AI y Big Tech: Análisis Crítico de Cory Doctorow para IT Pro (2026)
El auge de la Inteligencia Artificial (AI) redefine el panorama tecnológico, pero con ella emergen paralelismos inquietantes con la historia de las ‘Big Tech’. Cory Doctorow, crítico y activista reconocido, ha ofrecido recientemente una perspectiva incisiva sobre cómo la AI replica y amplifica las dinámicas de poder y control ya vistas con los gigantes tecnológicos. Para los profesionales de IT, y en particular para quienes gestionamos infraestructuras complejas, como yo en un entorno con 2.000 estaciones de trabajo y cientos de VM, comprender estas implicaciones no es un ejercicio académico, sino una necesidad operativa. Se trata del vendor lock-in, la resiliencia de los sistemas y, en última instancia, la soberanía digital de las organizaciones. No solo debemos implementar nuevas tecnologías, sino también navegar un futuro donde las decisiones arquitectónicas de hoy tendrán repercusiones sistémicas profundas.
Respuesta Directa
El análisis de Cory Doctorow sobre la AI destaca cómo esta tecnología acentúa la concentración de poder en manos de pocas empresas, replicando los problemas de monopolio y vendor lock-in típicos de las Big Tech, con graves implicaciones para la soberanía digital y la automatización del trabajo.
Tabla: Impacto de la AI en el Sector IT (Según Doctorow)
| Aspecto Clave | Impacto de la AI (Visión Doctorow) | Relevancia para IT Pro |
|———————–|———————————————————————–|——————————————————————————————————————-|
| Concentración Poder | Acelera el monopolio de pocas empresas que controlan los modelos y los datos.| Riesgo de dependencia crítica de proveedores únicos, limitación de las opciones tecnológicas. |
| Vendor Lock-in | Amplificado por la opacidad de los modelos y la complejidad de los datos. | Costes de migración prohibitivos, dificultad para cambiar de proveedor, pérdida de control sobre los propios datos. |
| Automatización Laboral | No solo tareas repetitivas, sino también decisiones complejas. | Requiere recualificación del personal, redefinición de roles, gestión de la responsabilidad de los algoritmos. |
| Resiliencia Digital | Necesidad de ir más allá de la seguridad para abordar la dependencia sistémica. | Planificación de estrategias multi-cloud, arquitecturas distribuidas, atención a estándares abiertos. |
| Interoperabilidad | Amenazada por ecosistemas AI cerrados y propietarios. | Dificultad para integrar soluciones diversas, desperdicio de recursos, fragmentación de datos y procesos. |
Intro Narrativa: La Sombra de las Big Tech sobre la AI
Recuerdo cuando, hace algunos años, estábamos entusiasmados con las promesas del cloud computing. Libertad, escalabilidad, innovación. Luego, lentamente, comenzamos a percibir la sombra del vendor lock-in, la dependencia de unos pocos gigantes que controlaban infraestructuras y servicios. Hoy, con la explosión de la Inteligencia Artificial, la historia parece repetirse, pero con una velocidad y complejidad aún mayores. Cory Doctorow, con su habitual lucidez, nos invita a mirar más allá del hype y a confrontar las implicaciones estructurales de la AI. Sus reflexiones, aparecidas en Lobsters con un encendido debate que generó 23 puntos de discusión, no son solo para académicos o policy makers, sino para cada profesional de IT que cada día toma decisiones sobre arquitecturas, herramientas y estrategias. La AI promete eficiencia e innovación, pero ¿a qué coste en términos de control, autonomía y resiliencia? Esta guía explora los puntos clave del análisis de Doctorow y ofrece ideas operativas para navegar este escenario en evolución.
Requisitos Previos / Entorno de Prueba
No existen requisitos técnicos específicos para entender este análisis, pero un conocimiento básico de los conceptos de ciberseguridad, vendor lock-in, cloud computing y automatización es útil. El entorno de referencia es una infraestructura IT empresarial compleja, con una mezcla de sistemas on-premise (VMware/Proxmox, Oracle DB, AD enterprise) y servicios cloud (OCI/PSN), donde las decisiones tecnológicas impactan a miles de usuarios y cientos de sistemas.
La AI como Herramienta de Concentración del Poder
Doctorow subraya cómo la AI, en su encarnación actual, es un catalizador para la concentración de poder. Los modelos de AI más avanzados requieren enormes cantidades de datos y recursos computacionales, que solo las grandes empresas pueden permitirse. Esto crea un círculo vicioso: quienes tienen más datos y potencia de cálculo, desarrollan mejores AI, atraen más usuarios y datos, consolidando aún más su posición. Este no es un fenómeno nuevo; el 78% del mercado global del cloud está dominado por solo tres proveedores (Synergy Research Group, 2025). La AI amplifica esta tendencia.
Para un IT Pro, esto se traduce en una elección limitada de proveedores y un riesgo elevado de dependencia. Si la AI se convierte en el ‘cerebro’ de las operaciones, la elección del proveedor de AI es una decisión estratégica con implicaciones a largo plazo. Cuando evalúo una solución SIEM basada en AI o un sistema EDR con capacidades de machine learning, no miro solo las funcionalidades técnicas. Me pregunto: ¿quién controla el modelo? ¿Cuán transparentes son sus decisiones? Y, sobre todo, ¿cuán fácil es migrar si un día tuviéramos que cambiar de proveedor?
