IA generativa y computación analógica: ¿el fin de la ley de Moore?

¿Qué ha ocurrido?

En las últimas semanas, dos desarrollos han sacudido el panorama tecnológico. Por un lado, el modelo Fable ha logrado escribir un 'megakernel' para GPU que supera en velocidad a todas las soluciones previas, alcanzando un speedup de 18.71X frente a PyTorch optimizado. Este logro, validado en el benchmark KernelBench-Mega, demuestra que la IA puede automatizar tareas fundamentales de I+D en chips. Según el equipo de Fable, el kernel escrito por IA ejecuta una sola llamada cooperativa por token, mientras que otros sistemas requieren entre 4 y 14 llamadas separadas. Esto no solo reduce la latencia, sino que también optimiza el uso de memoria y ancho de banda. En comparación, Claude Opus 4.8 logró 14.4X, GLM-5.2 alcanzó 11.14X y GPT 5.5 obtuvo 4.34X, todos usando Triton en lugar de CUDA. La brecha es significativa y sugiere que Fable ha encontrado una estrategia de fusión de kernels más eficiente.

Por otro lado, el Remote Labor Index (RLI) muestra que la tasa de éxito de sistemas de IA en proyectos freelance online ha pasado del 2.5% en octubre de 2025 al 16.1% en julio de 2026, con modelos como Fable 5 alcanzando el 16.1%. Este índice, publicado por Import AI, mide la capacidad de la IA para completar tareas complejas de diseño, programación y análisis en plataformas como Upwork y Freelancer. El crecimiento es exponencial: en solo nueve meses, la tasa se multiplicó por seis. Si la tendencia continúa, se espera que para finales de 2027 la IA pueda completar más del 50% de los proyectos freelance de alta complejidad.

En paralelo, resurge el interés por la computación analógica, que utiliza señales continuas en lugar de discretas para realizar cálculos. Empresas como Analog Inference y Mythic están desarrollando chips que prometen un consumo energético hasta 1000 veces menor que los digitales para ciertas cargas de trabajo de IA. Por ejemplo, el chip Mythic M1076 puede realizar inferencias de redes neuronales con solo 25 vatios, mientras que una GPU equivalente consume más de 250 vatios. Además, la computación analógica no está limitada por la ley de Moore en el mismo sentido que la digital, ya que su rendimiento depende más de la precisión analógica que de la miniaturización de transistores.

¿Por qué es importante?

La capacidad de la IA para escribir kernels de GPU supone un paso hacia la automatización recursiva de la I+D (RSI). Si los sistemas pueden mejorar su propio hardware y software, podríamos entrar en un ciclo de mejora exponencial. El kernel de Fable es un ejemplo concreto: la IA generó código CUDA que supera a las implementaciones humanas optimizadas, y ese código podría usarse para acelerar el entrenamiento de futuros modelos de IA. Este tipo de retroalimentación positiva es la base de la RSI, un concepto que hasta ahora era teórico pero que empieza a tener evidencia empírica.

Además, la automatización de tareas freelance de alto valor (diseño, programación, análisis) amenaza con redefinir el mercado laboral global, especialmente en economías dependientes del trabajo remoto. Según el RLI, la IA ya compite directamente con freelancers en áreas como desarrollo web, diseño gráfico y análisis de datos. Si la tasa de éxito sigue creciendo al ritmo actual, millones de trabajadores podrían verse desplazados en los próximos cinco años. Sin embargo, también podría crear nuevas oportunidades en supervisión, verificación y tareas que requieren creatividad humana.

La computación analógica, por su parte, ofrece una vía para sortear los límites físicos de la ley de Moore. En un momento en que la miniaturización de transistores se ralentiza (los nodos de 3 nm ya están en producción y los de 2 nm se esperan para 2025), los chips analógicos podrían mantener el ritmo de avance en eficiencia y rendimiento para IA. Empresas como IBM y Intel también están investigando chips neuromórficos que combinan principios analógicos y digitales, lo que indica que la industria busca alternativas al escalado tradicional.

