Editorial: Cuando la IA comienza a escribir código, gestionar tickets de soporte y revisar documentos legales, surge una pregunta más fundamental: ¿qué es lo que realmente compran las empresas: tokens, horas de GPU o el trabajo completado?

Este artículo presenta un marco digno de atención: la comercialización de la IA no debe entenderse solo como un «mercado de capacidad de cómputo» o un «mercado de llamadas a modelos», sino que se dirige hacia un nuevo «mercado de mano de obra machine». En este mercado, los tokens son solo unidades de medición, las GPU son insumos, los modelos son herramientas de producción, y el verdadero objeto de valoración y comercio es el trabajo económico realizado directamente por software.

La evaluación central del artículo es que el mecanismo de precios de IA evolucionará desde tokens originales, capacidades de modelos estandarizados, hasta mano de obra especializada por industria, y finalmente hacia mercados de resultados programables. Es decir, en el futuro, las empresas podrían dejar de preocuparse por qué modelo o qué GPU realiza una tarea específica, y en su lugar centrarse en si se entregan resultados que cumplen con los estándares dentro de los límites establecidos de latencia, precisión, confiabilidad y costo.

Esto también significa que el impacto de la IA en el mercado laboral humano no necesariamente se reduce a una sustitución simple. A medida que las máquinas asumen más tareas estandarizables y verificables, el rol humano podría desplazarse hacia la revisión, la asunción de responsabilidad, la gestión del contexto y la toma de decisiones finales. En ciertos escenarios, el 1% final de juicio humano podría volverse aún más valioso, ya que permite liberar el 99% de la automatización a gran escala.

Desde este punto de vista, la próxima fase de la competencia en el mercado de la IA tal vez ya no sea solo una batalla por la capacidad de los modelos, ni simplemente una guerra de precios de potencia de cómputo, sino quién logre primero estandarizar, verificar y valorar el «trabajo», y finalmente convierta la mano de obra machine en un nuevo factor de producción que pueda ser adquirido, liquidado y negociado.

The following is the original text:

Las olas de productividad siempre han surgido de herramientas y software creados para humanos, optimizando la forma en que se completan los trabajos. Las hojas de cálculo ayudan a contadores y analistas, las cintas transportadoras aumentan el rendimiento, y los martillos amplifican la palanca humana. Pero el verdadero esfuerzo siempre proviene de los humanos.

Ahora, la IA está generando resultados de trabajo de extremo a extremo, ejecutando directamente el trabajo mismo. Puede escribir código, procesar tickets de soporte al cliente y revisar documentos legales. El extremo de la pila tecnológica está experimentando una compresión: la pila tecnológica antigua apoyaba el trabajo, mientras que la nueva pila tecnológica comienza a producir trabajo.

Si recientemente has escuchado discusiones sobre la financiación de la IA, probablemente hayas oído a personas como Jensen decir que los tokens de LLM y/o las horas de GPU están convirtiéndose en nuevas materias primas. Esta intuición es comprensible, ya que los tokens son medibles, facturables y fáciles de graficar; detrás de las horas de GPU también hay miles de millones de dólares en inversión. Pero los tokens siguen siendo solo medidores, y las horas de GPU son solo insumos; nadie las compra por el simple hecho de poseerlas. Lo que la gente realmente quiere es completar el trabajo. La IA está convirtiendo la propia pila tecnológica en una fuente de mano de obra.

Fuerza de trabajo automatizada: trabajo ejecutado por software, con utilidad económica y vendido al proceso de producción.

El mercado ya se está moviendo en esta dirección. Sarah Tavel de Benchmark tiende a entender esta oportunidad a través del mercado de mano de obra externa, en lugar de categorías de software. Si una tarea repetible ya la realiza un equipo offshore especializado o una empresa de servicios profesionales, generalmente también es adecuada para ser entregada por IA. Alex Rampell de a16z lo denomina «el software devora el trabajo»: la siguiente escena del software es realizar el trabajo personalmente. Julien Bek de Sequoia describe el mismo cambio desde otro ángulo: los servicios se están convirtiendo en software; los copilotos venden herramientas, mientras que los autopilotos venden trabajo.

El mercado ausente detrás de la fijación de precios

Los precios de los puestos se cobran según los permisos de acceso, y los precios de los tokens se cobran según el uso. Los precios de los resultados se cobran al finalizar el trabajo. Los precios de los resultados representan un paso adelante, pero aún no responden a una pregunta: ¿quién decide el precio?

