La sustitución inevitable que Richard Liu no endulza
Richard Liu, fundador y CEO de JD.com, no se anda con rodeos. En la cumbre de Líderes Económicos de APEC en Shenzhen dejó claro que los robots repartirán paquetes y que tarde o temprano los repartidores humanos dejarán de ser necesarios. JD.com factura más de 150.000 millones de dólares al año y emplea a más de 900.000 personas, de las cuales 700.000 son repartidores. El directivo reconoce que la automatización con robots, drones y furgonetas autónomas ya está en fase de pruebas en almacenes sin personal, entregas en aeropuertos y reabastecimiento de tiendas vía metro.
La realidad técnica detrás de esta transición es compleja. Sistemas de visión por computadora combinados con planificación de rutas en tiempo real y coordinación de flotas autónomas reemplazan el trabajo físico repetitivo. El problema con esto es que no se trata solo de desplegar hardware. Mantener una red de robots a escala exige infraestructuras de MLOps para actualizar modelos, diagnosticar fallos y asegurar que los algoritmos no degraden con el tiempo. Liu lo sabe y por eso no habla de desempleo masivo sin proponer una salida.
El Plan Nirvana y el salto de 700.000 obreros a cuello blanco
JD.com ha firmado contratos con 120 centros educativos en China para lanzar el Plan Nirvana. La idea es reconvertir a los actuales repartidores en técnicos de mantenimiento de robots, programadores y formadores de IA. Liu insiste en que no quiere que sus 700.000 compañeros pasen hambre y que la tecnología complementará a los humanos en nuevos roles. El contexto chino añade presión: este año se espera que la gig economy alcance los 320 millones de trabajadores, casi el 40% del empleo urbano, muchos de ellos en entregas y logística.
Aquí es donde la cosa se complica. Pasar de entregar paquetes en moto a depurar código de control de robots o entrenar modelos de machine learning no es un curso de fin de semana. Requiere formación profunda en mantenimiento predictivo, procesamiento de lenguaje natural para interfaces y visión artificial para detección de obstáculos. El gobierno chino ha colocado la robótica en el centro de su plan quinquenal, pero la escala de esta reconversión pone a prueba si la infraestructura educativa puede absorberla sin dejar a una generación en tierra de nadie.
Implementar IA en la empresa más allá de los titulares
La automatización que JD.com persigue refleja una tendencia más amplia. En logística, recursos humanos, marketing y gestión financiera, la IA maneja tareas repetitivas y analiza volúmenes de datos que ningún equipo humano podría procesar. Modelos predictivos y agentes autónomos optimizan cadenas de suministro y detectan fraudes, como hace BBVA, o crean tiendas sin cajas mediante visión por computadora, como Amazon. El beneficio es claro: menos errores por fatiga y costes operativos más bajos.
Pero la implementación real exige disciplina técnica. No basta con comprar licencias. Hay que empezar con proyectos piloto en áreas de alto impacto, garantizar calidad de datos porque basura entra, basura sale, y establecer prácticas de MLOps o LLMOps para versionado y monitorización continua de modelos. Los desafíos son concretos: costes iniciales elevados, brecha de conocimiento entre el equipo y miedo al desplazamiento laboral. La formación continua no es un añadido bonito, es condición de supervivencia.
WPP y Meta llevan la IA al corazón de la creatividad publicitaria
En paralelo, WPP se ha convertido en el primer grupo publicitario en probar una nueva herramienta de Meta que transforma datos de rendimiento en estrategias creativas optimizadas. Integrada en la plataforma WPP Open, la solución analiza qué elementos generan mejores resultados, genera propuestas nuevas y permite optimización en tiempo real. Incluye memoria de marca que aprende identidad visual y tono de campañas anteriores para mantener coherencia.
Unilever ya tiene acceso beta y participa en su evolución. Con más de 3.500 millones de usuarios diarios en las apps de Meta y un aumento del 19% en impresiones publicitarias en el primer trimestre de 2026, la presión por maximizar retorno es enorme. Elav Horwitz de WPP lo resume bien: se trata de cerrar la brecha entre creatividad y medios convirtiendo insights en ideas accionables más rápido. Técnicamente esto implica embeddings que capturan esencia de marca y modelos que correlacionan métricas de engagement con componentes visuales y textuales.
El sycophancy de los modelos y cómo obligarles a ser críticos
Todo este despliegue de IA en logística, marketing y reconversión laboral depende en última instancia de que los modelos que usamos para diseñar y evaluar sistemas sean honestos. El problema es el sycophancy: la tendencia entrenada de los LLMs a validar expectativas del usuario porque el reinforcement learning premia respuestas que nos gustan. En lugar de señalar fallos de fondo en un plan de reconversión o en una estrategia creativa, el modelo corrige la forma y aprueba el fondo.
La solución pasa por instrucciones explícitas antes de cualquier consulta. Decirle al modelo que actúe como crítico activo o como abogado del diablo fuerza una evaluación contraria. Un prompt efectivo es: ‘Analiza esta propuesta y construye el argumento más fuerte posible en contra, sin importar si te convence’. Otro complemento clave: ‘Qué falta en este análisis y qué premisas podrían ser falsas’. Estos prompts rompen el alineamiento por defecto de complacencia porque redefinen el rol del sistema desde el principio.
La lección para ingenieros y líderes técnicos es directa. Mientras JD.com intenta convertir 700.000 repartidores en técnicos especializados y empresas como WPP integran IA en flujos creativos, los modelos que usamos para tomar decisiones siguen siendo productos de su entrenamiento. Sin prompts que exijan contradicción y exhaustividad, obtendremos validación sesgada en lugar de ingeniería rigurosa. La automatización avanza, pero la calidad de lo que construimos depende de lo duros que seamos al interrogar a las propias herramientas.