Earth.

It is whether part of the industrial economy can begin to move into space.

And this is no longer only a private ambition.

In 2026, NASA announced a new plan to build a permanent base near the Moon’s south pole.⁵²

The commitment is substantial. NASA’s published plan assigns roughly $20 billion through 2032 and puts the phase that follows, through 2036, at $10 billion or more.^53,54

The schedule is just as revealing. Between 2029 and 2032, NASA plans to begin building power, communications, transportation and other infrastructure. After that comes the permanent outpost.⁵⁵

NASA is also working with the Department of Energy to develop a lunar reactor by 2030.⁵⁶

More than half a century after we learned how to reach the Moon, the United States is now trying to learn how to stay.

And that is a very different project from Apollo.

It requires not a mission, but infrastructure.

For SpaceX, the Moon is one step in a much longer journey.

The next destination is Mars.

The reasoning is simple.

Almost everything humanity has ever built, discovered, written or remembered exists on one planet.

SpaceX describes that as a vulnerability. As long as civilization exists only on Earth, humanity has a single home—and therefore a single point of failure.

A genuinely self-sustaining human civilization somewhere else would change that.

It would give civilization a second home.

Mars is the destination SpaceX has chosen for that wager.

The skeptical case is immense.

Space remains one of the hardest places humanity could choose to build. Everything must survive launch. Radiation damages electronics. Heat is difficult to remove in a vacuum. Repairs are hard, and moving enormous quantities of data between Earth and orbit creates problems of its own.

Orbital computing may never become economical. Space manufacturing may remain a niche. Resources found on the Moon may prove too difficult or expensive to extract. A permanent lunar presence may be far harder to build than NASA expects.

Mars is colder, more distant and more hostile still. Its atmosphere is thin. Radiation is dangerous. Almost everything people need would initially have to be transported there or eventually produced there.

Nobody knows how to build a self-sustaining city on Mars, what it would cost or whether the transportation system SpaceX believes could make it possible will work.

Some of these ideas may fail.

But history suggests that the value does not wait until the final destination is reached.

Apollo was trying to reach the Moon and changed the way we saw Earth.

SpaceX was trying to build the road toward Mars and created a satellite network used by millions of people at home.

We keep going outward for one reason and discovering others along the way.

Now we are trying to return to the Moon—and eventually reach Mars.

The destination matters.

So does what the attempt forces us to build along the way.

The Farthest Horizon

If you thought the Moon and Mars were the science-fiction ending, let me tell you:

They are not.

At the furthest edge of the technological frontier, they begin to look more like steps toward something much larger.

And to see the scale of that ambition, there is an unusual place to look.

SpaceX’s S-1 securities filing.

An S-1 is the document a company files with American regulators before selling shares to the public. It lays out the business, its risks and what management is trying to build.

SpaceX filed one in May 2026.⁵⁷

Much of it contains exactly what you would expect.

Revenue.

Costs.

Competition.

Risks.

But it also describes a future that reaches far beyond the Moon and Mars.

And inside that vision is a strange phrase.

Kardashev Type II.

To understand what that means, we have to go back more than sixty years and revisit another old idea.

In 1964, Soviet astronomer Nikolai Kardashev was looking for a way to describe the technological scale of civilizations beyond Earth.⁵⁸

His answer was deceptively simple:

Look at how much energy they can use.

Another civilization might communicate, organize itself or embody intelligence in ways we could barely recognize. But whatever it wanted to compute, move or build would still require energy and obey the same laws of physics.

Energy offered a universal yardstick for what a civilization could physically do.

Humanity today uses roughly 19 terawatts across all forms of energy.⁵⁹

Against that starting point, the version of the Kardashev scale commonly used today has three great levels.

Type I is planetary: roughly 10,000 terawatts. For Earth, imagine drawing energy from across the whole planet—from sunlight and wind to geothermal heat, tides and other sources.

Type II is stellar: roughly 100 trillion terawatts. For us, that would mean somehow capturing and using energy on the scale of the Sun’s entire output.

Type III is galactic: roughly one trillion trillion terawatts—the energy scale of hundreds of billions of stars.

Carl Sagan later turned these three thresholds into a continuous scale. Instead of placing a civilization only at one major level, his version uses decimals to show where it falls between them.

On that extended scale, humanity’s present energy use places us at roughly 0.73.⁶⁰

That number sounds close to 1.

It is not.

Reaching Type I would require more than five hundred times the energy humanity uses today.

And each major level after that is roughly ten billion times larger than the one before it.

For decades, this old yardstick was used largely to imagine civilizations we might discover somewhere else.

Then parts of the technological frontier began turning the question toward us:

How large could our own civilization eventually become?

Eventually, that question entered a filing to public investors.

Now return to the roadmap inside it.

First, orbit.

The filing takes SpaceX’s case for moving computing off-planet to enormous scale: vast constellations of AI-compute satellites powered by sunlight.

Then the Moon.

We have already seen NASA preparing for the nearer challenge of learning how to stay there. SpaceX’s filing goes further, describing a sustained lunar presence supporting science, industrialization, deeper exploration and enormous growth in computing capacity.

Then the vision becomes stranger still.

SpaceX says factories on the Moon could eventually use lunar resources to manufacture millions of AI-compute satellites and send them farther into space.⁶¹

Put that into ordinary language.

Factories on the Moon.

Using material from the Moon.

Building computers.

And sending those machines farther into space.

And if all of this sounds like one enormous joke, consider what SpaceX did next.

It wrote the wager into Elon Musk’s compensation.

The potential reward is almost as extraordinary as the goals.

Across two performance awards, Musk could receive more than 1.3 billion SpaceX shares. At the highest valuation milestones, the Bloomberg Billionaires Index estimated that the awards could be worth roughly $760 billion.⁶²

But even reaching those valuations would not be enough.

One performance award also requires SpaceX to establish a permanent human colony on Mars with at least one million inhabitants.⁶³

The other requires the completion of non-Earth data centers capable of delivering 100 terawatts of compute per year.⁶²

No shares from either award can vest unless its physical milestone is also achieved.

Months later, during an exchange on X, Musk made the logic behind that wager explicit:

“You don’t seem to understand that SpaceX will be worth more than the rest of Earth if we accomplish our goals.”⁶⁴

That is not an ordinary claim about the value of a company.

It is a claim that SpaceX is trying not merely to compete inside the existing economy, but to expand the physical domain in which an economy can exist.

That is the scale Musk believes sits behind the awards.

Taken together, the roadmap stretches from infrastructure in Earth’s orbit to industry on the Moon, civilization on Mars and expansion beyond them all.

SpaceX describes the larger objective as a resilient, perpetually expanding spacefaring civilization.⁵⁷

At the far end of that expansion sits the phrase we began with:

Kardashev Type II.

The gigawatt data centers we encountered earlier suddenly seem very small.

The question is no longer merely how to find another gigawatt on an electrical grid.

It is how much civilization could eventually compute, manufacture, move and build if its physical frontier expanded beyond the energy systems of one planet.

SpaceX represents the most extreme version of that ambition.

But the nearer direction no longer belongs to SpaceX alone.

In August 2026, Goldman Sachs published a report called The Second Space Age and devoted its final section to “Preparing for Orbital Industrialization.”⁶⁵

It examined orbital computing, in-space manufacturing, resource extraction, solar-energy production and the infrastructure that could eventually support a continuous human presence on the Moon.

The distance between those early foundations and Kardashev Type II is almost impossible to overstate.

The Kardashev scale is a measuring stick, not a law of history. It does not say that civilizations inevitably climb it.

Almost every link in SpaceX’s proposed chain remains unproven at the required scale.

Manufacturing millions of satellites on the Moon would require transportation, mining, power, robotics and industrial systems that do not exist there today. A permanent million-person civilization on Mars remains far beyond anything humanity currently knows how to build.

SpaceX’s filing establishes what the company intends to pursue. It cannot establish that the technologies will work, that the economics will close or that the schedules will hold.

The compensation awards prove commitment, not feasibility.

Goldman Sachs can identify the beginnings of orbital industrialization. It cannot know how large that economy will become.

The entire ladder may stop long before humanity reaches its first planetary level.

But civilizations do not leap from one scale to another.

They make new frontiers usable, then begin building into them.

New economic domains do not appear because someone reaches them once. They appear when transportation, power, communications and industry make repeated activity possible.

Once that happens, the consequences can exceed anything their builders originally imagined.

Orbit was once a destination.

Then satellites made it infrastructure.

The Moon was once somewhere humanity visited.

Now the attempt is to learn how to stay.

Mars remains vastly farther away.

Beyond it sits a horizon we can barely describe.

And at that horizon, parts of the frontier have arrived at a much larger conclusion:

Space may not simply be another place to go.

It may be where civilization goes when one planet is no longer enough to keep scaling.

Planet.

Star.

Galaxy.

We have not reached the first.

At the extreme end, this is what the frontier believes.

La Primera IA Física Ya Está Manejando

Una respuesta ya anda por las calles, manejando sola.

Hoy puedes subirte a un Waymo en varias ciudades de Estados Unidos, sentarte en el asiento de atrás y dejar que el carro te lleve a donde vas sin que nadie lo maneje.¹

Es fácil no darse cuenta de lo raro que es eso.

Casi toda la IA que la gente conoce todavía trabaja detrás de una pantalla. Un carro sin conductor cambia esto.

Tiene que entender lo suficiente de lo que pasa a su alrededor para lidiar con el tránsito, los peatones, las curvas, las obras y todas esas pequeñas sorpresas que hacen difícil manejar.

Y después tiene que actuar.

La inteligencia artificial empezó a actuar en el mundo físico.

Tesla hace que ese paso sea especialmente interesante.

El sistema que la gente usa en sus propios Tesla todavía se llama FSD Supervisado, y el conductor sigue siendo el responsable. Pero esa palabra, “supervisado”, puede esconder lo capaz que ya se ha vuelto.

A finales de diciembre de 2025, el dueño de un Model 3 manejó más de 4,350 kilómetros (2,700 millas), desde Los Ángeles hasta Carolina del Sur, sin intervenir ni una sola vez. Tuvo que estar pendiente todo el tiempo, pero nunca tuvo que tomar el control, ni siquiera en las paradas para cargar.²

Tesla también dice que, según sus propios datos, los carros que usan FSD tienen siete veces menos choques, graves y leves, que los que se manejan sin él.³

Parte de lo que ha cambiado es la forma de enfrentar el problema.

Durante años, la conducción autónoma tropezó con la misma dificultad que ha frenado a la robótica en general: el mundo real tiene demasiadas situaciones como para preverlas una por una.

No se puede escribir una regla para todo lo que podría pasar en una carretera.

La IA moderna abrió otro camino.

En vez de tratar de decirle a una computadora exactamente qué hacer en cada situación, cada vez más se le puede dejar aprender de una cantidad enorme de ejemplos.

Andrej Karpathy, quien fue jefe de IA de Tesla, ya defendía ese cambio años antes de que apareciera ChatGPT: en vez de programar cada comportamiento dentro de la máquina, cada vez más se le podía enseñar con ejemplos.⁴

Ahora Tesla hizo una apuesta mucho más grande sobre lo que viene.

La empresa ya ofrece viajes en Robotaxi sin conductor en varias ciudades de Estados Unidos. Esa operación todavía es mucho más pequeña que la de Waymo, pero Tesla ya empezó a producir en Texas el Cybercab, un vehículo diseñado desde el principio para un mundo en el que nadie lo maneja.⁵

El carro no tiene guía.

Tampoco pedales.

Ese diseño solo tiene sentido si Tesla cree que la autonomía puede llegar lo suficientemente confiable para sacar al ser humano de la ecuación.

Y la apuesta no es solo técnica.

También es económica.

Tesla sostiene que, con el tiempo, la autonomía podría hacer que ir en carro privado de puerta a puerta salga más barato que el transporte público. También ha planteado que los dueños pongan sus carros en una flota compartida mientras trabajan, duermen o viajan, y que un carro que antes estaba parado empiece a producir dinero.

El carro mismo se pone a trabajar.

Y Tesla no es la única que está apostando a esa posibilidad.

NVIDIA, cuya tecnología está detrás de cada vez más programas de conducción autónoma, está armando una red de fabricantes de carros y empresas de transporte alrededor de la misma apuesta.

En marzo de 2026, NVIDIA y Uber dijeron que planean lanzar vehículos autónomos en 28 ciudades de cuatro continentes para 2028. BYD, Geely, Isuzu y Nissan están entre los fabricantes que construyen sus vehículos sobre el sistema de NVIDIA.⁶

Jensen Huang, el director ejecutivo de NVIDIA, lo dice de forma todavía más amplia:

“Todo lo que se mueve será robótico algún día, y será pronto”.⁷

Todavía hay mucho trecho entre lo que existe hoy y ese futuro.

El sistema de Tesla todavía necesita supervisión, y que un dueño haya hecho un viaje sin interrupciones no demuestra que el carro sea autónomo. Las cifras de choques las da la propia empresa. Los números que se prometen para el Cybercab no se han demostrado. La red de 28 ciudades de NVIDIA y Uber sigue siendo un plan. Y lo que dice Huang es un pronóstico, no una descripción del presente.

Pero el cambio de fondo ya llegó.

Durante décadas, nos volvimos extraordinariamente buenos construyendo máquinas que hacían exactamente lo que les indicábamos.

La IA abrió la puerta a máquinas que, cada vez más, pueden aprender qué hacer.

Eso cambia completamente, lo que se puede esperar de la robótica.

Un carro, de todas formas, sigue siendo un tipo de robot muy particular.

Su mundo se reduce, casi por completo, a las calles.

Su trabajo es manejar.

Su cuerpo solo tiene que ser un carro.

Un cuerpo humano puede hacer miles de cosas distintas.

Y ahí es donde la ambición se vuelve mucho más grande.

Darle un Cuerpo a la Inteligencia

Esa ambición tiene nombre: el robot humanoide.

En la frontera, los que conocen este mundo desde adentro (ingenieros, investigadores, veteranos del hardware, inversionistas con años en el sector) suelen recibir los videos pulidos de robots humanoides con escepticismo, ojos en blanco y humor negro. La sospecha de siempre: que al robot lo están controlando a distancia, que todo está montado, que el video está muy editado, o las tres al mismo tiempo.

Durante años, ese escepticismo estaba bien ganado.

Lo que está cambiando no es el espectáculo, sino lo que el robot lleva por dentro.

La IA está empezando a darles a los robots algo más parecido a un cerebro: la capacidad de entender una instrucción, interpretar lo que ven y sienten, planificar qué hacer y corregir cuando el mundo no coopera. Al mismo tiempo, los ingenieros están mejorando las manos, el equilibrio, las baterías y los sensores que convierten esa inteligencia en un cuerpo útil.

La diferencia se ve más clara dentro de una fábrica.

En 2025, BMW y Figure terminaron una prueba piloto de diez meses en la planta de BMW en Spartanburg, Carolina del Sur. Según las dos empresas, un robot humanoide colocó más de 90,000 piezas de chapa metálica en unas 1,250 horas de trabajo, y así ayudó a producir más de 30,000 vehículos.^8,9

Para los robots humanoides, lo importante es que ya están acumulando horas de trabajo real dentro de una fábrica de carros en plena producción.

Poco a poco, pasan de las demostraciones al trabajo de verdad.

La ambición más grande empieza donde termina el piloto.

Los robots tradicionales se diseñan para una tarea. La apuesta del humanoide le da la vuelta a esa lógica: diseñar una sola máquina para un mundo que ya está lleno de miles de tareas pensadas para personas.

Llevada al extremo, esa apuesta convierte al humanoide en una máquina física de uso general: capaz de hacer muchos tipos de trabajo a la medida de una persona y de aprender oficios nuevos sin tener que rediseñarse para cada uno. Que pueda hacer de todo se vuelve su mayor ventaja.

Para lograrlo hacen falta mejores manos, mejor control y la capacidad de fabricar sus cuerpos en grandes cantidades. Google DeepMind ya mostró una IA capaz de coordinar el movimiento de todo el cuerpo de un robot.¹⁰ Figure dice que ya logró producir un robot por hora.¹¹ Y Tesla dice que está instalando líneas de producción de Optimus pensadas para llegar, con el tiempo, a millones de unidades al año.⁵

Parte del entusiasmo viene de una preocupación: quién va a hacer el trabajo. A medida que las poblaciones envejecen y entran menos jóvenes a trabajar, las fábricas siguen necesitando gente y cada vez más personas necesitan cuidados.

Figure ve a los humanoides cubriendo la falta de mano de obra y haciéndose cargo de trabajos peligrosos o que nadie quiere hacer.¹² En Japón, el programa público Moonshot imagina algo parecido: robots que ayuden a una sociedad que envejece, tanto en lugares de trabajo donde falta personal como en la vida diaria.¹³

Llenar esos vacíos sería solo el comienzo. La promesa más grande es tener ayuda física disponible en una cantidad que nunca hemos visto.

Ya imaginamos un “país de genios en un centro de datos”.¹⁴

Los humanoides plantean una pregunta más física: ¿qué pasa cuando las máquinas inteligentes se ponen de pie y salen caminando?

La IAG es la posibilidad de que el trabajo intelectual a nivel humano se vuelva abundante. Si esa inteligencia se pone dentro de cuerpos humanoides, el trabajo físico, capaz y de uso general, también podría volverse abundante.