# Ejemplo de consulta sobre dependencias de una aplicación AI
# (conceptual, para resaltar la necesidad de transparencia)
# Consulta para identificar los servicios AI externos utilizados
SELECT service_name, vendor, data_processed, compliance_status
FROM ai_services_inventory
WHERE external_service = TRUE;
# Comando para analizar las dependencias de librerías Python en un proyecto AI
pipdeptree --graph-output dot | dot -Tpng -o ai_dependencies.pngVendor Lock-in e Interoperabilidad: Los Nuevos Desafíos
El vendor lock-in no es una novedad para quienes trabajamos en IT. Lo hemos experimentado con las bases de datos propietarias, con los sistemas operativos, y ahora con el cloud. La AI, sin embargo, introduce nuevas dimensiones a este problema. Los modelos de AI son a menudo ‘cajas negras’, entrenados con conjuntos de datos propietarios y con arquitecturas complejas que dificultan la interoperabilidad o la migración. Doctorow critica duramente esta tendencia, destacando cómo la falta de estándares abiertos y la prevalencia de ecosistemas cerrados están sofocando la innovación y la libertad de elección.
En un contexto empresarial, esto significa que la adopción de una plataforma AI específica puede ligar a una organización a ese proveedor durante años, haciendo costoso y arriesgado el paso a soluciones alternativas. Esto es particularmente cierto para las soluciones de ciberseguridad basadas en AI, donde la fidelización a los datos de entrenamiento y a los modelos de detección puede ser muy fuerte. Para mitigar este riesgo, es fundamental priorizar soluciones que ofrezcan API abiertas, formatos de datos estándar y la posibilidad de exportar e importar modelos o datos de entrenamiento. Una organización no puede permitirse ser rehén tecnológico. Siempre he impulsado la adopción de estándares abiertos, incluso cuando implementé un sistema de monitorización basado en Prometheus y Grafana, precisamente para evitar estas dependencias.
Automatización del Trabajo y Responsabilidad Algorítmica
La automatización siempre ha sido una fuerza impulsora en IT, pero la AI la lleva a un nivel superior. Ya no se trata solo de automatizar tareas repetitivas mediante scripts Ansible o Python. La AI puede tomar decisiones complejas, analizar grandes volúmenes de datos e incluso generar código. Esto plantea interrogantes fundamentales sobre el impacto en el trabajo y la responsabilidad. Si un algoritmo de AI comete un error que causa una interrupción del servicio o una violación de datos, ¿quién es el responsable? ¿El ingeniero que lo implementó? ¿La empresa que lo desarrolló? ¿O el propio algoritmo?
El 67% de los incidentes de ciberseguridad en 2024 incluyeron un elemento de automatización (IBM Cost of a Data Breach Report, 2025). Si esta automatización está impulsada por AI poco transparentes, la capacidad de investigar y resolver los incidentes se vuelve extremadamente compleja. Es crucial que los profesionales de IT desarrollen habilidades no solo en la implementación de la AI, sino también en su supervisión, en la depuración de los modelos y en la comprensión de sus limitaciones y sesgos. Esto incluye la capacidad de auditar las decisiones algorítmicas, una habilidad emergente pero fundamental.
Errores Comunes y Resolución de Problemas
Uno de los errores más comunes es adoptar soluciones de AI basadas en el hype, sin una evaluación profunda de las implicaciones a largo plazo. A menudo se subestima el coste oculto del vendor lock-in y la dificultad de gestionar modelos opacos. Otro error es no invertir en la formación del personal para comprender y gestionar la AI, transformando a los operadores de IT en simples ‘usuarios’ de sistemas de caja negra.
Para resolver problemas en un entorno fuertemente basado en AI, es esencial:
- Documentar las arquitecturas de AI: Mapear las dependencias, los flujos de datos y los puntos de decisión algorítmica. Sin este mapa, es imposible entender un error.
- Monitorizar el rendimiento y los sesgos: Utilizar herramientas de AIOps para detectar anomalías no solo en las métricas tradicionales, sino también en el comportamiento del propio modelo de AI.
- Requerir transparencia: En las licitaciones y los contratos, exigir a los proveedores la posibilidad de auditar los modelos y acceder a los datos de entrenamiento (cuando sea legalmente posible y respetando la privacidad).
Conclusiones con Puntos Clave Operativos
Las observaciones de Cory Doctorow sobre la AI son una advertencia valiosa para toda la comunidad IT. La innovación no puede ocurrir a expensas de la soberanía digital y la resiliencia. Como profesionales, debemos estar vigilantes y proactivos. Los puntos clave operativos son claros:
- Diversificar los proveedores: Evitar la dependencia de un único gigante de AI, explorando soluciones de código abierto o alternativas.
- Requerir transparencia: En las elecciones tecnológicas, priorizar soluciones de AI que ofrezcan mayor transparencia sobre los modelos y los datos.
- Invertir en formación: Desarrollar habilidades internas para comprender, gestionar y auditar los sistemas de AI, no solo para usarlos.
- Promover estándares abiertos: Contribuir y apoyar el desarrollo de estándares que garanticen la interoperabilidad y reduzcan el vendor lock-in.
El futuro de la AI está en nuestras manos. Elijo construir un futuro abierto y resiliente, no otro monopolio.
Actualizado: junio de 2026
Lee también: Lynis Audit Linux: Guía Práctica de Hardening 2026
Link externo: Cory Doctorow on Big Tech, Understanding AI, Labor Automation & More