Si la fuerza de trabajo machine puede ser comprada directamente, los precios deberían derivar de la competencia entre proveedores. Estos proveedores deben poder cumplir con los mismos estándares de tareas o trabajo, lo que requiere la estandarización dentro de diferentes industrias y tareas.

La práctica actual utiliza tokens de LLM, pero los tokens originales son solo la unidad básica. Un barril de petróleo es simplemente una unidad de medición; lo que realmente se negocia es un barril de petróleo de un grado específico, con calidad, términos de entrega y precio de mercado definidos. Un barril de petróleo Brent y un barril de petróleo pesado de alto azufre no son el mismo producto. Lo mismo ocurre con los tokens de LLM: los tokens son solo unidades de medición; lo realmente importante es la inteligencia detrás de ellos: la calidad del modelo, el límite de evaluación, la latencia, la ventana de contexto, la confiabilidad y las garantías de entrega. Un millón de tokens provenientes de un modelo de código de vanguardia no es el mismo producto que un millón de tokens provenientes de un modelo general económico. El mercado necesita grados estandarizados de inferencia, al igual que el mercado energético necesita grados estandarizados de petróleo.

Anjali Shriva lo señaló directamente: un token no es una unidad de costo fija. Su economía varía según la longitud del contexto, la estructura de la tarea, la proporción de entrada/salida, el número de reintentos, las llamadas a herramientas y los flujos de trabajo del agente. Un token en una instrucción corta no es el mismo objeto económico que un token enterrado en un largo bucle de agente.

Ya lo hacemos así en el mercado laboral humano. Nadie contrata a un radiólogo como una «hora humana» generalizada. Las personas evalúan la formación, licencias y certificaciones, especialización, años de experiencia, disponibilidad, reputación y responsabilidad. Diferentes especificaciones de contratos humanos implican distintos estándares mínimos y expectativas de nivel.

El mercado laboral humano siempre ha funcionado según estas especificaciones, aunque a menudo estas son mezcladas, cualitativas y llenas de diversos indicadores proxy. La mano de obra machine hará que estas especificaciones sean más explícitas y más cuantificables.

Para LLM o Agentes, métricas como habilidades, experiencia, velocidad y confiabilidad pueden incluirse directamente en contratos: puntuaciones de pruebas de referencia, latencia, capacidad de procesamiento, tamaño de la ventana de contexto, longitud máxima de salida, precisión en el uso de herramientas, tiempo de actividad y tasa de errores. Podemos adquirir mano de obra según expectativas y resultados cuantificables.

Las especificaciones del contrato de TheGrid.ai son, en esencia, un filtro de elegibilidad, junto con una competencia de precios para las salidas de LLM. Los proveedores que cumplan con las especificaciones pueden participar en la competencia:

Prueba inteligente ≥ límite inferior

Retraso ≤ límite

Throughput ≥ Lower limit

Uptime ≥ límite inferior

Tasa de error ≤ límite

Una vez que todos los proveedores alcanzan el mismo umbral mínimo, comienzan a competir en precios. El comprador se pregunta: ¿qué proveedor puede entregar la mano de obra requerida al mejor precio?

La contratación de radiólogos se convierte, en el contexto de los LLM, en un problema medible: ¿qué LLM pueden leer radiografías con alto nivel de competencia y completar la tarea dentro de plazos, ventanas de contexto y otras especificaciones contractuales basadas en resultados?

El resultado es la forma en que los compradores miden el éxito; el trabajo, la actividad económica proporcionada; y el token, el combustible consumido por la máquina durante el proceso de completar el trabajo.

The Grid es el mercado de mano de obra automática.

From token to machine labor market

El mercado puede valorar la inversión en la pila tecnológica, pero para valorar la producción, se necesita un mercado de mano de obra machine. A los compradores no les importan las horas de GPU. Los puntos finales del modelo tampoco son estables: pueden ser renombrados, descontinuados, empaquetados o directamente retirados.

Los usuarios y la liquidez desaprueban los cambios frecuentes. Las GPU y los modelos evolucionarán continuamente, pero la unidad estable es el trabajo en sí.