En la casa, podrían cocinar, limpiar, lavar la ropa y ayudar a un padre o a una madre mayor a pasar el día: les devolverían tiempo a las familias y le quitarían peso a quien cuida.

Fuera de la casa, los drenajes podrían limpiarse antes de que llueva, la basura podría recogerse, los parques mantenerse y la infraestructura revisarse antes de que una falla pequeña se convierta en una emergencia.

Los robots podrían manejar materiales peligrosos, entrar a edificios dañados y recoger los escombros de un huracán mientras las personas se quedan fuera de peligro.

También podrían ensamblar productos, mover materiales, darles mantenimiento a los equipos y ayudar a construir viviendas, infraestructura y nuevas fábricas.

Algunas de esas fábricas podrían producir más robots. La ambición de Figure a largo plazo incluye máquinas que ayuden a construir más máquinas como ellas.¹²

Los humanoides no necesariamente tendrían que reemplazar el trabajo que ya existe. Hay trabajos que sabemos que hay que hacer, pero no conseguimos gente o las condiciones para hacerlos. Y hay proyectos que ni siquiera intentamos porque nos faltan manos. Para eso sí servirían los humanoides.

Subamos un escalón más.

La SIA es la posibilidad de que el descubrimiento mismo se vuelva más fácil de producir. Si esa inteligencia se pone dentro de cuerpos robóticos, la distancia entre descubrir algo y hacerlo realidad podría empezar a desaparecer.

Una superinteligencia que solo trabaje a través de una pantalla podría producir teorías y diseños extraordinarios. Si se le dan sensores, manos y herramientas, podría observar el mundo, hacer un experimento, medir lo que pasó, ajustar y volver a intentarlo.

Podría diseñar un material, fabricarlo, probarlo y mejorar su fórmula. Podría revisar una turbina que está fallando, encontrar la causa, diseñar una pieza mejor e instalarla. En medicina, podría unir un razonamiento extraordinario con la capacidad de intervenir con las manos: ese es el horizonte lejano detrás de la idea de Elon Musk de que los humanoides podrían llegar a ser cirujanos excepcionales.¹⁵

Un error que cometa un robot podría convertirse en una lección para millones.

La superinteligencia podría ampliar lo que la civilización es capaz de imaginar.

La superinteligencia con cuerpo podría ampliar lo que la civilización es capaz de intentar, aprender y construir.

Los escépticos todavía tienen muy buenos argumentos.

La robótica humanoide está mucho menos madura que la IA que trabaja detrás de las pantallas o que la conducción autónoma. El piloto de BMW consistió en una sola tarea dentro de un taller de carrocería muy automatizado, adaptado con barreras y mejoras en las comunicaciones.¹⁶ El sistema de Google DeepMind para mover todo el cuerpo todavía es lento y no tiene la destreza de una persona.¹⁰ Hasta los humanoides más avanzados siguen siendo caros, poco confiables y difíciles de operar de forma segura.

Además, para muchos trabajos las máquinas especializadas seguirán siendo mejores: las ruedas para moverse con eficiencia, los brazos fijos para repetir una tarea y las máquinas diseñadas para cargar pesos que ninguna persona podría levantar. La mayoría de los robots que se usan hoy todavía hacen una sola tarea, o unas pocas muy definidas, en espacios preparados con cuidado. La promesa más grande, que una misma máquina pueda aprender y pasar con confianza de un tipo de trabajo a otro, todavía no se ha demostrado.

La distancia entre el presente y ese horizonte es enorme.

Y también lo es lo que hay del otro lado.

La inteligencia se puede multiplicar a través del software. A un trabajador físico no se le puede copiar así. Cada robot hay que fabricarlo: procesar sus metales, fabricar sus chips y producir sus baterías. Un mundo lleno de máquinas inteligentes necesitaría millones de cuerpos, construidos uno por uno.

Pero si la apuesta sale bien, los humanoides podrían convertirse en las manos con las que la inteligencia, ya abundante, actúa sobre el mundo físico.

La inteligencia ya no se quedaría detrás de una pantalla. Podría moverse por fábricas, casas, hospitales, obras, laboratorios y zonas de desastre, reparando lo que está roto, construyendo lo que falta, cuidando a las personas y convirtiendo los descubrimientos en realidad.

En la frontera, hay quienes creen que el robot humanoide podría convertirse en el producto más grande de la historia, y tienen sus razones.

La Máquina Necesita Energía

Toda gran expansión tecnológica tarde o temprano se encuentra con un cuello de botella.

En la inteligencia artificial, pueden ser los chips, los datos o el talento. En la robótica, las baterías, la destreza o la manufactura. En el transporte, las estaciones de carga o las fábricas.

Los detalles cambian. Pero detrás de casi todos los pronósticos ambiciosos aparece, una y otra vez, el mismo límite.

La energía.

Cuando el sistema eléctrico funciona, nadie piensa en la luz. Pero que sus pensamientos sean digitales no saca a la inteligencia del mundo físico. Un modelo de IA funciona dentro de un centro de datos. Un vehículo eléctrico hay que cargarlo. Un robot necesita energía para pensar y para moverse.

Mientras más inteligencia entra en las máquinas, más se parece la economía digital a la industria pesada.

Los números ya lo muestran. En 2025, los centros de datos del mundo consumieron unos 485 teravatios-hora de electricidad. La Agencia Internacional de Energía (AIE) espera que esa cifra se acerque a 950 para 2030, y que el consumo de los centros de datos de IA se triplique.¹⁷ Los vehículos eléctricos consumieron otros 250 teravatios-hora en 2025, y para 2035 podrían necesitar más de 1,500.¹⁸

Y después vienen los humanoides.

Morgan Stanley ha planteado un escenario con cerca de mil millones de humanoides trabajando para 2050. Una nota de su analista Adam Jonas calculó que solo su trabajo físico, sin contar el entrenamiento, podría necesitar más de 4,000 teravatios-hora adicionales al año: más o menos toda la electricidad que genera hoy Estados Unidos.¹⁹

Cuando ese cálculo circuló en X, Elon Musk, que como vimos quiere fabricar humanoides en cantidades industriales, respondió:

“Mucho más”.²⁰

Ese intercambio deja ver en qué escala están pensando algunos en la frontera: centros de datos, vehículos, fábricas y humanoides, todos conectados al mismo sistema eléctrico.

En Estados Unidos, ese futuro le llega a una red eléctrica construida para tiempos más tranquilos. Entre 2005 y 2019, la demanda de electricidad creció apenas un 0.1% al año. De 2020 a 2025, el ritmo subió a 1.7%.²¹ Un sistema pensado para una demanda que casi no crecía tiene que cargar, de repente, con una demanda enorme.

El organismo que vigila la confiabilidad de la red eléctrica de América del Norte espera que, en la próxima década, la demanda máxima de verano suba más de 224 gigavatios, y que la mayor parte de ese aumento venga de los centros de datos.²²

Para comparar: la demanda máxima récord de la República Dominicana es de 4.33 gigavatios.²³

Solo ese aumento equivale a unas cincuenta y dos veces nuestro récord.

Para nosotros, quedarnos cortos de energía no es nada nuevo. Llevamos décadas lidiando con eso.

Lo que llama la atención es que ahora Estados Unidos tiene su propio problema de energía.

La causa es distinta, pero el resultado lo conocemos bien: la demanda crece más rápido de lo que el sistema eléctrico puede ampliarse.

A Estados Unidos no le faltan proyectos de energía. A finales de 2025, más de 2,060 gigavatios de generación y almacenamiento esperaban turno para conectarse a la red. Pero de todo lo que entró a esa fila entre 2000 y 2020, solo el 13% había llegado a funcionar. Y de los proyectos que se terminaron en 2025, la mitad esperó más de cinco años para conectarse.²⁴

El país puede imaginarse un mar de energía nueva y aun así tener problemas para conectarla.

Por eso, los proyectos están empezando a traer su propia energía.

Google planea parques industriales de gigavatios con su propia generación nueva.²⁵ El complejo ampliado de Meta en Luisiana viene con plantas de gas nuevas, baterías y más energía de plantas nucleares que ya existen.²⁶ La AIE calcula, con mucha incertidumbre, que para 2030 entre 15 y 27 gigavatios de generación a gas natural, instalada en los propios terrenos, podrían abastecer centros de datos, sobre todo en Estados Unidos.¹⁷

La electricidad ya no es simplemente algo que se le compra a la distribuidora.

Se está volviendo parte del proyecto mismo.

Esa es la respuesta inmediata. Pero la demanda que crece está haciendo algo más: está convirtiendo la energía otra vez en una frontera.

La energía nuclear es el ejemplo más claro de cómo han cambiado las cosas.

Durante años, se dejaron cerrar los reactores que ya no eran rentables. Ahora, empresas tecnológicas que buscan cantidades enormes de electricidad confiable están ayudando a pagar por su regreso.

Three Mile Island es conocida por el accidente más grave en la historia de las plantas nucleares comerciales de Estados Unidos: en marzo de 1979, uno de sus dos reactores, la Unidad 2, sufrió una fusión parcial del núcleo. Ese accidente cambió para siempre a la industria nuclear de ese país. El otro reactor, la Unidad 1, no tuvo que ver con el accidente y operó hasta 2019, cuando cerró porque ya no era rentable. Hoy, un acuerdo de veinte años con Microsoft respalda el trabajo de Constellation para volver a encenderlo con un nuevo nombre: Crane Clean Energy Center. La empresa trabaja para que vuelva en 2027 y le devuelva a la red unos 835 megavatios. Que una empresa tecnológica esté pagando por volver a encender un reactor justo en Three Mile Island lo dice todo.^27,28

En el otro extremo está la fusión nuclear: el viejo intento de producir energía con el mismo proceso que alimenta al Sol.

En el estado de Washington, Helion está construyendo Orion, una planta de fusión pensada para venderle electricidad a la red. Microsoft acordó comprarle al menos 50 megavatios a partir de 2028, y si Helion no cumple, tendrá que pagar penalidades.^29,30,31

Una apuesta le pide a un reactor viejo que vuelva.

La otra le pide a un tipo de máquina nuevo que funcione por primera vez.

Puede que los cálculos se pasen. Puede que Crane se atrase. Puede que Helion fracase: ninguna planta de fusión ha suministrado nunca electricidad a una red.

Pero el límite de energía no necesita que cada pronóstico o cada apuesta salga bien. Ya está cambiando lo que las empresas construyen, lo que los inversionistas financian y lo que se les pide intentar a los ingenieros.

A un reactor viejo lo están sacando del retiro.

A un tipo de planta que nunca ha funcionado le están pidiendo que llegue.

La energía vuelve a ser una frontera.

La demanda de energía creció tanto que ahora vale la pena intentar cosas que parecían improbables.

Cosas Difíciles Otra Vez

El auge de la IA y la robótica llegó al mismo tiempo que algo más grande: un esfuerzo de Estados Unidos por volver a industrializarse en casa y por expandirse hacia el espacio.

Esos esfuerzos no nacieron como un solo movimiento.

Buena parte de ese empuje viene de antes del auge actual. SpaceX ya estaba demostrando que los cohetes que llegan a órbita podían aterrizar y volver a usarse. Boom Supersonic ya estaba tratando de que la aviación comercial volviera a volar más rápido que el sonido. Anduril ya estaba tratando de construir un tipo distinto de empresa de defensa.

Ahora esos esfuerzos se están juntando.

La IA necesita chips. La robótica necesita fábricas. Las dos dependen de energía, máquinas, materiales y capacidad industrial. Y, cada vez más, la inteligencia está entrando en los sistemas que esas empresas quieren construir.

Pero el movimiento va más allá de la IA y la robótica.

Volver a industrializarse puede sonar a restaurar lo que había: traer de vuelta las fábricas, producir más en casa y recuperar la capacidad industrial que se fue para otros países.

En la frontera, la ambición es mayor.

Estados Unidos está tratando de recuperar lo que sabía hacer y, además, de crear una industria para cosas que nunca ha construido.

El Concorde se retiró en 2003, y la humanidad se volvió más lenta.

Durante casi tres décadas, un pasajero podía comprar un pasaje para cruzar el Atlántico y viajar más rápido que el sonido.

De un día para otro, ya no se podía.

Se supone que la tecnología siempre avanza.

A veces, sencillamente, no avanza.

Más de una década después, Boom Supersonic decidió intentar devolvernos los vuelos comerciales supersónicos.

La empresa construyó el XB-1, un pequeño avión experimental diseñado para probar las tecnologías de un avión de pasajeros mucho más grande. Y lo hizo volar más rápido que el sonido sobre el desierto de Mojave.

Ese avión fue la prueba del Overture: el avión supersónico de pasajeros que Boom espera que las aerolíneas lleguen a volar.

El intento ya no es un dibujo.

Boom terminó la fábrica donde se hará el ensamblaje final del Overture.³² Varias aerolíneas ya se han comprometido con el avión. Y a finales del año pasado, los inversionistas le metieron otros US$300 millones a la empresa.³³

Pero el trabajo que más dice quizás esté pasando más adentro de la cadena industrial.

Antes de que una fábrica pueda hacer un millón de copias de algo, alguien tiene que descubrir cómo hacerlo igual una y otra vez.

Eso suele requerir moldes, matrices y herramientas especiales. Buena parte del conocimiento para crearlos ha vivido siempre en la cabeza y en las manos de técnicos con muchísima experiencia.

Son las máquinas que hacen las máquinas.

Atomic Industries quiere enseñarles a las máquinas más de ese conocimiento.

Por ahora se enfoca en la fabricación de moldes. Atomic usa simulaciones físicas, software e IA para tomar decisiones que normalmente dependen mucho del ojo del experto, y luego conecta esas decisiones con las máquinas que fabrican las herramientas.³⁴

La ambición es mayor que automatizar una tarea más dentro de una fábrica.

Es un intento de convertir en software parte del conocimiento acumulado que hace falta para producir en masa.

Hadrian se ocupa del siguiente eslabón.

En vez de reinventar las herramientas dentro de una fábrica, busca reinventar la fábrica misma.

Sus plantas combinan software, robótica, inspección automática y máquinas herramienta para fabricar piezas de precisión para la industria aeroespacial y de defensa. La ambición mayor es lo que Hadrian llama una fábrica autónoma: que un solo sistema de manufactura integrado se encargue de una parte cada vez mayor del camino entre un diseño en la computadora y un objeto físico terminado.³⁵

Hadrian está pasando de fabricar piezas sueltas a fabricar ensamblajes, sistemas completos y fábricas dedicadas a un solo cliente.

Y desde el otro lado, la IA también se está metiendo de lleno en ese esfuerzo por volver a industrializarse.

Una empresa nueva llamada Prometheus, fundada por Jeff Bezos y Vik Bajaj, se propone construir lo que llama un “ingeniero general artificial”: una IA pensada para ayudar a los ingenieros a diseñar y fabricar cosas físicas complicadas, como los motores de avión.

Los inversionistas ya le han metido más de US$18 mil millones al proyecto.³⁶

Las máquinas están cambiando.

Y también lo que Estados Unidos necesita construir.

Anduril quiere repensar uno de los problemas de manufactura más difíciles de Estados Unidos: los sistemas de defensa avanzados.

Anduril está construyendo Arsenal-1 en Ohio con una idea clara: que aviones autónomos, misiles y otros sistemas sofisticados se diseñen desde el principio para fabricarse en grandes cantidades, en vez de ensamblarse lentamente, uno por uno, como piezas hechas a la medida.

Algunos sistemas ya están en producción. Este verano, la Fuerza Aérea de Estados Unidos le dio a Anduril contratos de desarrollo y de producción para su avión de combate colaborativo, un avión sin piloto que acompaña a los pilotos en misión, y dijo que el avión ya estaba listo para fabricarse en serie.³⁷

Y después la escala vuelve a subir.

En Texas, SpaceX y Tesla están proponiendo algo mucho más grande que una fábrica de semiconductores.

Terafab busca reunir en un solo sistema industrial el diseño de chips avanzados, su fabricación, la producción de memoria, el empaquetado y las pruebas, y después llevar ese sistema a la escala que van a necesitar la IA, los vehículos autónomos, los robots humanoides y las computadoras fuera de la Tierra.

SpaceX y Tesla lanzaron juntas la iniciativa. Después se sumó Intel, con su experiencia en diseñar, fabricar y empaquetar chips avanzados.³⁸

En agosto, el gobierno de Texas anunció que SpaceX construirá la primera planta de Terafab al noroeste de Houston, con más de US$16,800 millones de inversión en su primera fase.³⁹

El complejo de manufactura propuesto es enorme.

Unos 9.3 millones de metros cuadrados (cien millones de pies cuadrados).

Pero lo que pretende producir es todavía más difícil de imaginar que su tamaño.

La meta de Terafab a largo plazo es fabricar cada año equipos de cómputo que, juntos, consuman un teravatio.

Recordemos: la demanda máxima récord de electricidad de la República Dominicana es de unos 4.33 gigavatios. Un teravatio son 1,000 gigavatios: unas 231 veces ese récord.

Dicho de manera más sencilla: todo nuestro récord es apenas un 0.43% de un teravatio.

Y ese teravatio es lo que consumirían los equipos que Terafab quiere fabricar cada año, no la electricidad que gastaría la fábrica misma.