Consecuencias para empresas y usuarios

• Empresas tecnológicas: deberán invertir en infraestructura de IA para I+D o quedar rezagadas. Startups de chips analógicos podrían atraer inversión masiva. Por ejemplo, Analog Inference recibió 50 millones de dólares en financiación Serie B en 2025, y Mythic ya tiene acuerdos con fabricantes de dispositivos IoT. Las grandes empresas como NVIDIA y AMD también están explorando arquitecturas híbridas analógico-digitales.
• Trabajadores freelance: la competencia con IA se intensifica. La especialización en tareas que requieren creatividad humana o supervisión será clave. Según el RLI, las tareas más vulnerables son aquellas con altos niveles de estandarización, como la creación de plantillas web o el análisis de datos básicos. En cambio, las tareas que implican juicio contextual o interacción personal siguen siendo difíciles para la IA.
• Usuarios finales: productos y servicios más baratos y rápidos, pero posible concentración de mercado en pocas empresas dueñas de la tecnología. Si la IA automatiza la I+D, las empresas que controlen los modelos más avanzados podrían dominar sectores enteros. Por otro lado, la computación analógica podría democratizar la IA al reducir los costos energéticos, permitiendo que dispositivos de bajo consumo ejecuten modelos complejos.

¿Qué deben saber los lectores?

Primero, que la automatización de I+D no es ciencia ficción: ya hay benchmarks que la miden, como KernelBench-Mega, y los resultados son impresionantes. Segundo, que la computación analógica no es nueva, pero su resurgimiento está ligado a la demanda de eficiencia en IA. Durante las décadas de 1940 a 1960, las computadoras analógicas como el ENIAC se usaban para simulaciones físicas, pero fueron reemplazadas por las digitales debido a su precisión. Ahora, la tolerancia al error en redes neuronales hace que la precisión analógica sea suficiente, y la eficiencia energética se vuelve crítica. Tercero, que estos cambios implican decisiones políticas y económicas urgentes sobre regulación laboral y propiedad intelectual. Por ejemplo, ¿quién posee los derechos de un kernel escrito por IA? ¿Cómo se gravan los ingresos generados por trabajo automatizado? Países como la Unión Europea ya están discutiendo impuestos a los robots, pero la velocidad del cambio puede superar a la legislación.

“La IA está aprendiendo a diseñar sus propios cerebros. La computación analógica podría ser el sustrato que permita la próxima generación de sistemas inteligentes.” — TheVortiq

Contexto histórico

La computación analógica dominó las primeras décadas del cómputo (1940s-1960s), pero fue desplazada por la digital por su precisión y escalabilidad. Ahora, el auge de la IA, donde la precisión exacta no siempre es necesaria, revitaliza el enfoque analógico. Por ejemplo, en reconocimiento de imágenes, un error del 1% en los pesos de una red neuronal apenas afecta la precisión final, pero reduce drásticamente el consumo energético. Paralelamente, la automatización de tareas cognitivas recuerda a la revolución industrial, pero esta vez afecta al trabajo intelectual. En la década de 1990, la automatización de fábricas eliminó millones de empleos manufactureros, pero creó nuevos puestos en servicios. Hoy, la IA amenaza empleos de oficina y creativos, y la transición podría ser más rápida. Según un estudio de McKinsey de 2023, hasta el 30% de las tareas laborales podrían automatizarse para 2030, y el RLI sugiere que esa estimación podría ser conservadora.

En el ámbito de los kernels de GPU, el progreso ha sido gradual. Los primeros kernels escritos por IA aparecieron en 2023 con modelos como GPT-4, pero solo lograban speedups de 2-3X. En 2024, Claude Opus 3 alcanzó 8X, y ahora Fable supera 18X. Esta evolución en solo tres años muestra una aceleración que podría llevar a speedups de 100X en 2027. Si eso ocurre, el impacto en el rendimiento de la IA sería masivo: el entrenamiento de modelos como GPT-5 podría reducirse de meses a días, y la inferencia en dispositivos móviles sería mucho más eficiente.

En resumen, estamos presenciando una convergencia de tres tendencias: la IA que automatiza su propio desarrollo, la computación analógica que rompe barreras físicas, y un mercado laboral que se transforma a una velocidad sin precedentes. Los próximos años serán críticos para definir cómo la sociedad se adapta a estos cambios.