La escena lo dice todo. Jeff Dean, científico principal de Google y una de las referencias más citadas del sector tecnológico, tomó el escenario de Startup School 2026, organizado por Y Combinator, y en lugar de hablar de gigantes, habló de grietas.
Su interlocutora era Diana Hu. Su audiencia, fundadores y desarrolladores en etapa temprana. Y su mensaje central llegó con nombre propio: la «regla del 1%».
El nicho como ventaja competitiva
Dean propuso buscar áreas donde los modelos generales de inteligencia artificial apenas resuelven una fracción mínima de los casos. «Si la capacidad de los modelos se acerca al 20%, probablemente pronto mejorarán», advirtió, «pero cuando la tasa de éxito es mínima, hay una oportunidad real».
El razonamiento es quirúrgico: los sistemas generalistas no atienden ciertos nichos por falta de datos específicos o porque las grandes plataformas no los consideran prioritarios. Ahí, dijo, vive la oportunidad. Como ejemplo citó AlphaFold, el modelo especializado en plegamiento de proteínas que Google consolidó como solución efectiva en un dominio concreto y complejo.
Para entender el presente hay que volver a esa semana. La lógica de Dean invierte el relato dominante de los últimos años, aquel que premiaba la escala sobre la especialización. En 2026, con modelos de propósito general ya maduros, el valor migra hacia quien resuelve lo que esos modelos no pueden.
Máquinas que se mejoran a sí mismas
El segundo eje de su exposición fue la automatización de la propia inteligencia artificial. Dean anticipó que «veremos una mayor automatización en los sistemas de machine learning, donde los propios sistemas experimentarán, descompondrán problemas y mejorarán su rendimiento de forma autónoma».
No se trata de una proyección lejana. El científico señaló que los agentes automáticos ya asumen tareas complejas, como la reescritura de software en diferentes lenguajes de programación para optimizar seguridad o desempeño. Algunos de esos procesos se extienden durante días o semanas, gestionados íntegramente por agentes sin intervención humana directa.
La consecuencia práctica es visible en sectores como la ciencia y la ingeniería: ciclos de innovación más cortos, tiempos de desarrollo reducidos, y una presión creciente sobre cualquier proceso que dependa de iteraciones manuales.
El costo de mover datos
La infraestructura fue el tercer foco. Dean subrayó la importancia de desarrollar hardware especializado que incremente la eficiencia energética y reduzca la latencia. Su cifra fue contundente: «la diferencia de costo energético entre mover datos y calcular es de hasta mil veces».
Ese desfase obliga a diseñar arquitecturas que minimicen el traslado de información y prioricen el cálculo local en chips personalizados. Los detalles cuentan la historia: fue exactamente ese razonamiento el que llevó a Google a desarrollar los TPU —Tensor Processing Units—, chips que multiplicaron la capacidad de procesamiento y redujeron tanto el consumo energético como la latencia.
Para startups sin recursos para fabricar silicio propio, el mensaje implícito es claro: quien no optimice su arquitectura pagará una factura energética que erosionará cualquier ventaja competitiva.
Contexto como disciplina
El cuarto eje fue quizás el más disruptivo para el ecosistema de fundadores presentes. Dean argumentó que el verdadero salto en la IA ya no depende de la magnitud de los modelos ni de la cantidad de datos procesados, sino de la habilidad de los sistemas para utilizar herramientas, recuperar información relevante y orquestar tareas complejas mediante agentes autónomos.
Este enfoque —que llamó «ingeniería de contexto»— permite a equipos pequeños diseñar soluciones efectivas usando APIs de modelos avanzados y desarrollando sistemas propios de recuperación y manejo del contexto. La integración de habilidades específicas en los agentes, como el uso de herramientas internas de desarrollo o revisiones de código, incrementa su utilidad y precisión mediante la creación de «skills» que guían a los modelos en tareas especializadas.
Y sin embargo, en medio de tanta automatización, Dean reservó el lugar más estratégico para el ser humano. «La clave está en tener buen gusto para decidir en qué trabajar y cómo orientar a los agentes», dijo. La capacidad de definir problemas relevantes y formular especificaciones claras, sostuvo, sigue siendo una habilidad escasa. Su consejo final fue casi filosófico: «Pregúntate si, en caso de éxito, el mundo será un lugar mejor por lo que construiste».
La lectura de Hemisferio
Lo que Dean describió en Startup School 2026 no es solo una hoja de ruta técnica: es un mapa de dónde se acumula el valor en la economía de la inteligencia artificial. La especialización, la eficiencia y el criterio —no la burocracia ni el subsidio— son los activos que separarán a los constructores de los rezagados.
En un sector donde los grandes modelos ya son infraestructura pública de facto, la libre empresa encuentra su terreno en los márgenes que esos modelos no cubren. La regla del 1% no es solo una táctica de producto: es una filosofía de mercado.