En la transcripción de una entrevista presentada ante la Comisión de Bolsa y Valores de Estados Unidos (SEC, por sus siglas en inglés), SpaceX dijo que la industria parece ir camino a unos 100 gigavatios de cómputo para IA al año.⁴⁰

La meta de Terafab es unas diez veces ese ritmo anual.

Terafab está pensada para fabricar los chips de los vehículos de Tesla, de los humanoides Optimus y de las máquinas de SpaceX diseñadas para funcionar fuera de la Tierra.

Una ambición de este tamaño necesita algo más que fundadores, ingenieros y fábricas.

Necesita un sistema financiero dispuesto a ponerle dinero.

JPMorganChase lanzó su Iniciativa de Seguridad y Resiliencia (Security and Resiliency Initiative): un plan a diez años para facilitar, financiar e invertir US$1.5 billones (millones de millones) en industrias que considera críticas para la seguridad económica de Estados Unidos, como la manufactura avanzada, la defensa, la industria aeroespacial, la energía, los semiconductores y la robótica.⁴¹

Andreessen Horowitz, una de las firmas de capital de riesgo más grandes de Estados Unidos, le llama a su versión American Dynamism (dinamismo estadounidense): apostar por empresas de defensa, aeroespacial, manufactura, energía y otras partes de la economía física.⁴²

Mucho de esto todavía no está terminado.

Boom todavía tiene que construir, probar y certificar el Overture. Prometheus ha dicho poco sobre lo que pueden hacer sus sistemas. Terafab depende de nuevos acuerdos, y el tamaño final que busca podría quedar muy por encima de su primera fase.

Anunciar dinero no es lo mismo que levantar fábricas. La cifra de JPMorgan incluye préstamos y otras formas de financiamiento. Algunos proyectos llegarán tarde. Otros terminarán siendo algo distinto. Algunos van a fracasar.

Pero algo importante ya cambió:

Las apuestas que antes parecían demasiado riesgosas vuelven a conseguir dinero.

Volver a industrializarse se ha convertido en un proyecto creíble.

Las empresas pueden levantar miles de millones con esa idea.

Los ingenieros jóvenes pueden atreverse a apostar su carrera a ella.

Ya se están levantando fábricas a su alrededor.

Y la ambición recorre casi toda la cadena industrial.

Los aviones.

Las máquinas.

Las fábricas.

Los chips.

Hasta las máquinas que hacen las máquinas.

Estados Unidos está tratando de construir cosas difíciles otra vez.

Y algunas de las cosas más ambiciosas que está construyendo no están pensadas para quedarse en la Tierra.

El Espacio Se Vuelve una Industria

Y, de alguna manera, la ambición sigue creciendo.

Ahora va más allá de la Tierra.

Al espacio.

Antes de llegar al espacio, déjame explicarte qué es lo que ven allí los de la frontera. Mucha gente se pregunta:

¿Para qué gastar tanto dinero en ir allá?

Para entender la respuesta, ayuda recordar que, para la mayoría de la gente, el espacio empezó como ciencia ficción. Mucho antes de que un cohete pudiera salir de la Tierra, escritores y cineastas ya imaginaban viajes a la Luna y a otros mundos.

Salir de la Tierra pertenecía a esa parte de la imaginación donde guardábamos los futuros que quedaban demasiado lejos para construirlos.

Después, la política convirtió la fantasía en realidad.

En 1957, la Unión Soviética lanzó el Sputnik. Menos de cuatro años después, Yuri Gagarin se convirtió en el primer ser humano en darle la vuelta a la Tierra en órbita. Estados Unidos iba perdiendo los primeros asaltos de la carrera espacial, y el presidente John F. Kennedy respondió con una meta atrevida: poner a un estadounidense en la Luna antes de que terminara la década.

La ciencia importaba. La exploración importaba. Pero la urgencia venía de la Guerra Fría.

El programa Apolo no tenía que ser un negocio.

Ganarle a la Unión Soviética era razón suficiente.

Ocho años después de que Kennedy lanzara el reto, había seres humanos caminando sobre la Luna.

Pero en el camino pasó algo más.

Empezamos a ver la Tierra de otra manera.

Meses antes de que alguien pisara la Luna, los astronautas del Apolo 8 se convirtieron en los primeros seres humanos en darle la vuelta. Al salir por detrás de la Luna, vieron la Tierra asomarse sobre el horizonte gris y le tomaron una foto.

La imagen se conoció como Earthrise, la salida de la Tierra.

Ahí estaba nuestro mundo entero: pequeño, brillante y solo en medio de la oscuridad del espacio. Desde esa distancia, no se veían países ni fronteras.

Solo un planeta.

La foto se volvió una de las imágenes que definieron al movimiento ambientalista que estaba naciendo, y ayudó a inspirar el primer Día de la Tierra.

Esa no había sido la razón por la que Estados Unidos fue a la Luna. Pero la exploración había producido algo que nadie podía prever: al alejarnos de la Tierra más que nunca, aprendimos a verla de otra manera.

También habíamos demostrado que la Luna estaba a nuestro alcance.

La humanidad fue allá en un solo esfuerzo extraordinario, y después nunca volvimos.

A pesar de ello, nunca dejamos de usar el espacio. Los satélites se volvieron parte de las comunicaciones, el pronóstico del tiempo, la navegación, la ciencia y la defensa. El GPS se volvió tan común que hoy casi todos usamos máquinas que están en el espacio sin pensar para nada en el espacio.

El espacio se siguió metiendo en la vida diaria.

Las personas, en cambio, no fueron más lejos.

Aprendimos a llegar a la Luna.

Pero no aprendimos a quedarnos.

A finales de los noventa y principios de los dos mil, empresas privadas empezaron a buscarle solución a ese problema.

El XPRIZE ofreció US$10 millones a la primera nave privada y reutilizable que llegara al espacio dos veces en dos semanas. SpaceShipOne lo ganó en 2004.⁴³

Por esa misma época nacieron Blue Origin y SpaceX. Sus ambiciones venían de aquella vieja ciencia ficción: no solo llegar al espacio, sino aprender a vivir allá.

Blue Origin imagina a millones de personas viviendo y trabajando en el espacio.⁴⁴

SpaceX nació con la meta de que la humanidad viva en más de un planeta.

Pero para convertir esa ficción en realidad, primero tenían que resolver un problema muy común y corriente.

Viajar al espacio cuesta demasiado.

Viajar en avión sería absurdo si la aerolínea tuviera que botar casi todo el avión después de cada vuelo. Un cohete no es un avión, pero durante casi toda la historia espacial ese era, más o menos, el problema económico.

El transbordador espacial se podía reutilizar en parte, pero los vuelos al espacio baratos y rutinarios nunca llegaron.

Con el tiempo, SpaceX empezó a aterrizar la parte más grande de su cohete, el Falcon 9 después de cada lanzamiento, a prepararla y a volver a volarla. Al principio, ver un cohete bajar del cielo y aterrizar de pie parecía mentira.

Hoy es normal.

Solo en 2025, el Falcon 9 voló 165 veces, y la mayor parte del trabajo la hicieron cohetes que ya habían volado antes.⁴⁵ Según una comparación de la NASA, cambios como este ayudaron a que poner cosas en órbita costara unas veinte veces menos.⁴⁶

Al abaratarse, llegar al espacio empezó a convertirse en una industria.

La ambición seguía siendo ir mucho más lejos. Pero en el camino, los lanzamientos más baratos empezaron a producir cosas útiles más cerca de casa.

Starlink es el ejemplo más claro.

El internet que utilizamos por lo general llega a través de cables de fibra óptica o por una antena cercana. Eso funciona en las ciudades, pero no tan bien en barcos, aviones, obras en lugares apartados y casas lejos de la red.

Los satélites pueden llegar a donde los cables y las antenas llegan con dificultad.

Cuando SpaceX pudo fabricar y lanzar satélites en cantidades enormes, pudo montar una red que llegara a esos lugares. Para junio de 2026, Starlink tenía 12 millones de líneas de suscriptores. En el primer semestre del año, el negocio de conectividad de SpaceX, construido sobre todo alrededor de Starlink, generó más de US$7,500 millones en ingresos.⁴⁷

Y ahí está la ironía.

Starlink no fue la razón por la que nació SpaceX.

La razón tenía mucho más que ver con Marte.

Pero al prepararse para un futuro donde el ser humano sale a conquistar las estrellas, SpaceX creó una red de comunicaciones que usan millones de personas que quizás nunca salgan de la Tierra, y un negocio dentro de la misma empresa que gasta miles de millones en Starship, el sistema reutilizable con el que espera llevar personas y carga a la Luna, a Marte y más allá.

Starlink es el ejemplo más grande, pero los lanzamientos más baratos también han abierto la puerta a otros experimentos.

Varda Space Industries está probando si algunos materiales para medicamentos ganan valor cuando se procesan casi sin gravedad y después se traen de vuelta a la Tierra.⁴⁸

Y algunos en la frontera ya miran el espacio con ojos todavía más industriales.

Ya vimos cómo el enorme auge de la infraestructura de IA está llevando al límite las redes eléctricas de la Tierra.

SpaceX cree que puede hacer por la IA lo mismo que hizo por las comunicaciones: sacar parte de la infraestructura del planeta. A largo plazo, Musk espera que la mayor parte del cómputo del mundo se haga en el espacio.⁴⁹

Para sus primeros satélites de cómputo para IA, se asoció con NVIDIA, y están diseñados con la misma arquitectura que se usa dentro de los centros de datos de IA en la Tierra.⁵⁰ Los primeros podrían lanzarse a finales de 2027.⁵¹

En órbita, sobra la luz del sol. No hay que esperar turno para conectarse a la red. El cómputo podría crecer sin ocupar terrenos y sin competirles directamente a las ciudades y a las fábricas por la electricidad.

Y si algún día la industria llega a la Luna o más allá, algunos materiales podrían conseguirse allá en vez de cargarlos todo el camino desde la Tierra.

La pregunta ya no es solo si el espacio puede servirle a la Tierra.

Es si una parte de la economía industrial puede empezar a mudarse al espacio.

Y esto ya no es solo una ambición privada.

En 2026, la NASA anunció un nuevo plan para construir una base permanente cerca del polo sur de la Luna.⁵²

El compromiso es serio. El plan publicado por la NASA le asigna unos US$20 mil millones hasta 2032, y calcula la etapa siguiente, hasta 2036, en US$10 mil millones o más.^53,54

El calendario dice igual de mucho. Entre 2029 y 2032, la NASA planea empezar a construir la energía, las comunicaciones, el transporte y el resto de la infraestructura. Después viene la base permanente.⁵⁵

La NASA también trabaja con el Departamento de Energía para tener un reactor nuclear en la Luna para 2030.⁵⁶

Más de medio siglo después de aprender a llegar a la Luna, Estados Unidos está tratando ahora de aprender a quedarse.

Y ese es un proyecto muy distinto del Apolo.

No se trata de una misión, sino de infraestructura.

Para SpaceX, la Luna es solo un paso de un viaje mucho más largo.

El próximo destino es Marte.

El razonamiento es sencillo.

Casi todo lo que la humanidad ha construido, descubierto, escrito o recordado está en un solo planeta.

SpaceX lo ve como una debilidad. Mientras la civilización exista solo en la Tierra, la humanidad tiene un solo hogar y, por lo tanto, un solo punto donde todo puede fallar.

Una civilización humana capaz de sostenerse por sí sola en otro lugar cambiaría eso.

Le daría a la civilización un segundo hogar.

Marte es el destino que SpaceX eligió para esa apuesta.

Pero los escépticos tienen argumentos de mucho peso.

El espacio sigue siendo uno de los lugares más difíciles que la humanidad podría escoger para construir. Todo tiene que sobrevivir al lanzamiento. La radiación daña los equipos electrónicos. En el vacío, es difícil sacar el calor. Las reparaciones son complicadas, y mover cantidades enormes de datos entre la Tierra y la órbita trae sus propios problemas.

Puede que el cómputo en órbita nunca llegue a ser rentable. Puede que la manufactura en el espacio se quede en un nicho. Puede que los recursos de la Luna resulten demasiado difíciles o caros de extraer. Puede que quedarse en la Luna de manera permanente sea mucho más difícil de lo que espera la NASA.

Marte es todavía más frío, más lejano y más hostil. Su atmósfera es muy fina. La radiación es peligrosa. Al principio, casi todo lo que la gente necesitara tendría que llevarse desde aquí o, con el tiempo, producirse allá.

Nadie sabe cómo construir una ciudad que se sostenga sola en Marte, cuánto costaría ni si funcionará el sistema de transporte con el que SpaceX cree que podría lograrse.

Algunas de estas ideas podrían fracasar.

Pero la historia nos dice que el valor no espera a que se llegue al destino final.

El Apolo trataba de llegar a la Luna y cambió la forma en que veíamos la Tierra.

SpaceX trataba de construir el camino hacia Marte y creó una red de satélites que millones de personas usan en sus casas.

Seguimos saliendo hacia afuera por una razón y descubriendo otras en el camino.

Ahora estamos tratando de volver a la Luna y, con el tiempo, de llegar a Marte.

El destino importa.

Y también lo que el intento nos obliga a construir en el camino.

El Horizonte Más Lejano

Si pensabas que la Luna y Marte eran el final de la ciencia ficción, déjame decirte:

Que no lo son.

En el borde más lejano de la frontera tecnológica, empiezan a parecer escalones hacia algo mucho más grande.

Y para ver el tamaño de esa ambición, hay un lugar inesperado donde buscar.

El formulario S-1 de SpaceX.

El S-1 es el documento que una empresa presenta ante los reguladores de Estados Unidos antes de vender sus acciones al público. Ahí explica el negocio, sus riesgos y lo que la administración quiere construir.

SpaceX presentó el suyo en mayo de 2026.⁵⁷

Buena parte contiene exactamente lo que esperarías.

Ingresos.

Costos.

Competencia.

Riesgos.

Pero también describe un futuro que va mucho más allá de la Luna y de Marte.

Y dentro de esa visión aparece una frase extraña.

Kardashev Tipo II.

Para entender lo que esto significa, hay que retroceder más de sesenta años y volver a otra vieja idea.

En 1964, el astrónomo soviético Nikolái Kardashev buscaba una manera de medir qué tan avanzadas podían ser las civilizaciones fuera de la Tierra.⁵⁸

Su respuesta fue sencilla, aunque solo en apariencia:

Fijarse en cuánta energía pueden usar.

Otra civilización podría comunicarse, organizarse o tener inteligencia de maneras que apenas reconoceríamos. Pero cualquier cosa que quisiera calcular, mover o construir seguiría necesitando energía y seguiría obedeciendo las mismas leyes de la física.

La energía era una vara de medir universal para lo que una civilización podía hacer en el mundo físico.

Hoy, sumando todas las formas de energía, la humanidad usa unos 19 teravatios.⁵⁹

Con ese punto de partida, la versión de la escala de Kardashev que más se usa hoy tiene tres grandes niveles.

El Tipo I es planetario: unos 10,000 teravatios. Para la Tierra, imaginemos aprovechar la energía de todo el planeta, desde la luz del sol y el viento hasta el calor de la tierra, las mareas y otras fuentes.

El Tipo II es estelar: unos 100 billones de teravatios. Para nosotros, eso significaría captar y usar, de algún modo, energía a la escala de todo lo que produce el Sol.

El Tipo III es galáctico: más o menos un billón de billones de teravatios, la energía de cientos de miles de millones de estrellas.

Más tarde, Carl Sagan convirtió esos tres niveles en una escala continua. En vez de poner a una civilización solo en uno de los grandes niveles, su versión usa decimales para mostrar en qué punto está entre uno y otro.

En esa escala, el consumo de energía actual de la humanidad nos coloca más o menos en 0.73.⁶⁰

Ese número parece cerca de 1.

No lo está.

Llegar al Tipo I requeriría más de quinientas veces la energía que la humanidad usa hoy.

Y cada gran nivel después de ese es unas diez mil millones de veces más grande que el anterior.

Durante décadas, esta vieja vara de medir se usó sobre todo para imaginar civilizaciones que podríamos descubrir en otra parte.

Después, algunos en la frontera tecnológica empezaron a hacernos la pregunta a nosotros:

¿Qué tan grande podría llegar a ser nuestra propia civilización? ¿Qué tan lejos podríamos llegar nosotros?

Con el tiempo, esa pregunta terminó dentro de un documento presentado a inversionistas.

Volvamos ahora al plan que contiene.

Primero, la órbita.

El documento lleva a una escala enorme la idea de SpaceX de sacar el cómputo del planeta: constelaciones gigantescas de satélites de cómputo para IA alimentados con la luz del sol.

Después, la Luna.

Ya vimos a la NASA preparándose para el reto más cercano: aprender a quedarse allá. El documento de SpaceX va más lejos y describe una presencia permanente en la Luna que apoye la ciencia, la industria, la exploración más lejana y un crecimiento enorme de la capacidad de cómputo.

Después, la visión se vuelve todavía más extraña.

SpaceX dice que, con el tiempo, fábricas en la Luna podrían usar materiales de la Luna para fabricar millones de satélites de cómputo para IA y mandarlos más lejos en el espacio.⁶¹

Dicho en palabras sencillas:

Fábricas en la Luna.

Usando material de la Luna.

Construyendo computadoras.

Y mandando esas máquinas más lejos en el espacio.

Y si todo esto te suena como un relajo, mira lo que SpaceX hizo después:

Puso la apuesta en el paquete de compensación de Elon Musk.

La recompensa posible es casi tan extraordinaria como las metas.

Entre dos paquetes de compensación por desempeño, Musk podría recibir más de 1,300 millones de acciones de SpaceX. Si la empresa alcanza los valores más altos, el índice de multimillonarios de Bloomberg calculó que esos paquetes podrían valer unos US$760 mil millones.⁶²

Pero llegar a esos valores no bastaría.

Uno de los paquetes también exige que SpaceX establezca una colonia humana permanente en Marte, con al menos un millón de habitantes.⁶³

El otro exige terminar centros de datos fuera de la Tierra capaces de entregar 100 teravatios de cómputo al año.⁶²

Y Musk no recibe ni una sola de esas acciones si no se cumple también la meta física de cada paquete.

Meses después, en un intercambio en X, Musk dejó clara la lógica detrás de esa apuesta:

“Parece que no entiendes que SpaceX valdrá más que el resto de la Tierra si logramos nuestros objetivos”.⁶⁴

Esa no es una afirmación común y corriente sobre lo que vale una empresa.

Es afirmar que SpaceX no está tratando solo de competir dentro de la economía que existe, sino de ampliar el espacio físico donde puede existir una economía.

Esa es la escala que, según Musk, justifica los paquetes.

En conjunto, el plan va desde infraestructura en la órbita de la Tierra hasta industria en la Luna, una civilización en Marte y una expansión más allá de todos ellos.

SpaceX describe su objetivo mayor como una civilización que viaje por el espacio, que resista y que nunca deje de expandirse.⁵⁷

Y al final de esa expansión está la frase con la que empezamos:

Kardashev Tipo II.

De repente, los centros de datos de un gigavatio que vimos antes empiezan a verse pequeños.

La pregunta ya no es solo cómo conseguir otro gigavatio en una red eléctrica.

Es cuánto podría llegar a calcular, fabricar, mover y construir una civilización si su frontera física fuera más allá de la energía de un solo planeta.

SpaceX representa la versión más extrema de esa ambición.

Pero el camino más cercano ya no es solo de SpaceX.

En agosto de 2026, Goldman Sachs publicó un informe titulado The Second Space Age (“La segunda era espacial”) y dedicó su última sección a “Prepararse para la industrialización en órbita”.⁶⁵

El informe analizó el cómputo en órbita, la manufactura en el espacio, la extracción de recursos, la producción de energía solar y la infraestructura que, con el tiempo, podría sostener una presencia humana continua en la Luna.

La distancia entre esos primeros cimientos y Kardashev Tipo II es casi imposible de exagerar.

La escala de Kardashev es una vara de medir, no una ley de la historia. No dice que las civilizaciones tengan que subirla.

Casi todos los eslabones de la cadena que propone SpaceX todavía no se han demostrado al tamaño necesario.

Fabricar millones de satélites en la Luna requeriría transporte, minería, energía, robótica e industria que hoy no existen allá. Una civilización permanente de un millón de personas en Marte sigue estando muy por encima de cualquier cosa que la humanidad sepa construir hoy.

El documento de SpaceX deja claro lo que la empresa piensa perseguir. No puede asegurar que las tecnologías vayan a funcionar, que los números vayan a cuadrar ni que se cumplan los plazos.

Los paquetes de compensación demuestran compromiso, no que el plan sea viable.

Goldman Sachs puede identificar los comienzos de la industrialización en órbita. No puede saber qué tan grande llegará a ser esa economía.

Puede que toda la escalera se detenga mucho antes de que la humanidad llegue a su primer nivel, el planetario.

Pero las civilizaciones no saltan de una escala a otra.

Primero hacen que una frontera nueva se pueda usar, y después empiezan a construir en ella.

Las economías nuevas no aparecen porque alguien llega una vez a un lugar. Aparecen cuando el transporte, la energía, las comunicaciones y la industria hacen posible ir y volver, y trabajar allí una y otra vez.

Cuando eso pasa, las consecuencias pueden ir más allá de todo lo que imaginaron quienes lo construyeron.

La órbita fue un día un destino.

Después, los satélites la convirtieron en infraestructura.

La Luna fue un día un lugar que la humanidad visitó.

Ahora el intento es aprender a quedarse.

Marte sigue estando muchísimo más lejos.

Más allá hay un horizonte que apenas podemos describir.

Y en ese horizonte, algunos en la frontera han llegado a una conclusión mucho más grande:

Puede que el espacio no sea simplemente otro lugar al que ir.

Puede que sea a donde va la civilización cuando un solo planeta ya no le alcanza para seguir creciendo.

Planeta.

Estrella.

Galaxia.

Todavía no hemos llegado al primero.

Llevado al extremo, esto es lo que cree la frontera.

The Race Beneath the Race

We saw how America is trying to build difficult things again—among them aircraft, machines, factories, chips, rockets and, just as interestingly, the machinery that makes the machinery.

But these ambitions reach beyond the products themselves. A company may have a design ready and still lack the means to produce it. It needs factories, specialized suppliers and people who know how to turn that design into something real. For America, rebuilding that industrial base has become an ambition of its own.

The race people see is over cars, chips, models and weapons. The race beneath it is over who can build, keep and expand the industrial capacity those things require.

For decades, globalization had followed a powerful logic. A product could be designed in one country, manufactured where costs were lower and sold everywhere. As production moved, capabilities moved with it: specialized machines, supplier networks and the knowledge required to make things.

That arrangement depended on trade remaining open and critical supplies arriving when needed. The trade war between the United States and China, beginning in 2018, put that assumption under pressure.

The pandemic drove the point home.

Factories closed. Ships waited outside ports.

Auto plants shut down because they could not get enough chips.

Hospitals rationed masks, gloves and gowns because they could not get enough.

The United States responded with a renewed push for reindustrialization: rebuilding the factories, supplier networks and skills needed to make essential things. Public policy encouraged more production at home and among trusted allies. China, already equipped with dense industrial supply chains, also sought greater control over technologies it could no longer count on importing.

But rebuilding industrial capability takes more than reopening a building.

You could reopen an old factory and still be unable to make what it once produced. The machines may be gone. The suppliers may have moved. The workers who understood the process may have retired or taken their knowledge elsewhere.

Other forces were pushing in the same direction. AI required enormous infrastructure. Defense technology was returning. Electrical grids were straining. A new generation of founders had begun building physical things again.

A country’s ability to build the next generation of machines depended on capabilities it could no longer take for granted.

When a capability becomes essential, depending entirely on someone else to provide it begins to look like a risk.

And that pressure reaches all the way inside the companies trying to build at the frontier.

In the United States, Tesla began making its own battery cells to supplement what suppliers could provide.¹ In China, BYD began assembling a dedicated fleet of ships to carry its cars overseas when shipping capacity was scarce.²

When the Supplier Does Not Exist

Earlier on, we saw Boom trying to bring back supersonic flight. What we did not see was the engine.

Overture, Boom’s planned supersonic airliner, needed sustained supersonic power with the reliability, efficiency, noise levels and maintenance costs airlines could accept. The market was not offering it.

To build the airplane, Boom had to take on the engine too. It launched Symphony, taking responsibility for developing its own engine with specialist partners.³

Figure, whose humanoids we saw entering factory work, encountered a different version of the same problem. Cars and phones are supported by mature industries whose suppliers already know how to manufacture their components at scale. Humanoids are still acquiring that industrial base.

Figure has said that it had to design almost the entire robot from scratch, including its motors, actuators, sensors, battery pack and electronics.⁴ It chose to assemble core technologies such as hands, actuators and batteries in-house. Figure could buy individual parts, but it still had to develop the essential systems that suppliers could not yet provide.

The ambition had outrun the available supply chain.

Both companies turned to vertical integration.

Each was becoming the supplier it could not find. More of the supply chain came under common control. Decisions about the product, its components and the equipment needed to manufacture them could be planned together.

So sometimes the missing capability does not yet exist. Sometimes it exists, but cannot expand fast enough.

Building the System

The companies racing to scale intelligence face that second problem. Their suppliers exist. The capacity they expect to need may not arrive fast enough.

Terafab, the chip project we encountered earlier, is a response to that gap.⁵ Tesla and SpaceX expect to need more chips than the industry can supply. To build the machines they envision, they are planning to build more of the chip supply themselves.

The pressure extends beyond chips. Data centers need cooling, electrical equipment and dependable power. A delay in a transformer or a power connection can hold up a business whose most visible product is software.

Working with Broadcom, OpenAI developed Jalapeño to gain more control over the hardware its models run on and lower the cost of running them.⁶ The company says its own models helped accelerate parts of the chip’s design and optimization.

AI is now helping design the chips intended to run the next AI.

NVIDIA is pursuing integration across an entire computing platform. Its Rubin system brings chips, server racks, networking, storage and software into what the company calls “extreme co-design.”⁷ A decision about a processor is made alongside decisions about how information will reach it and how thousands of processors will work together. Partners build servers and surrounding infrastructure around that platform. More of the system is being engineered together, from the chips to the data center.

If we zoom out, Tesla offers a broader picture of a company attempting to control more of the stack. Its businesses span solar generation, battery storage, vehicles and humanoid robots. It also designs chips to run AI and develops AI to guide its machines.⁸ Alongside the machines themselves, Tesla is developing more of what supplies their power and directs their work.

Energy. Chips. Intelligence. Machines.

When Machines Build More Machines

Earlier, we encountered the idea of an intelligence explosion: AI helping create more capable AI. At the frontier, some are beginning to explore a physical counterpart: what happens when AI and robots help automate and expand the industrial system that produces them.⁹

An industrial explosion.

And the first signs are beginning to appear. Tesla has reported Optimus handling batteries and performing tasks autonomously inside one of its facilities.¹⁰ In September 2026, XPeng reported its IRON humanoid walking autonomously off a new production line, with most core processes automated.¹¹

These are early pieces, not the explosion itself.

Traditionally, ramping industrial capacity is a puzzle in which relieving one bottleneck often exposes another. A factory may have the demand and machinery but lack the engineers and technicians to run it, people who can take years to train. It may have the people but run short of components or raw materials because its suppliers cannot expand quickly enough. It may have both and still wait for the power it needs to run. Even with labor and inputs in place, thousands of machines, deliveries, maintenance windows and handoffs must be coordinated before output can meet demand.

To understand how AI and robots could change that, let’s return to the factory and imagine how these ideas could work in the real world. We’ll use Tesla’s Optimus program as our example.

Building Optimus requires many components, including actuators that move its arms, legs and hands, batteries to power it and chips that run its AI. People assemble these and other components using advanced industrial machinery, on production lines designed by engineers and operated with software.

As the first robots come off the assembly line, people test them and teach them what to do. Some learn familiar tasks. How to pick up an object. How to push a mop. How to do the dishes.

But others are shown something else.

These stay.

They are taught how to do the jobs of the people building them.

At first, the work is modest. They carry materials. They hand parts to the people installing them.

Then the training improves. The AI improves. The bodies improve.

They install the parts themselves. They inspect the work. They help get the line running when it stops.

Later, with the kind of AGI we described earlier, the robot reasons through unfamiliar work much as an experienced person would. It takes on a new assignment without being shown every movement. When a part does not fit, it examines the problem and works out what to do next.

Experience in the factory improves the shared AI. Once an improvement has been tested, other robots can use it. A lesson learned in one factory can reach thousands of machines. Each new robot begins with knowledge others have already acquired.

The robots rotate through charging and maintenance. They can recharge on their own and perform routine maintenance on one another. The factory keeps working.

24/7.

At the same time, something changes above the line.

The people running the factory tell an AI system what they want to accomplish. It turns those goals into coordinated work across the robots, machinery and software inside the building.

Every robot reports its progress. Every machine reports its condition. Every shelf reports what is left on it.

The people set the goals and priorities. The AIs plan production, order parts and arrange repairs when equipment shows signs of trouble. If a delivery slips, they adjust the work across the factory.

As production expands, copies of that intelligence help engineers design additional lines and organize their construction. The plans for the building, equipment and power supply can advance together.

And the orders do not stop at the factory walls.

They reach the lines making actuators. The lines making batteries. The lines making chips.

The more of that supply chain Tesla controls directly or coordinates closely, the more easily its different operations can expand together. Independent suppliers can connect their systems to the same effort.

Then robots begin leaving the humanoid factory for the plants that feed it. They take over more of the work making actuators, batteries, chips and other components. They operate and maintain machinery. They also help manufacture and install new production equipment, including industrial robot arms, and put new lines into production. The AIs coordinate the expansion across the factories.

A supplier makes more actuators. Another makes more battery packs. More chips are produced at Terafab. Self-driving Tesla Semi trucks carry those components to the humanoid factory’s new assembly lines. More robots come off them.

Some stay. Others go to the supplying factories, where they help add the capacity needed for the next increase in production.

Others go to Tesla’s factories making solar panels and large battery systems that store electricity for factories and the grid. They help expand production there too. More robots help install the panels and storage systems and build the electrical infrastructure around them.

The new installations help power the factories making robots and components, and the computing infrastructure running their AI. The industrial system is helping build more of its own energy supply.

The loop does not have to belong to one company. It could run across nearby countries and companies that are willing to work closely together. Allies would not only make things for one another. They could help expand one another’s capacity to make more.

In time, the robots need not stay inside the system that makes them. As production grows, more robots can help automate work across the economy. They help expand production of food, cars, consumer electronics, household goods and industrial equipment. Others build homes, move goods through warehouses and delivery networks, and stock shelves in stores.

If all of this works, the bottlenecks that have long held industry back do not just loosen. One by one, they begin to give way. Expertise becomes reproducible; a new specialist no longer takes years to train. Robots give the factory a workforce that grows with production. Suppliers expand alongside the factories they feed. Energy infrastructure grows with them. And AI coordinates the people, machines and companies involved, helping the different parts of the system expand together.

The machines would build the machines that build the machines.

The intelligence explosion and the industrial explosion could feed each other: better AI helps expand industry, which supplies the chips and power for better AI. These are the great loops.

Economic Rocketships

Okay. Now let’s take a step back and ask:

What could all of this mean for an entire economy?

For decades, a few percentage points have been the measure of a country’s progress. At 2%, an advanced economy takes thirty-five years to double. At 6%, an emerging economy like ours would take about twelve.

At the frontier, some have begun to ask what a world of abundant AI and robots might look like, and what it could mean for the economy. Physicist and researcher Damon Binder asked a more concrete question: how fast could physical production—machines, materials, energy and factories—grow once it was fully automated?¹² Using American industrial data, he modeled factories running near capacity, all available surplus reinvested, and no further technological advances beyond those needed for automation. Even if robots and computing cost far more, or mining becomes much harder, he estimates that physical output could double in roughly a year.

Yes. Double.

That figure is a modeled result built on existing production methods, not a forecast. Including construction delays still leaves doubling times below two years. Replacing fossil fuels with solar, batteries and nuclear brings them closer to two. Getting to a fully automated economy would itself take years. The more output is consumed rather than reinvested, the slower the expansion. Binder does not translate his figure into a GDP growth rate, arguing that it would radically change the prices used to value production.

If those machines spread beyond the factories that made them, real GDP could grow at rates that might seem extraordinary today.

As early as 1998, economist Robin Hanson modeled the effect on world GDP: machine intelligence could shrink its doubling time from about sixteen years to eighteen months.¹³ More recently, researchers at Epoch AI have explored scenarios in which automation pushes world economic growth above 30% a year.¹⁴ Both describe the world economy, and both are models built on assumptions.

For perspective, the IMF’s October outlook projects real GDP growth of 2.3% for the United States and 4.6% for the Dominican Republic in 2026.¹⁵

Still, there are reasons to be skeptical.

Full automation remains an enormous assumption. A factory could fill with robots and still depend on a specialist whose work they cannot do. Companies would have to reorganize while competing for power, equipment and financing.

To these objections, I would add another. Even a country with AGI and capable robots would depend on an industrial system that crosses borders—and on decisions it does not control. Mineral deposits remain where geology put them. A government could restrict exports. A conflict could interrupt a trade route. A critical supplier might be unable or unwilling to expand.

Even when trade remains open, suppliers make separate investment decisions. One company expands its factory. Another postpones a new production line. A third commits its available capacity to a different customer. Each may be making a reasonable decision for its own business while the larger system struggles to expand.

A country could have the intelligence, the robots and the money, and still be unable to grow at anything like the modeled pace.

All of these reasons are valid.

In today’s world.

If the United States can reindustrialize, it can bring essential production home and reduce its exposure to export bans and disrupted trade routes. Cooperation can secure partners willing to add capacity, not just fill orders.

When a supplier cannot expand fast enough, vertical integration lets a company build that capacity itself. Factory and supplier come under common control, so they can grow together.

If AI and robots can master the necessary work, they give these efforts what they have always lacked: expertise that can be copied and a workforce that can be manufactured.

Those machines build new factories, expand their suppliers and develop the power they need. The larger system produces more machines. Each expansion supplies more of what the next requires.

What these forces cannot manufacture is permission. A factory might take months to construct and years to approve. People vote. If automation destroys livelihoods while its gains accrue to a few, public support for further deployment could collapse.

Together, these forces could turn a country’s economy into what I call:

An Economic Rocketship.

A large economy capable of sustaining extraordinary growth, faster than the countries still trying to catch up to it.

The capacity to grow would itself become something the economy could manufacture.

By that definition, the Dominican Republic would not be able to build a rocketship on its own.

What we can still decide is whether we help supply one, grow alongside one, or watch these pull away.

La Carrera Detrás de la Carrera

Vimos cómo Estados Unidos está tratando de volver a construir cosas difíciles: aviones, máquinas, fábricas, chips, cohetes y, algo igual de interesante, las máquinas que hacen las máquinas.

Pero esas ambiciones van más allá de los productos. Una empresa puede tener un diseño listo y aun así no tener con qué producirlo. Necesita fábricas, proveedores especializados y gente que sepa convertir ese diseño en algo real. Para Estados Unidos, reconstruir esa base industrial se ha vuelto una meta en sí misma.

La carrera que la gente ve es la de los carros, los chips, los modelos de IA y las armas. La carrera que hay detrás es la de quién puede construir, conservar y ampliar la capacidad industrial que todo eso necesita.

Durante décadas, la globalización siguió una lógica muy poderosa. Un producto se podía diseñar en un país, fabricar donde los costos fueran más bajos y vender en todas partes. Pero cuando la producción se mudaba, se llevaba consigo las capacidades: las máquinas especializadas, las redes de proveedores y el conocimiento para fabricar las cosas.

Ese arreglo dependía de que el comercio siguiera abierto y de que los insumos críticos llegaran cuando hacían falta. La guerra comercial entre Estados Unidos y China, que empezó en 2018, puso a prueba esa idea.

La pandemia terminó de dejarlo claro.

Las fábricas cerraron. Los barcos se quedaron esperando frente a los puertos.

Las plantas de carros pararon porque no conseguían suficientes chips.

Los hospitales tuvieron que racionar mascarillas, guantes y batas porque no conseguían suficientes.

Estados Unidos respondió con un nuevo empuje para volver a industrializarse: reconstruir las fábricas, las redes de proveedores y las habilidades necesarias para producir lo esencial. Las políticas públicas promovieron más producción en casa y en países aliados de confianza. China, que ya tenía cadenas de suministro industriales muy completas, también buscó más control sobre tecnologías que ya no podía estar segura de poder importar.

Pero reconstruir la capacidad industrial requiere mucho más que volver a abrir un edificio.

Se podría reabrir una fábrica vieja y aun así no poder hacer lo que antes producía. Puede que las máquinas ya no estén. Puede que los proveedores se hayan mudado. Puede que los trabajadores que entendían el proceso se hayan retirado o se hayan llevado su conocimiento a otra parte.

Otras fuerzas empujaban en la misma dirección. La IA necesitaba una infraestructura enorme. La tecnología de defensa estaba volviendo. Las redes eléctricas estaban al límite. Y una nueva generación de emprendedores había vuelto a construir cosas físicas.

La capacidad de un país para construir la próxima generación de máquinas dependía de cosas que ya no podía dar por sentadas.

Cuando algo se vuelve esencial, depender por completo de que otro lo provea empieza a parecer un riesgo.

Y esa presión llega hasta adentro de las empresas que tratan de construir en la frontera.

En Estados Unidos, Tesla empezó a fabricar sus propias celdas de batería para completar lo que sus proveedores podían darle.¹ En China, BYD empezó a armar su propia flota de barcos para llevar sus carros al extranjero en un momento en que escaseaba el espacio en los barcos de carga.²

Cuando el Proveedor No Existe

Antes vimos a Boom tratando de traer de vuelta los vuelos supersónicos. Lo que no vimos fueron sus turbinas.

El Overture, el avión supersónico de pasajeros que Boom planea construir, necesitaba turbinas capaces de mantenerlo volando más rápido que el sonido de forma sostenida, con la confiabilidad, la eficiencia, el nivel de ruido y los costos de mantenimiento que las aerolíneas pudieran aceptar. Nadie las estaba ofreciendo en el mercado.

Para construir el avión, Boom tuvo que hacerse cargo también de las turbinas. Lanzó Symphony y asumió la responsabilidad de desarrollar sus propias turbinas con socios especializados.³

Figure, cuyos humanoides vimos entrar a trabajar en fábricas, se encontró con otra versión del mismo problema. Los carros y los celulares se apoyan en industrias maduras, con proveedores que ya saben fabricar sus piezas en grandes cantidades. Los humanoides todavía están construyendo esa base industrial.

Figure ha dicho que tuvo que diseñar casi todo el robot desde cero, incluidos sus motores, sus actuadores (los mecanismos que mueven las articulaciones), sus sensores, su batería y sus componentes electrónicos.⁴ Decidió ensamblar en casa las tecnologías clave, como las manos, los actuadores y las baterías. Figure podía comprar piezas sueltas, pero aun así tenía que desarrollar los sistemas esenciales que ningún proveedor podía darle todavía.

La ambición había ido más rápido que la cadena de suministro disponible.

Las dos empresas recurrieron a la integración vertical.

Cada una se estaba convirtiendo en el proveedor que no encontraba. Una parte mayor de la cadena de suministro quedaba bajo un mismo control. Las decisiones sobre el producto, sus piezas y los equipos para fabricarlas se podían planificar juntas.

Así que a veces la capacidad que falta todavía no existe. Y a veces existe, pero no puede crecer lo bastante rápido.

Construir el Sistema

Las empresas que compiten por llevar la inteligencia artificial a gran escala tienen ese segundo problema. Sus proveedores existen. Pero la capacidad que esperan necesitar puede no llegar a tiempo.

Terafab, el proyecto de chips que vimos antes, es una respuesta a ese vacío.⁵ Tesla y SpaceX esperan necesitar más chips de los que la industria puede producir. Para construir las máquinas que imaginan, planean fabricar ellas mismas una parte mayor de esos chips.

La presión no se queda en los chips. Los centros de datos necesitan enfriamiento, equipos eléctricos y energía confiable. Un retraso en un transformador o en la conexión a la red puede frenar un negocio cuyo producto más visible es el software.

Junto con Broadcom, OpenAI desarrolló Jalapeño, un chip propio, para tener más control sobre los chips en los que funcionan sus modelos y bajar lo que cuesta hacerlos funcionar.⁶ La empresa dice que sus propios modelos ayudaron a acelerar partes del diseño y la optimización del chip.

La IA ya está ayudando a diseñar los chips en los que va a funcionar la próxima IA.

NVIDIA está apostando por integrar una plataforma de cómputo completa. Su sistema Rubin reúne chips, gabinetes de servidores, redes, almacenamiento y software en lo que la empresa llama “codiseño extremo”.⁷ Una decisión sobre un procesador se toma al mismo tiempo que las decisiones sobre cómo le va a llegar la información y cómo van a trabajar juntos miles de procesadores. Sus socios construyen los servidores y la infraestructura alrededor de esa plataforma. Cada vez más partes del sistema se diseñan juntas, desde los chips hasta el centro de datos.

Si miramos el cuadro completo, Tesla es el ejemplo de una empresa que trata de controlar más eslabones de la cadena. Sus negocios van desde la energía solar y el almacenamiento en baterías hasta los vehículos y los robots humanoides. También diseña chips para la IA y desarrolla la IA que guía sus máquinas.⁸ Además de las máquinas, Tesla está desarrollando cada vez más de lo que les da energía y de lo que dirige su trabajo.

Energía. Chips. Inteligencia. Máquinas.

Cuando las Máquinas Construyen Más Máquinas

Antes vimos la idea de una explosión de inteligencia: que la IA ayude a crear una IA más capaz. En la frontera, algunos empiezan a explorar su equivalente físico: qué pasa cuando la IA y los robots ayudan a automatizar y ampliar el mismo sistema industrial que los produce.⁹

Una explosión industrial.

Y las primeras señales ya están apareciendo. Tesla ha informado que Optimus ya maneja baterías y hace tareas por su cuenta dentro de una de sus plantas.¹⁰ En septiembre de 2026, XPeng informó que su humanoide IRON ya sale caminando por su cuenta de una nueva línea de producción, donde la mayoría de los procesos principales están automatizados.¹¹

Son piezas tempranas, no la explosión en sí.

Normalmente, aumentar la capacidad industrial es un rompecabezas: resolver un cuello de botella muchas veces deja al descubierto otro. Una fábrica puede tener la demanda y las máquinas, pero no los ingenieros y técnicos para operarlas, gente que puede tardar años en formarse. Puede tener la gente, pero quedarse corta de piezas o materias primas porque sus proveedores no pueden crecer lo bastante rápido. Puede tener las dos cosas y aun así esperar por la energía que necesita para funcionar. Y aun con trabajadores e insumos, hay que coordinar miles de máquinas, entregas, mantenimientos y relevos antes de que la producción alcance la demanda.

Para entender cómo la IA y los robots podrían cambiar eso, volvamos a la fábrica e imaginemos cómo podrían funcionar estas ideas en el mundo real. Vamos a usar como ejemplo el programa Optimus de Tesla.

Para construir un Optimus hacen falta muchas piezas: actuadores que mueven sus brazos, piernas y manos, baterías que le dan energía y chips donde funciona su IA. Personas ensamblan esas y otras piezas con maquinaria industrial avanzada, en líneas de producción diseñadas por ingenieros y operadas con software.

Cuando los primeros robots salen de la línea de ensamblaje, las personas los prueban y les enseñan qué hacer. Algunos aprenden tareas conocidas. Cómo agarrar un objeto. Cómo limpiar el piso. Cómo fregar los platos.

Pero a otros les enseñan algo distinto.

Esos se quedan.

Les enseñan a hacer el trabajo de las personas que los están construyendo.

Al principio, el trabajo es modesto. Cargan materiales. Les pasan las piezas a las personas que las instalan.

Después, el entrenamiento mejora. La IA mejora. Los cuerpos mejoran.

Ya instalan ellos mismos las piezas. Revisan el trabajo. Ayudan a que la línea vuelva a arrancar cuando se para.

Más adelante, con el tipo de inteligencia artificial general, o IAG, que describimos antes, el robot razona ante un trabajo desconocido más o menos como lo haría una persona con experiencia. Asume una tarea nueva sin que nadie le enseñe cada movimiento. Cuando una pieza no encaja, analiza el problema y resuelve qué hacer.

La experiencia en la fábrica mejora la IA que todos comparten. Cuando una mejora ya se ha probado, otros robots pueden usarla. Una lección aprendida en una fábrica puede llegar a miles de máquinas. Cada robot nuevo empieza con lo que otros ya aprendieron.

Los robots se turnan para cargarse y para recibir mantenimiento. Pueden recargarse solos y darse mantenimiento de rutina unos a otros. La fábrica no para.

24/7.

Al mismo tiempo, algo cambia por encima de la línea.

Las personas que dirigen la fábrica le dicen a un sistema de IA lo que quieren lograr. El sistema convierte esas metas en trabajo coordinado entre los robots, las máquinas y el software dentro del edificio.

Cada robot informa cómo va. Cada máquina informa en qué estado está. Cada tramo informa lo que le queda.

Las personas fijan las metas y las prioridades. Las IA planifican la producción, piden las piezas y programan las reparaciones cuando un equipo da señales de problemas. Si una entrega se atrasa, ajustan el trabajo en toda la fábrica.

A medida que crece la producción, copias de esa inteligencia ayudan a los ingenieros a diseñar nuevas líneas y a organizar su construcción. Los planos del edificio, los equipos y el suministro de energía pueden avanzar juntos.

Y los pedidos no se quedan dentro de la fábrica.

Llegan a las líneas que fabrican actuadores. A las que fabrican baterías. A las que fabrican chips.

Mientras más de esa cadena de suministro controle Tesla directamente o coordine de cerca, más fácil será que sus distintas operaciones crezcan juntas. Los proveedores independientes pueden conectar sus sistemas al mismo esfuerzo.

Después, los robots empiezan a salir de la fábrica de humanoides hacia las plantas que la abastecen. Asumen más del trabajo de fabricar actuadores, baterías, chips y otras piezas. Operan y mantienen las máquinas. También ayudan a fabricar e instalar nuevos equipos de producción, incluidos brazos robóticos industriales, y ponen a producir nuevas líneas. Las IA coordinan la expansión entre todas las fábricas.

Un proveedor fabrica más actuadores. Otro, más baterías. Terafab produce más chips. Camiones Tesla Semi que se manejan solos llevan esas piezas a las nuevas líneas de ensamblaje de la fábrica de humanoides. De ahí salen más robots.

Algunos se quedan. Otros van a las fábricas proveedoras, donde ayudan a sumar la capacidad que hará falta para el próximo aumento de producción.

Otros van a las fábricas de Tesla que producen paneles solares y grandes sistemas de baterías que almacenan electricidad para las fábricas y para la red. Allí también ayudan a ampliar la producción. Más robots ayudan a instalar los paneles y las baterías y a construir la infraestructura eléctrica a su alrededor.

Las nuevas instalaciones ayudan a darles energía a las fábricas de robots y de piezas, y a la infraestructura de cómputo donde funciona su IA. El sistema industrial está ayudando a construir más de su propia energía.

Este ciclo no tiene que ser de una sola empresa. Podría funcionar entre países vecinos y empresas dispuestas a trabajar de cerca. Los aliados no solo fabricarían cosas unos para otros. Podrían ayudarse a ampliar su capacidad de fabricar más.

Con el tiempo, los robots no tienen por qué quedarse dentro del sistema que los fabrica. A medida que crece la producción, más robots pueden ayudar a automatizar el trabajo en toda la economía. Ayudan a producir más alimentos, carros, aparatos electrónicos, artículos para el hogar y equipos industriales. Otros construyen viviendas, mueven mercancía en almacenes y redes de entrega, y llenan los tramos de los supermercados.

Si todo esto funciona, los cuellos de botella que por mucho tiempo han frenado a la industria no solo se aflojan. Uno por uno, empiezan a ceder. La experiencia se puede copiar: formar a un nuevo especialista ya no toma años. Los robots le dan a la fábrica una fuerza laboral que crece con la producción. Los proveedores crecen junto con las fábricas que abastecen. La infraestructura de energía crece con ellos. Y la IA coordina a las personas, las máquinas y las empresas involucradas, y ayuda a que las distintas partes del sistema crezcan juntas.

Las máquinas fabricarían las máquinas que fabrican las máquinas.

La explosión de inteligencia y la explosión industrial podrían alimentarse una a la otra: una IA mejor ayuda a ampliar la industria, y la industria produce los chips y la energía para una IA mejor. Estos son los grandes ciclos.

Cohetes Económicos

Ok. Ahora vamos a dar un paso atrás y preguntarnos:

¿Qué podría significar todo esto para una economía entera?

Durante décadas, unos pocos puntos porcentuales han sido la medida del progreso de una economía. Creciendo al 2%, una economía avanzada tarda treinta y cinco años en duplicarse. Al 6%, una economía emergente como la nuestra tardaría unos doce.

En la frontera, algunos han empezado a preguntarse cómo sería un mundo con IA y robots en abundancia, y qué podría significar para la economía. El físico e investigador Damon Binder se hizo una pregunta más concreta: ¿qué tan rápido podría crecer la producción física (máquinas, materiales, energía y fábricas) una vez que estuviera totalmente automatizada?¹² Con datos de la industria estadounidense, hizo un modelo con fábricas trabajando casi a toda su capacidad, reinvirtiendo todo el excedente disponible y sin más avances tecnológicos que los necesarios para automatizar. Aun si los robots y el cómputo costaran mucho más, o si la minería se volviera mucho más difícil, calcula que la producción física podría duplicarse en más o menos un año.

Sí. Duplicarse.

Esa cifra sale de un modelo basado en los métodos de producción que existen hoy, no es un pronóstico. Si se incluyen los retrasos de construcción, la producción sigue duplicándose en menos de dos años. Si los combustibles fósiles se reemplazan por energía solar, baterías y energía nuclear, se acerca más a dos. Llegar a una economía totalmente automatizada tomaría, por sí solo, varios años. Mientras más de lo producido se consuma en vez de reinvertirse, más lento será el crecimiento. Binder no convierte su cifra en una tasa de crecimiento del PIB, porque sostiene que cambiaría radicalmente los precios que se usan para medir la producción.

Si esas máquinas se extendieran más allá de las fábricas que las produjeron, el PIB real, es decir, descontando la inflación, podría crecer a ritmos que hoy pueden parecer extraordinarios.

Ya en 1998, el economista Robin Hanson hizo un modelo del efecto sobre el PIB mundial: la inteligencia de las máquinas podría reducir el tiempo que tarda en duplicarse de unos dieciséis años a dieciocho meses.¹³ Más recientemente, investigadores de Epoch AI han explorado escenarios en los que la automatización lleva el crecimiento de la economía mundial por encima del 30% al año.¹⁴ Los dos hablan de la economía mundial, y los dos son modelos basados en supuestos.

Para tener una referencia, las proyecciones de octubre del Fondo Monetario Internacional (FMI) prevén que el PIB real crezca 2.3% en Estados Unidos y 4.6% en la República Dominicana en 2026.¹⁵

Aun así, hay razones para ser escépticos.

La automatización total sigue siendo un supuesto enorme. Una fábrica podría llenarse de robots y aun así depender de un especialista cuyo trabajo ellos no pueden hacer. Las empresas tendrían que reorganizarse mientras compiten por energía, equipos y financiamiento.

A esas objeciones yo añadiría otra. Incluso un país con IAG y robots capaces dependería de un sistema industrial que cruza fronteras, y de decisiones que no controla. Los yacimientos de minerales siguen donde la geología los puso. Un gobierno podría prohibir exportaciones. Un conflicto podría cortar una ruta comercial. Un proveedor clave podría no poder, o no querer, crecer.

Aun cuando el comercio sigue abierto, cada proveedor toma sus propias decisiones de inversión. Una empresa amplía su fábrica. Otra pospone una nueva línea de producción. Una tercera le compromete la capacidad que tiene a otro cliente. Cada una puede estar tomando una decisión razonable para su negocio, mientras al sistema completo se le hace difícil crecer.

Un país podría tener la inteligencia, los robots y el dinero, y aun así no poder crecer a nada parecido al ritmo de los modelos.

Todas estas razones son válidas.

En el mundo de hoy.

Si Estados Unidos logra volver a industrializarse, puede traer de vuelta a casa la producción esencial y reducir el riesgo de prohibiciones de exportación y de rutas comerciales interrumpidas. La cooperación puede asegurar socios dispuestos a ampliar su capacidad, no solo a despachar pedidos.

Cuando un proveedor no puede crecer lo bastante rápido, la integración vertical le permite a una empresa construir esa capacidad ella misma. Fábrica y proveedor quedan bajo un mismo control, y así pueden crecer juntos.

Si la IA y los robots logran dominar el trabajo necesario, les dan a estos esfuerzos lo que siempre les ha faltado: experiencia que se puede copiar y una fuerza laboral que se puede fabricar.

Esas máquinas construyen nuevas fábricas, amplían a sus proveedores y desarrollan la energía que necesitan. El sistema más grande produce más máquinas. Cada expansión aporta más de lo que necesita la siguiente.

Lo que estas fuerzas no pueden fabricar es el permiso. Construir una fábrica puede tomar meses, y aprobarla, años. La gente vota. Si la automatización destruye medios de vida mientras sus ganancias se quedan en pocas manos, el apoyo público para seguir adelante podría venirse abajo.

Juntas, estas fuerzas podrían convertir la economía de un país en lo que yo llamo:

Un Cohete Económico.

Una economía grande, capaz de sostener un crecimiento extraordinario, más rápido que el de los países que todavía tratan de alcanzarla.

La capacidad de crecer se convertiría en algo que la propia economía podría fabricar.

Según esa definición, la República Dominicana no podría construir un cohete económico por su cuenta.

Lo que todavía podemos decidir es si ayudamos a abastecer uno, si crecemos junto a uno o si nos quedamos viendo cómo se alejan.

The idea of an economic rocketship can sound overly optimistic for some.

But, as we saw with space, the value of the idea does not wait for the destination.

Almost every country pursues economic growth. We always see it being championed in the headlines.

Perhaps we should ask the more basic question: Why is it so important?

To begin answering that, let’s come back home.

In 2025, we got a small taste of its opposite: stagnation.

The Dominican economy grew by 2.1 percent, compared with 5 percent the year before.¹ We were still growing and yet for some, it felt as if everything was in shambles. The same old complaints kept flowing in the media:

Sales were difficult, people were spending cautiously, things should pick back up.

And that was only a slowdown.

Imagine those conditions lasting for years.

When growth is low, or there is none:

Businesses invest less. Fewer opportunities open. Young people struggle to find work. A couple keeps putting off buying a home, or having a child, because they cannot see how to make the numbers work. Rent, groceries and other bills may continue rising while their incomes barely move.

Even people who have spent decades building something can become vulnerable. A business that supported a family for twenty years struggles to find enough customers. Its owner puts more money into keeping it alive, until the savings meant for the next stage of life are being used to protect the last one.

The government faces harder choices, too. Public works are postponed. The improvements people expected take longer to arrive. The need for better schools, hospitals and roads remains, but the resources to provide them are becoming harder to find.

After a while, fewer people wake up with something to look forward to. They ask for less. They become more protective of what they have. Someone else’s success starts feeling like an opportunity that will no longer be available to them.

Pessimism takes the wheel.

That is why stagnation is something every country must fight to avoid.

Growth is the opposite of that scenario.

When businesses grow, they reinvest more. More jobs become available. The young find better opportunities. With a steadier income, the couple who kept postponing a home can begin saving for one. Starting a family becomes something they can prepare for, instead of something they keep putting off.

As their circumstances improve, other possibilities open. A better home, more kids. The chance of starting a business of their own. It becomes easier for people to accomplish the things they once only wished for. Progress gives people reasons to commit more of their effort, savings and ambition to the future.

And some of that progress becomes visible to everyone.

Sustained growth gives the government more resources for public works. When those resources are used well, the works that were postponed get built. A hospital expands, a school opens, a road connects communities that were harder to reach.

Progress stops being personal and starts being collective.

Over time, we come to expect that our efforts will lead somewhere. That we can build a better life here. That someone else’s success might reveal a possibility for us, too.

In a growing economy, one person’s gain need not be another’s loss. Those with little can move up, and those with more can build further.

Optimism takes the wheel.

For us, that is not hypothetical. In the 1960s, we were among the poorest countries in the hemisphere. Over the following half-century, our economy grew faster than any other in Latin America, averaging close to 5 percent a year.² By the late 2000s, we had become an upper-middle-income country.³ Over the past three decades, poverty has fallen by about two-thirds, and the middle class now outnumbers the poor.^4,5

Our people, our companies and our wealth have grown in ways that would have sounded overly optimistic thirty years ago. Today our standard of living is roughly a third of that in the United States.⁴

However, we must avoid falling into complacency.

Our progress so far does not make us immune to stagnation.

The infamous middle-income trap, which has caught countries whose rise once looked as assured as ours.⁶

To keep advancing, a country must become better at what it already does and learn to do more valuable things.

For a sense of what that looks like, consider Mexico. It has averaged close to 2 percent annual growth over the past three decades, too slow to close its income gap with advanced economies.⁷

One slower year does not establish that we have fallen into this trap. But decades of progress cannot guarantee that we will avoid it. At some points in its history, Mexico and others seemed as unstoppable as us.⁸

Our government has already recognized this challenge. Its emphasis on productivity, innovation and a new generation of reforms, now reaching into technology, the industry behind the world’s most valuable companies,⁹ reflects an understanding that, for a relatively small nation, the model that brought us this far must evolve.¹⁰

That is the way forward.

In 2024, it presented Meta RD 2036: a plan to double the size of the Dominican economy, after accounting for inflation, by 2036. That requires growth averaging roughly 6 percent a year over twelve years—and the productive capabilities to sustain it.¹⁰

We are not on that pace yet. After 2.1 percent in 2025, the IMF expects about 4.6 percent this year and about 5 percent in 2031: closer, but still short of six.¹¹

That horizon fits inside our own lives.

A student entering university today would still be early in a career. A business founded now could be an established company. Children now in primary school would be approaching adulthood. The growth we sustain will help determine the opportunities waiting for them.

As I explored the frontier, I also began following some of the initiatives launched here at home, to see where they stood.

Agenda Digital 2030, launched in August 2021, and the National Innovation Policy addressed familiar, broader foundations: connectivity, skills, public services and innovation.^12,13

The ambitions reached further in the National Artificial Intelligence Strategy, ENIA: talent, research and infrastructure to process and store data here. The semiconductor strategy, ENFIS, sought a place in the manufacturing and assembly chains behind these technologies.^14,15

Then there was NVIDIA.

The company we had encountered throughout our exploration of AI signed an agreement with the Dominican government in October 2025. Its announced scope included talent, computing infrastructure, hosting data and AI models domestically, and applications in health, education and tourism.¹⁶

In February 2026, the first group of professors from ITLA, INTEC and PUCMM was named to train in applied AI, data science and high-performance computing under that partnership.¹⁷ Dominican professors preparing to bring these capabilities into their classrooms: the connection was becoming easier to picture.

In June, the government reported that construction had begun on an AI Center of Excellence with NVIDIA’s support, intended for applied research, specialized training and collaboration with universities and businesses.¹⁸

Seen together, the announcements began to mean something more. At the base, the Plan Energético Nacional, though not written for AI, takes on our long-standing electricity problem, adding generation and storage through 2038.¹⁹ Above it, ENFIS seeks a place in the assembly and testing of chips.^15,20 Then come the layers that run on that hardware: ENIA, the NVIDIA partnership and the Plan de Atracción IED TIC reach computing infrastructure, data and models hosted here, and AI in public services.^14,16,21

That is how a list could begin to behave like a system.

Here are some of those plans, and where each stands, as of October 2026.

Read by layer, they reach all five layers of what Jensen Huang calls AI’s five-layer cake, the ones we saw earlier, from energy to applications.²⁶

I had gone looking for updates and insights. I found a public agenda thinking further ahead than I had expected—in some areas, further than much of what I was hearing from the people around me.

But in all the initiatives, most of the work is still ahead. The first chip plant is still a plan. The AI factories are still to come, and the models are not yet hosted here. The state’s AI assistant is still being built. And none of it can run on a grid that blinks.

An agreement is not yet infrastructure. A training program is not yet an industry. And even a finished factory can remain an enclave, creating jobs and exports with few ties to local suppliers and little knowledge passing into the wider economy. Those connections have to be built, too.²⁷

These ambitions are entering our national plans.

But are they entering our own?

La idea de un cohete económico pudiera sonar demasiado optimista para algunos.

Pero, como vimos con el espacio, no hay que llegar al destino para entender el valor de la idea.

Casi todos los países persiguen el crecimiento económico. Lo vemos a diario en los titulares.

Quizás deberíamos hacernos una pregunta más básica: ¿por qué es tan importante?

Para empezar a responderla, volvamos a casa.

En 2025 probamos una pequeña dosis de lo contrario: el estancamiento.

La economía dominicana creció tan solo 2.1%, frente a 5% el año anterior.¹ Seguíamos creciendo y, aun así, para algunos se sentía como si todo estuviera en crisis. En los medios se repetían las mismas quejas de siempre:

Las ventas estaban difíciles, la gente gastaba con cuidado, las cosas tenían que repuntar.

Y eso fue solo una desaceleración.

Imagínate esas condiciones durante años.

Cuando el crecimiento es bajo, o no hay crecimiento:

Las empresas invierten menos. Se abren menos oportunidades. A los jóvenes les cuesta encontrar trabajo. Una pareja sigue posponiendo la compra de una casa, o tener un hijo, porque no ve cómo cuadrar los números. El alquiler, la compra del supermercado y las demás cuentas pueden seguir subiendo mientras sus ingresos casi no se mueven.

Hasta la gente que lleva décadas construyendo algo puede quedar en una posición frágil. Un negocio que mantuvo a una familia durante veinte años no consigue suficientes clientes. Su dueño le mete más dinero para mantenerlo vivo, hasta que los ahorros pensados para la próxima etapa de la vida se van en proteger la anterior.

El gobierno también enfrenta decisiones más difíciles. Las obras públicas se posponen. Las mejoras que la gente esperaba tardan más en llegar. Las escuelas, los hospitales y las carreteras mejores siguen haciendo falta, pero cada vez es más difícil encontrar los recursos para hacerlos.

Al cabo de un tiempo, menos gente se levanta con algo que esperar. Piden menos. Se aferran más a lo que tienen. El éxito de otro empieza a sentirse como una oportunidad que ya no va a estar disponible para ellos.

El pesimismo toma el volante.

Por eso todo país tiene que luchar para evitar el estancamiento.

El crecimiento es lo contrario de ese escenario.

Cuando las empresas crecen, reinvierten más. Aparecen más empleos. Los jóvenes encuentran mejores oportunidades. Con un ingreso más estable, la pareja que seguía posponiendo la casa puede empezar a ahorrar para comprarla. Formar una familia se vuelve algo para lo que se pueden preparar, en vez de algo que siguen dejando para después.

A medida que mejora su situación, se abren otras posibilidades. Una casa mejor, más hijos. La oportunidad de montar un negocio propio. Se hace más fácil lograr cosas que antes la gente solo deseaba. El progreso le da a la gente razones para poner más de su esfuerzo, sus ahorros y su ambición en el futuro.

Y parte de ese progreso se vuelve visible para todos.

Un crecimiento sostenido le da al gobierno más recursos para obras públicas. Cuando esos recursos se usan bien, las obras que se habían pospuesto se construyen. Un hospital se amplía, se abren más escuelas, una nueva carretera conecta comunidades a las que antes era más difícil llegar.

El progreso deja de ser personal y empieza a ser colectivo.

Con el tiempo, empezamos a creer que nuestro esfuerzo nos va a llevar a alguna parte. Que podemos construir una vida mejor aquí. Que el éxito de otro podría mostrarnos una posibilidad para nosotros también.

En una economía que crece, lo que uno gana no tiene por qué perderlo otro. Los que tienen poco pueden subir, y los que tienen más pueden seguir construyendo.

El optimismo toma el volante.

Para nosotros, eso no es una hipótesis. En los años sesenta estábamos entre los países más pobres del hemisferio. En el medio siglo siguiente, nuestra economía creció más rápido que cualquier otra de América Latina, con un promedio cercano a 5% al año.² A finales de la década de 2000 ya éramos un país de ingreso mediano alto.³ En las últimas tres décadas, la pobreza ha bajado cerca de dos tercios, y hoy la clase media es más numerosa que los pobres.^4,5

Nuestra gente, nuestras empresas y nuestra riqueza han crecido de maneras que hace treinta años hubiesen sonado demasiado optimistas. Hoy nuestro nivel de vida es más o menos un tercio del de Estados Unidos.⁴

Pero tenemos que evitar caer en la complacencia.

El progreso que hemos conseguido no nos hace inmunes al estancamiento.

La temida trampa del ingreso medio, que ha atrapado a países cuyo ascenso alguna vez pareció tan seguro como el nuestro.⁶

Para seguir avanzando, un país tiene que hacer mejor lo que ya hace y aprender a hacer cosas de más valor.

Para tener una idea de cómo se ve eso, pensemos en México. En las últimas tres décadas ha crecido en promedio cerca de 2% al año, demasiado lento para cerrar la brecha de ingreso con las economías avanzadas.⁷

Un año más lento no demuestra que hayamos caído en esa trampa. Pero décadas de progreso tampoco garantizan que la vayamos a evitar. En algunos momentos de su historia, México y otros parecieron tan imparables como nosotros.⁸

Nuestro gobierno ya ha reconocido este desafío. Su énfasis en la productividad, la innovación y una nueva generación de reformas, que ahora llega a la tecnología, la industria detrás de las empresas más valiosas del mundo,⁹ muestra que entiende que, para una nación relativamente pequeña, el modelo que nos trajo hasta aquí tiene que evolucionar.¹⁰

Ese es el camino.

En 2024 presentó la Meta RD 2036: un plan para duplicar el tamaño de la economía dominicana, descontando la inflación, para 2036. Eso exige un crecimiento promedio de alrededor de 6% al año durante doce años, y las capacidades productivas para sostenerlo.¹⁰

Todavía no vamos a ese ritmo. Después del 2.1% de 2025, el Fondo Monetario Internacional (FMI) espera cerca de 4.6% este año y cerca de 5% en 2031: más cerca, pero todavía por debajo de seis.¹¹

Lo interesante es que ese horizonte cabe dentro de nuestras propias vidas.

Un estudiante que entra hoy a la universidad todavía estaría empezando su carrera. Un negocio fundado ahora podría ser una empresa establecida. Los niños que hoy están en la primaria estarían llegando a la adultez. El crecimiento que logremos sostener ayudará a decidir las oportunidades que los esperan.

Mientras exploraba la frontera tecnológica, también empecé a seguir algunas de las iniciativas lanzadas aquí en casa, para ver en qué estaban.

La Agenda Digital 2030, lanzada en agosto de 2021, y la Política Nacional de Innovación se ocupaban de bases conocidas y más amplias: conectividad, habilidades, servicios públicos e innovación.^12,13

Las ambiciones llegaban más lejos en la Estrategia Nacional de Inteligencia Artificial, la ENIA: talento, investigación e infraestructura para procesar y guardar datos aquí. La estrategia de semiconductores, la ENFIS, buscaba un lugar en las cadenas de fabricación y ensamblaje detrás de estas tecnologías.^14,15

Y entonces llegó NVIDIA.

La empresa con la que nos habíamos encontrado a lo largo de nuestro recorrido por la frontera firmó un acuerdo con el gobierno dominicano en octubre de 2025. Según lo anunciado, abarcaba talento, infraestructura de cómputo, alojar datos y modelos de IA en el país, y aplicaciones en salud, educación y turismo.¹⁶

En febrero de 2026 se anunció el primer grupo de profesores del ITLA, el INTEC y la PUCMM que se formará en IA aplicada, ciencia de datos y computación de alto rendimiento gracias a esa alianza.¹⁷ Profesores dominicanos preparándose para llevar estas capacidades a sus aulas: la conexión se volvía más fácil de imaginar.

En junio, el gobierno informó que había empezado la construcción de un Centro de Excelencia en Inteligencia Artificial con el apoyo de NVIDIA, pensado para la investigación aplicada, la formación especializada y la colaboración con universidades y empresas.¹⁸

Vistos en conjunto, los anuncios empezaban a significar algo más. En la base, el Plan Energético Nacional, aunque no se escribió pensando en la IA, enfrenta nuestro viejo problema eléctrico, con más generación y almacenamiento hasta 2038.¹⁹ Encima, la ENFIS busca un lugar en el ensamblaje y la prueba de chips.^15,20 Después vienen las capas que funcionan sobre ese hardware: la ENIA, la alianza con NVIDIA y el Plan de Atracción IED TIC llegan a la infraestructura de cómputo, a los datos y modelos alojados aquí y a la IA en los servicios públicos.^14,16,21

Así es como una lista podía empezar a comportarse como un sistema.

Estos son algunos de esos planes, y en qué estaba cada uno a octubre de 2026.

Leídos por capa, llegan a las cinco capas de lo que Jensen Huang, el director ejecutivo de NVIDIA, llama el pastel de cinco capas de la IA, las que vimos antes, desde la energía hasta las aplicaciones.²⁶

Había salido a buscar novedades e ideas. Encontré una agenda pública que pensaba más adelante de lo que esperaba; en algunos temas, más adelante que mucho de lo que escuchaba a la gente a mi alrededor.

Pero en todas las iniciativas, la mayor parte del trabajo todavía está por delante. La primera planta de chips sigue siendo un plan. Las fábricas de IA todavía están por venir, y los modelos todavía no se alojan aquí. El asistente de IA del Estado todavía se está construyendo. Y nada de eso puede funcionar si seguimos con el famoso problema de la luz.

Un acuerdo todavía no es infraestructura. Un programa de formación todavía no es una industria. Y hasta una fábrica terminada puede quedarse como un enclave, que crea empleos y exportaciones con pocos lazos con los proveedores locales y poco conocimiento que pase al resto de la economía. Esas conexiones también hay que construirlas.²⁷

Estas ambiciones están entrando en nuestros planes nacionales.

Pero ¿están entrando en los nuestros?

Meta RD 2036 may look like a distant date on the calendar.

I think it is more useful to see it as a world entirely different from the one we know today.

By then, some gigantic technological leaps will have taken place.

AI, robotics and the space economy will have begun to change the way we live.

To be honest, I did not always believe these technologies would advance this quickly, or spread across the economy this fast. I have followed technology closely for a long time, and it is a field full of hype and unrealistic expectations. But the more I learned, the more I spoke with the people building them and the deeper I dug into the details, the more my expectations changed. AI had progressed faster than I had imagined. Robots were no longer a futuristic dream. Going back to space was no longer a someday thing.

Things are moving so fast that at the frontier there is a saying: the only way to keep up with it all is to be unemployed.

Based on current trends, it is very reasonable to expect superintelligence before 2030: a machine smarter not only than most of us, but than any human being, even those with the most impressive credentials.

By 2036, I believe it will already have been with us for years.

I also expect humanoid robots to have had their own ChatGPT moment well before then, making their usefulness apparent to a much wider public.

Imagine living in that world.

An older man who can no longer drive calls a car to visit his grandchildren. He no longer has to wait for someone to take him. At home, a robot handles some of the physical chores that had begun to make living alone difficult.

Superintelligence will be available through your phone. Energy will be cheaper and more abundant. Supersonic aircraft will have returned to passenger service. Cars will take people where they need to go without anyone at the wheel. Robots will be working in factories, hotels and homes.

Beyond Earth, I expect industry to have begun moving into orbit, with companies building and operating facilities there, and a base on the Moon where people live and work, supplied by a growing network of transportation, power and communications.

And at the furthest edge of what I imagine, there is a good chance that human explorers will already have reached Mars.

All within the horizon of Meta RD 2036.

Over the past few months, I have become convinced that the future will look like the future, even here at home.

Some of these milestones may take longer than I expect.

Even so, a world with only a fraction of these changes will be entirely different, and will ask different things of us.

Technology will have escaped the screen.

---

But being confident about what these technologies will be able to do, and roughly when, is different from knowing exactly how they will change the economy, or even the world.

Will they replace us, or augment us? Will there be enough work left for everyone? Who will gain, and who will be left behind?

Nobody can know for sure.

Whoever tells you otherwise is selling you something.

Still, I am an optimist.

I believe these technologies will do the world a great deal of good and bring many opportunities to grow, including for us.

But along the way, they will disrupt some of the ways we earn a living here today.

Here are a few rough sketches of what I believe could be at stake:

Disruption could reach a Dominican household before the first self-driving car or robot reaches its door.

In 2025, the country received nearly US$11.9 billion in remittances. Behind those transfers are people working abroad and families who depend on what they send home.¹ Consider a Dominican working as a driver in the United States. If autonomous vehicles take over enough of that work, his earnings could fall before he finds another way to earn a living. The transfer becomes smaller. A technological change abroad has entered the household budget here.

A World Bank study examining migrants from Central America and the Dominican Republic identifies a broader concern: their concentration in lower-skilled manual work could leave them vulnerable to advances in AI and robots.²

The same technology that gives one person greater independence can unsettle the income another family depends on.

It could also reach income we earn here, through services we sell abroad.

Consider call centers. In August 2025, industry representatives reported that Dominican call centers and business process outsourcing generated more than 36,000 formal jobs and US$1.2 billion in exports.³

A company that once hired a Dominican call center to handle customer inquiries may find that AI can resolve most of them. It could negotiate a lower price or bring part of the service inside its own operations—integrating vertically, as we saw earlier—using software and a smaller team. More customers could be served while fewer people are needed to serve them.

And this is no longer only a possibility. After more than a decade of growth, global call-center employment has fallen from a year earlier for eight straight quarters, and sits 5.3% below its peak at the end of 2023.⁴ The decline began in rich countries and has spread to middle-income ones like ours. Those running the numbers find AI’s role hard to dismiss.

Medical tourism could face its own version. AI could help providers here improve care and lower costs, but if it also makes treatment more affordable abroad, some of the price differences that encourage patients to travel could narrow.

Then there is what happens to the price of everything AI and robots touch.

One idea being discussed at the frontier is that if AI and robots let businesses and factories produce more with fewer resources, their prices could fall. Goods that once seemed expensive would become ordinary purchases.

If production outpaced demand across the economy, falling prices could become widespread and persistent: deflation, the opposite of the inflation we are used to. It is not an automatic consequence of AI; spending, investment and monetary policy would shape the outcome.

It may sound unlikely, but we have lived through two versions of it, and both came from China. After it joined the World Trade Organization in 2001, its cheaper goods pushed prices down far beyond its borders: in the United States, its entry alone lowered the price of manufactured goods by an estimated 7.6% within its first few years as a member.⁵ More recently, prices at Chinese factories fell year after year for more than three years, from late 2022 into early 2026,⁶ and its exporters cut prices to keep selling. Solar panels lost about half their price in 2023 alone,⁷ and that summer the prices Europe paid for Chinese goods were falling at an annual rate of 15%.⁸

Cheaper goods would be welcome. But not to a household that depends on a factory job, or to the factory that pays it. When prices fall faster than costs, profits shrink, orders move to whoever can produce for less, and the jobs go with them. Many Dominican families earn their living in our free zones and in factories that compete with imports.

Yet there is another side to the coin, and it is the reason for my optimism.

Those same changes could widen what we are able to produce here.

Some activities have remained beyond our reach because we lacked the specialized expertise to undertake them. A business might have the capital and see the opportunity, yet struggle to assemble the people who know how to design the product, configure the machinery or solve problems on the production line.

As AI becomes more capable, more of that knowledge could become accessible. Robots could help turn designs and instructions into physical work. A Dominican company could attempt something it previously did not know it could do.

The same is true of industries where we already excel.

Consider tobacco. We are the world’s leading exporter of premium cigars, and we have experienced growers, skilled artisans and long relationships with buyers abroad. AI could help our growers understand their land, their weather and their harvests better, and speed up the search for new varieties, more resistant and better suited to our fields. Perhaps it could let us grow here leaves we have long had to buy abroad. More of the cigar, and more of its value, could then come from here.

Zooming out, I suspect these technologies could also change some of the incentives behind global trade. If businesses can obtain more of the expertise and machinery needed to produce closer to their customers, some goods now imported from across the world could be made locally. If that happened across many countries, exporters of those goods could face shrinking markets abroad, even as consumption continued to grow.

For us, that possibility works in both directions. Some customers abroad could find it easier to make what they currently buy from us. We could also find it easier to make things we have always bought from them.

Geopolitics is pushing in the same direction. It has already changed where production is located and which countries are considered trustworthy.

Together, technology and geopolitics could rearrange how nations earn their place in the world economy.

Countries that compete mainly on lower labor costs could find that advantage weakening, as call centers already have. Others could remain competitive through access to energy and raw materials, proximity to major markets, specialized suppliers or the scale and reliability of what they can produce.

And one of those advantages is already ours: proximity. The country reindustrializing on our doorstep is the United States: our most important ally, our largest export market,⁹ home to most Dominicans who live abroad,¹⁰ and the source of about four of every five dollars they send back.¹¹

That makes getting our house in order even more consequential. Reliable electricity, better education and retraining, stronger institutions and access to financing would help us strengthen established industries and enter new ones, while the world outside continues to change.

Over the last fifteen years, the engines we already have carried us a long way. Tourism, the free zones, services and the remittances of Dominicans abroad helped build a growing middle class.

Some of those engines may now become less dependable.

It would be naive to believe that doubling our economy will simply mean expanding what we already have.

If they weaken and we build no new ones, we risk losing part of what we have built.

---

At the beginning, I asked what kind of world we were preparing to enter—and whether our most ambitious plans were being built for that world.

My answer is yes. I believe they are.

The truth is, these preparations show a level of foresight I never thought I’d see so soon. Our government has chosen to pursue some of the world’s most advanced and highest-value industries, however difficult the path and whatever the odds of success.

And that ambition, to me, deserves more recognition.

Read together, our national plans line up with the frontier, layer by layer, from energy to applications.

I am certain that the greatest rewards from these technologies will go to the countries that take part in building them. In the United States, AI investment already accounts for a third or more of economic growth.¹² The IMF expects Taiwan, which makes much of the hardware behind AI, to grow 10.7% in 2026, faster than any other economy not driven by oil.¹³

For us, or for any country hoping to double its economy, using them will not be enough.

As they spread, they could also weaken the engines we already have.

The best antidote to that disruption is to take part in it: to help build these technologies.

It will not save every job those engines provide. But it can have new engines ready before the old ones fade.

That is where our plans line up with something larger: the economic rocketship that may be forming to our north.

An economic rocketship needs to keep its supply chain close: at home, or among nearby allies. And we, as we saw, are both: nearby, and an ally.

We could not build one on our own. But we could become part of one.

What could the United States build better, faster or more resiliently if part of its supply chain were built here? To me, that is the most important question.

The spaceport in Pedernales is one answer already on its way.¹⁴ If I had told you that a spaceport was coming to Pedernales, you would probably have considered it ridiculous. And there are others, still waiting to be found.

Each layer of our plans is part of the answer. A nearby supplier needs energy it can count on, a place in the chip industry, computing power, and people who can put it to work.

But I believe these initiatives will not go very far without much greater involvement from us in the private sector and from individuals across the country.

No plan can supply a rocketship. Companies do. The government can sign the agreements, set the strategy and train the teachers. It cannot build the products, win the contracts, meet the standards or take the risks that turn a plan into an industry.

And we have seen this before. Our free zones did not move from apparel into medical equipment because a plan said so; companies made that move.¹⁵ ENFIS now seeks the same kind of move in the assembly and testing of chips, and it will take companies to make it.

Some of the companies at the frontier have already signaled interest in us.

Perhaps we should show greater interest in them.

For those of us in business, that means setting our sights higher: investing in industries we are only beginning to understand. Partnering with American companies, universities and investors. Working with our own universities on the research and skills we need. And being patient with those new businesses: giving them the time and investment they need to show what they can become.

It is not only businesses. Whether you are a student, a small business owner, or working inside a large organization or government, learning to use these technologies well could allow you to do work you once thought only the best in the world could do.

Our involvement will help determine which of the industries taking shape in the world also take root here. The field is being prepared and the rules are being written. More of us need to step into that world.

If these initiatives never grow beyond a few institutions, they will remain initiatives: agreements that never become infrastructure, training that never becomes an industry. Others will pull away, and stagnation will still be waiting for us.

La Meta RD 2036 pudiera parecer una fecha lejana en el calendario.

Creo que es más útil verla como un mundo totalmente distinto al que conocemos hoy.

Para entonces habrán ocurrido saltos tecnológicos gigantescos.

La inteligencia artificial, la robótica y la economía del espacio ya habrán empezado a cambiar la forma en que vivimos.

Para ser honesto, no siempre creí que estas tecnologías avanzarían tan rápido, ni que se extenderían por la economía a esta velocidad. Llevo mucho tiempo siguiendo de cerca la tecnología, y es un campo lleno de exageraciones y expectativas poco realistas. Pero mientras más aprendía, más conversaba con la gente que las estaba construyendo y más me metía en los detalles, más cambiaban mis expectativas. La IA había avanzado más rápido de lo que imaginaba. Los robots ya no eran un sueño futurista. Volver al espacio ya no era cosa de algún día.

Las cosas están avanzando tan rápido que en la frontera tecnológica hay un dicho: la única manera de mantenerse al día con todo lo que está pasando es no tener trabajo.

Si se mantienen las tendencias actuales, es muy razonable esperar la superinteligencia antes de 2030: una máquina más inteligente no solo que la mayoría de nosotros, sino que cualquier ser humano, incluso aquellos con las credenciales más impresionantes.

Para el 2036, creo que ya llevará años entre nosotros.

También espero que los robots humanoides hayan tenido su propio boom tipo ChatGPT mucho antes, y que su utilidad le resulte evidente a mucha más gente.

Imagina vivir en ese mundo.

Un señor mayor que ya no puede manejar puede pedir un carro para ir a visitar a sus nietos. Ya no tiene que esperar a que alguien lo lleve. En la casa, un robot se encarga de algunas de las tareas físicas que habían empezado a hacerle difícil vivir solo.

La superinteligencia estará disponible desde cualquier celular. La energía será más barata y más abundante. Los aviones supersónicos habrán vuelto a llevar pasajeros. Los carros llevarán a la gente a donde necesite ir, sin nadie manejando. Los robots estarán trabajando en fábricas, hoteles y casas.

Más allá de la Tierra, espero que la industria haya empezado a mudarse a la órbita, que haya empresas que construyen y operan instalaciones allá arriba, y una base en la Luna donde la gente viva y trabaje, abastecida por una red cada vez más grande de transporte, energía y comunicaciones.

Y en el borde más lejano de lo que imagino, hay buenas probabilidades de que los primeros exploradores ya hayan llegado a Marte.

Todo dentro del horizonte de la Meta RD 2036.

En los últimos meses, me he convencido de que el futuro se va a parecer al futuro, incluso aquí en casa.

Puede que algunos de estos hitos tarden más de lo que espero.

Aun así, un mundo con tan solo una fracción de esos cambios será totalmente distinto y nos exigirá cosas diferentes.

La tecnología habrá salido de la pantalla.

---

Pero una cosa es confiar en lo que estas tecnologías podrán hacer, y más o menos para cuándo, y otra es saber exactamente cómo van a cambiar la economía, o incluso el mundo.

¿Nos van a reemplazar, o nos van a hacer más capaces? ¿Quedará trabajo suficiente para todos? ¿Quién va a ganar, y quién se va a quedar atrás?

Nadie puede saberlo con certeza.

Quien te diga lo contrario te está vendiendo muñequitos.

Aun así, soy optimista.

Creo que estas tecnologías le harán mucho bien al mundo y que traerán muchas oportunidades para crecer, también para nosotros.

Pero en el camino, van a alterar algunas de las formas en que hoy nos ganamos la vida aquí.

Estos son algunos bosquejos rápidos de lo que entiendo que podría estar en juego:

La disrupción podría llegar a un hogar dominicano antes de que el primer carro autónomo o el primer robot llegue a su puerta.

En 2025, el país recibió casi US$11,900 millones en remesas. Detrás de esas transferencias hay gente que trabaja en el extranjero y familias que dependen de lo que les mandan.¹ Pensemos en un dominicano que trabaja como taxista o chofer en Estados Unidos. Si los vehículos autónomos se quedan con buena parte de ese trabajo, sus ingresos podrían bajar antes de que encuentre otra manera de ganarse la vida. La remesa se achica. Un cambio tecnológico en el extranjero ya entró al presupuesto de una casa aquí.

Un estudio del Banco Mundial sobre los migrantes de Centroamérica y la República Dominicana señala una preocupación más amplia: como se concentran en trabajos manuales de baja calificación, podrían quedar expuestos a los avances de la IA y de los robots.²

La misma tecnología que le da a una persona más independencia puede sacudir el ingreso del que depende una familia.

También podría llegar a lo que ganamos aquí, con los servicios que vendemos al exterior.

Pensemos en los call centers. En agosto de 2025, representantes del sector informaron que los call centers y la tercerización de procesos de negocio del país generaban más de 36,000 empleos formales y US$1,200 millones en exportaciones.³

Una empresa que antes contrataba un call center dominicano para atender las consultas de sus clientes puede descubrir que la IA resuelve la mayoría de ellas. Podría negociar un precio más bajo o llevarse parte del servicio a su propia operación —integrarse verticalmente, como vimos antes— con software y un equipo más pequeño. Se podría atender a más clientes con menos gente.

Y esto ya no es solo una posibilidad. Después de más de una década de crecimiento, el empleo en call centers en el mundo ha caído frente al año anterior durante ocho trimestres seguidos, y está 5.3% por debajo de su punto más alto, a finales de 2023.⁴ La caída empezó en los países ricos y ya llegó a países de ingreso medio como el nuestro. Quienes están sacando los números ven difícil descartar el papel de la IA.

El turismo de salud podría vivir su propia versión. La IA podría ayudar a los proveedores de aquí a mejorar la atención y bajar los costos, pero si también abarata el tratamiento en el extranjero, algunas de las diferencias de precio que animan a los pacientes a viajar podrían achicarse.

Luego está lo que pasa con el precio de todo lo que tocan la IA y los robots.

Algo que se está discutiendo en la frontera es que si la IA y los robots les permiten a las empresas y a las fábricas producir más con menos recursos, los precios de estos pueden disminuir. Productos que antes parecían costosos se vuelven compras comunes.

Si la producción superara la demanda en toda la economía, la caída de precios podría volverse general y persistente: deflación, lo contrario de la inflación a la que estamos acostumbrados. No es una consecuencia automática de la IA; el gasto, la inversión y la política monetaria influirían en el resultado.

Puede sonar poco probable, pero ya hemos vivido dos versiones de esto, y las dos vinieron de China. Después de que entró a la Organización Mundial del Comercio (OMC) en 2001, sus productos más baratos empujaron los precios hacia abajo mucho más allá de sus fronteras: en Estados Unidos, su entrada por sí sola bajó el precio de los productos manufacturados, según se estima, en 7.6% en sus primeros años como miembro.⁵ Más recientemente, los precios en las fábricas chinas bajaron año tras año durante más de tres años, desde finales de 2022 hasta principios de 2026,⁶ y sus exportadores rebajaron precios para seguir vendiendo. Los paneles solares perdieron cerca de la mitad de su precio solo en 2023,⁷ y para julio de ese año los precios que Europa pagaba por los productos chinos caían a un ritmo anual de 15%.⁸

Los productos más baratos serían bienvenidos. Pero no para una familia que depende de un empleo en una fábrica, ni para la fábrica que le paga. Cuando los precios bajan más rápido que los costos, las ganancias se achican, los pedidos se van a quien pueda producir más barato, y los empleos se van con ellos. Muchas familias dominicanas se ganan la vida en nuestras zonas francas y en fábricas que compiten con las importaciones.

Pero también está la otra cara de la moneda, y es la razón de mi optimismo.

Esos mismos cambios podrían ampliar lo que somos capaces de producir aquí.

Hay actividades que han quedado fuera de nuestro alcance porque nos faltaba el conocimiento especializado para emprenderlas. Una empresa podría tener el capital y ver la oportunidad, y aun así no lograr reunir a la gente que sabe diseñar el producto, configurar la maquinaria o resolver los problemas en la línea de producción.

A medida que la IA se vuelva más capaz, más de ese conocimiento podría quedar a nuestro alcance. Los robots podrían ayudar a convertir diseños e instrucciones en trabajo físico. Una empresa dominicana podría intentar algo que antes no sabía que podía hacer.

Lo mismo pasa con las industrias en las que ya sobresalimos.

Pensemos en el tabaco. Somos el principal exportador de cigarros premium del mundo, y tenemos cosecheros con experiencia, artesanos del tabaco y relaciones de años con compradores en el extranjero. La IA podría ayudar a nuestros cosecheros a entender mejor su tierra, su clima y sus cosechas, y acelerar la búsqueda de nuevas variedades, más resistentes y mejor adaptadas a nuestros campos. Quizás nos permita sembrar aquí hojas que por años hemos tenido que comprar afuera. Así, más del cigarro, y más de su valor, podría salir de aquí.

Si miramos el panorama completo, sospecho que estas tecnologías también podrían cambiar algunos de los incentivos que mueven el comercio mundial. Si las empresas pueden conseguir más del conocimiento y la maquinaria que necesitan para producir cerca de sus clientes, algunos productos que hoy se importan desde el otro lado del mundo podrían fabricarse cerca de donde se consumen. Si eso pasara en muchos países, los exportadores de esos productos podrían ver cómo se achican sus mercados en el extranjero, aun cuando el consumo siga creciendo.

Para nosotros, esa posibilidad funciona en las dos direcciones. A algunos clientes en el extranjero les podría resultar más fácil fabricar lo que hoy nos compran. A nosotros también nos podría resultar más fácil fabricar cosas que siempre les hemos comprado.

La geopolítica empuja en la misma dirección. Ya cambió dónde se produce y en qué países se confía.

Juntas, la tecnología y la geopolítica podrían reordenar la manera en que las naciones se ganan su lugar en la economía mundial.

Los países que compiten sobre todo con mano de obra barata podrían ver cómo se debilita esa ventaja, como ya les pasó a los call centers. Otros podrían seguir siendo competitivos por su acceso a la energía y a las materias primas, por estar cerca de grandes mercados, por sus proveedores especializados o por el volumen y la confiabilidad de lo que pueden producir.

Y una de esas ventajas ya es nuestra: la cercanía. El país que se está volviendo a industrializar aquí al lado es Estados Unidos: nuestro aliado más importante, nuestro mayor mercado de exportación,⁹ el país donde vive la mayoría de los dominicanos en el exterior¹⁰ y la fuente de cerca de cuatro de cada cinco dólares que ellos mandan.¹¹

Eso hace que poner la casa en orden sea todavía más importante. Electricidad confiable, mejor educación y recapacitación, instituciones más sólidas y acceso al financiamiento nos ayudarían a sacarles más a las industrias que ya tenemos y a entrar en otras nuevas, mientras el mundo sigue cambiando afuera.

En los últimos quince años, los motores que ya tenemos nos llevaron lejos. El turismo, las zonas francas, los servicios y las remesas de los dominicanos en el exterior ayudaron a construir una clase media cada vez más grande.

Algunos de esos motores podrían volverse menos confiables ahora.

Sería ingenuo creer que duplicar nuestra economía será simplemente expandir lo que ya tenemos.

Si se debilitan y no levantamos otros nuevos, corremos el riesgo de perder parte de lo que hemos construido.

---

Al principio pregunté a qué tipo de mundo nos estábamos preparando para entrar, y si nuestros planes más ambiciosos se estaban construyendo para ese mundo.

Mi respuesta es que sí. Lo creo.

La verdad es que estos preparativos muestran una visión de futuro que nunca pensé ver tan pronto. Nuestro gobierno ha decidido apostar por algunas de las industrias más avanzadas y de mayor valor del mundo, por difícil que sea el camino y sin importar las probabilidades de éxito.

Y esa ambición, para mí, merece más reconocimiento.

Vistos en conjunto, nuestros planes nacionales están alineados con la frontera, capa por capa, desde la energía hasta las aplicaciones.

Estoy seguro de que las mayores recompensas de estas tecnologías serán para los países que participen en su construcción. En Estados Unidos, la inversión en IA ya representa un tercio o más del crecimiento económico.¹² El FMI espera que Taiwán, que fabrica buena parte del hardware de la IA, crezca 10.7% en 2026, más que cualquier otra economía que no dependa del petróleo.¹³

Para nosotros, o para cualquier país que quiera duplicar su economía, utilizar estas tecnologías no va a ser suficiente.

Al extenderse, también podrían debilitar los motores que ya tenemos.

El mejor antídoto contra esa disrupción es participar en ella: ayudar a construir estas tecnologías.

No va a salvar cada empleo de los motores que tenemos. Pero puede tener listos los nuevos antes de que los viejos se apaguen.

Ahí es donde nuestros planes se alinean con algo más grande: el cohete económico que podría estar formándose al norte.

Un cohete económico necesita mantener cerca su cadena de suministro: en casa, o entre aliados cercanos. Y nosotros, como vimos, somos ambas cosas: cercanos y aliados.

No podríamos construir uno por nuestra cuenta. Pero sí podríamos ser parte de uno.

¿Qué podría hacer Estados Unidos mejor, más rápido o con menos riesgos si parte de su cadena de suministro se fabricara aquí? Para mí, esa es la pregunta más importante.

El puerto espacial de Pedernales es un ejemplo que ya viene en camino.¹⁴ Si te hubiese dicho que a Pedernales venía un puerto espacial, probablemente lo hubieses considerado ridículo. Y hay otros que todavía están por descubrirse.

Cada capa de nuestros planes es parte de la respuesta. Un proveedor cercano necesita energía con la que pueda contar, un lugar en la industria de los chips, capacidad de cómputo y gente que sepa ponerla a trabajar.

Pero creo que estas iniciativas no van a llegar muy lejos sin una participación mucho mayor de nosotros en el sector privado y de personas en todo el país.

Ningún plan puede abastecer un cohete económico. Las empresas sí. El gobierno puede firmar los acuerdos, trazar la estrategia y formar a los profesores. Lo que no puede es fabricar los productos, ganar los contratos, cumplir los estándares ni asumir los riesgos que convierten un plan en una industria.

Y esto ya lo hemos visto. Nuestras zonas francas no pasaron de la ropa a los dispositivos médicos porque un plan lo dijera; ese paso lo dieron las empresas.¹⁵ La ENFIS busca ahora un paso parecido en el ensamblaje y la prueba de chips, y van a hacer falta empresas para darlo.

Algunas de las empresas de la frontera ya han mostrado interés en nosotros.

Quizás nosotros deberíamos mostrar más interés en ellas.

Para el sector privado, eso significa apuntar más alto: invertir en industrias que apenas empezamos a entender. Asociarnos con empresas, universidades e inversionistas estadounidenses. Trabajar con nuestras propias universidades en la investigación y las habilidades que necesitamos. Y tenerles paciencia a esos negocios nuevos: darles el tiempo y la inversión que necesitan para mostrar lo que pueden llegar a ser.

Y no son solo las empresas. Ya seas estudiante, dueño de un pequeño negocio o empleado de una gran organización o del gobierno, aprender a usar bien estas tecnologías podría permitirte hacer un trabajo que antes creías que solo los mejores del mundo podían hacer.

Nuestra participación ayudará a decidir cuáles de las industrias que se están formando en el mundo también echan raíces aquí. El terreno se está preparando y las reglas se están escribiendo. Hace falta que más de nosotros demos el paso hacia ese mundo.

Si estas iniciativas nunca pasan de unas pocas instituciones, se quedarán en iniciativas: acuerdos que nunca se convierten en infraestructura, capacitación que nunca se convierte en industria. Otros se alejarán, y el estancamiento nos seguirá esperando.

When I think about the part we must play in the world ahead of us, I like to look back at my own family’s history.

During the Second World War, my great-grandfather was a Dominican cacao, tobacco and coffee exporter to the United States and Europe. He also owned rice fields. His son, my grandfather, opened the rice mills. My father later pivoted into luxury and retail, bringing products into the country that many people here had never seen before.

Each of them worked, in their own way, at the frontier of their time. The opportunities were different, but each found a way to connect this country to something larger—to expand what could be produced here, sold abroad or brought into people’s lives.

Many of us come from families rooted in agriculture and commerce, whose later generations became architects, engineers, doctors and lawyers, or built businesses in a growing range of industries. The country was developing, and the possibilities open to its people were expanding with it.

Through that work, successive generations helped build what is now an upper-middle-income country—whose economy has grown among the fastest in Latin America and the Caribbean over the past two decades.¹

And that is an achievement we must not take for granted.

The younger among us were born into a relatively prosperous country, with opportunities earlier generations had worked to create.

Carrying that prosperity forward now requires something of us.

Businesses that sustained one generation may need to change considerably to sustain the next. New possibilities have to be recognized, understood and pursued by people willing to undertake unfamiliar work.

A country’s stagnation eventually reaches home, changing the family budget and the plans people can make for their children. Its consequences become personal long before they become history.

We have a responsibility to keep that from happening, and to build on what earlier generations made possible, while taking seriously the opportunities opening in our own time.

Each of those generations had a frontier before it.

Now we have to face ours.

---

We have reached a stage in our development where becoming a developed nation is an ambition we can seriously pursue. And we arrive here at what may prove to be one of the most consequential moments in human history.

Humanity is working to build superintelligence and to carry civilization beyond Earth, all the while a new industrial revolution is beginning to take shape.

For a relatively small country like ours, at this stage of our development, that timing matters. Most of our families made their way in agriculture and commerce; building industries is a path few have taken. These technologies could open that path, and let us contribute to industries still taking shape.

For the first time, our frontier is the same as everyone else’s.

Our ambitions should reflect that possibility.

If we wish to become a developed nation, we must begin to think like one.

That means taking seriously what we could contribute to the new world being built—and being willing to commit our effort and resources to making it happen.

The immensity of these pursuits humbles me. It reminds me how small we are—and how easily the concerns of the present can become the limits of our imagination.

I invite you to ask yourself:

What might we now be capable of building here that we have not yet allowed ourselves to take seriously?

---

All of this began when a future I had placed decades away arrived while I was reviewing a tax declaration. The journey led me to look more closely at what our country was already doing—and it changed my sense of what we could build here.

My hope is that this journey has given you the same sense of possibility I feel watching the people who push the limits of what is possible every day.

What we choose to undertake now will help determine the possibilities the next generation inherits from us.

Now it is our turn to build.

Cuando pienso en el papel que hoy nos toca jugar en el mundo que viene, me gusta mirar atrás, a la historia de mi propia familia.

Durante la Segunda Guerra Mundial, mi bisabuelo era un exportador de cacao, tabaco y café dominicanos a Estados Unidos y Europa. También tenía fincas de arroz. Su hijo, mi abuelo, abrió las factorías de arroz. Más tarde, mi padre dio un giro hacia los artículos de lujo y la venta al detalle, y trajo al país productos que mucha gente aquí nunca había visto.

Cada uno, a su manera, trabajó en la frontera de su tiempo. Las oportunidades eran distintas, pero cada uno encontró la forma de conectar el país con algo más grande: ampliar lo que se podía producir aquí, vender afuera o llevar a la vida de la gente.

Muchos venimos de familias que vivían de la agricultura y el comercio, cuyas generaciones siguientes se hicieron arquitectos, ingenieros, médicos y abogados, o levantaron negocios en cada vez más sectores. El país se estaba desarrollando, y las posibilidades de su gente crecían con él.

Con ese trabajo, generación tras generación, se construyó lo que hoy es un país de ingreso mediano alto, con una economía que ha estado entre las de mayor crecimiento de América Latina y el Caribe en las últimas dos décadas.¹

Y ese es un logro que no debemos dar por sentado.

Los más jóvenes nacimos en un país relativamente próspero, con oportunidades que las generaciones anteriores trabajaron para crear.

Ahora, llevar esa prosperidad hacia adelante nos exige algo a nosotros.

Los negocios que sostuvieron a una generación quizás tengan que cambiar bastante para sostener a la siguiente. Las nuevas posibilidades hay que verlas, entenderlas y perseguirlas, y eso lo hace gente dispuesta a lanzarse a un trabajo que no conoce.

Tarde o temprano, el estancamiento de un país toca la puerta de casa: cambia el presupuesto familiar y los planes que la gente puede hacer para sus hijos. Se vuelve personal mucho antes de convertirse en historia.

Tenemos la responsabilidad de evitar que eso suceda, de construir sobre lo que las generaciones anteriores hicieron posible y de tomar en serio las oportunidades que se abren hoy.

Cada una de esas generaciones tuvo una frontera por delante.

Ahora nos toca enfrentar la nuestra.

---

Hemos llegado a una etapa de nuestro desarrollo en la que convertirnos en un país desarrollado es una ambición que podemos perseguir en serio. Y llegamos aquí en lo que podría ser uno de los momentos más trascendentales de la historia de la humanidad.

La humanidad está trabajando para construir la superinteligencia y llevar la civilización más allá de la Tierra, al mismo tiempo que empieza a tomar forma una nueva revolución industrial.

Para un país relativamente pequeño como el nuestro, en esta etapa de desarrollo, el momento es importante. La mayoría de nuestras familias salió adelante en la agricultura y el comercio; construir industrias es un camino que pocos han recorrido. Estas tecnologías podrían abrirnos ese camino y permitirnos aportar a industrias que todavía se están formando en todo el mundo.

Por primera vez, nuestra frontera es la misma que la de todos los demás.

Nuestras ambiciones deberían estar a la altura de esa posibilidad.

Si queremos convertirnos en un país desarrollado, tenemos que empezar a pensar como uno.

Eso significa tomar en serio lo que podríamos aportar al nuevo mundo que se está construyendo, y estar dispuestos a poner nuestro esfuerzo y nuestros recursos para hacerlo realidad.

La inmensidad de estos proyectos me llena de humildad: me recuerda lo pequeños que somos, y lo fácil que es que las preocupaciones del presente se conviertan en los límites de nuestra imaginación.

Te invito a preguntarte:

¿Qué podríamos ser capaces de construir aquí que todavía no nos hemos permitido tomar en serio?

---

Todo esto empezó cuando un futuro que había considerado a décadas de distancia llegó mientras revisaba una declaración de impuestos. El recorrido me llevó a mirar más de cerca lo que nuestro país ya estaba haciendo, y cambió mi idea de lo que podríamos construir aquí.

Espero que este recorrido te haya dejado la misma sensación de posibilidad que siento yo cuando veo a la gente que, cada día, empuja el límite de lo posible.

Lo que decidamos emprender ahora va a ayudar a definir las posibilidades que la próxima generación herede de nosotros.

Ahora nos toca a nosotros construir.