Creo que el mercado evolucionará siguiendo la siguiente trayectoria. Cada nivel superior implica cosas cada vez más abstractas y valiosas, pero también más difíciles de verificar. The Grid debería ascender progresivamente por esta escalera:

Token original → Mercado de capacidades de LLM comercializadas → Mercado de mano de obra comercializada → Mercado de resultados programables

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, entre otros.

Hoy, los compradores adquieren las salidas del modelo original de proveedores de inferencia. Envían sus propios prompts, reciben los resultados de la inferencia y pagan según el uso. Esto es fácil de verificar, pero aún así sigue siendo solo materia prima. Lo que los compradores realmente desean no son los tokens, sino obtener inteligencia útil al mejor precio.

Por ejemplo, text/usd, code/usd, agent/usd, etc.

El comprador ya no elige un modelo específico, sino la categoría inteligente que necesita. El comprador sigue controlando el flujo de trabajo, las indicaciones, los datos y la lógica de la aplicación. The Grid simplemente enruta cada solicitud al modelo calificado que cumple con las especificaciones del contrato y tiene el precio más bajo.

Nota: Este es el primer nivel de abstracción real por encima del token original y el lugar en el que se encuentra actualmente TheGrid.ai.

Por ejemplo, accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, etc.

A medida que los modelos se vuelven más especializados, el mercado de capacidades puede evolucionar aún más hacia mercados específicos de la industria. Esto es similar a la especialización laboral de los humanos en diferentes mercados de trabajo.

En este nivel, vendemos capacidades de inferencia diseñadas para flujos de trabajo específicos en sectores laborales verticales. A medida que los modelos especializados por industria se vuelvan más comunes, este mercado crecerá rápidamente. Ejemplos relevantes incluyen Composer de Cursor, Harvey orientado al ámbito legal y EvidenceOpen orientado a la salud.

Por ejemplo, support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, etc.

La última capa es donde The Grid pasa del mercado de inferencia al mercado de mano de obra machine.

Esta capa requiere mecanismos como RFQ (solicitud de cotización), cuentas custodiales, liquidación diferida, confirmación del comprador, reputación del proveedor, mecanismos de reembolso y resolución de disputas. Es probable que comience con RFQ en lugar de adoptar directamente el libro de órdenes. El comprador define el alcance del trabajo, las restricciones, los criterios de aceptación y los términos de liquidación, y los Agentes presentan ofertas para completar la tarea. The Grid ayuda a enrutar, fijar precios, verificar y liquidar este trabajo.

Esta es la capa más valiosa, pero también la más difícil de verificar, ya que los resultados pueden retrasarse, ser subjetivos y fáciles de manipular. Un ticket de soporte podría reabrirse; una PR podría haber pasado las pruebas, pero aún así causar una arquitectura deficiente.

Costo total = Costo de completar el trabajo + Costo de asumir el riesgo

Un flujo de trabajo no se convierte automáticamente en un mercado simplemente porque la inteligencia se haya comercializado o se haya vuelto más barata. Algunos trabajos dependen en gran medida de contextos privados, como el historial del cliente o las políticas internas. Cuanto más dependa un trabajo del contexto, menos probable será que se pueda liquidar limpiamente en un mercado abierto. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

El mercado necesita revelar qué categorías de mano de obra se expandirán y cuáles se contraerán.

«Fuerza de trabajo machine vs fuerza de trabajo humana», ¿o «Fuerza de trabajo machine & fuerza de trabajo humana»?

Anjali Shriva señala en su borrador de diseño de mecanismos que las narrativas de IA se describen con demasiada frecuencia como sustitución. En realidad, es más bien un problema de coordinación: cuando tanto humanos como máquinas participan en la producción, ¿cómo se reorganizan el trabajo, la atribución, los incentivos y el valor?

Hoy en día, muchos usos de IA dentro de las empresas siguen estancados, ya que los empleados utilizan IA de forma privada, los flujos de trabajo siguen centrados en individuos, y las empresas no pueden asignar un valor a estos aumentos de productividad ni escalar estos beneficios.

La mayoría del trabajo que se puede automatizar probablemente se transferirá a las máquinas. Parte del trabajo se convertirá en revisión humana, asunción de responsabilidad, capacitación y gestión de contexto. En algunos casos, el último 1% de juicio humano se volverá más valioso, ya que puede desbloquear a gran escala el 99% del trabajo automatizado.

Rachel Su Park en su libro "Brave New World of AI Markets" señala que el TAM de la IA no debe modelarse simplemente como un reemplazo de los gastos actuales en mano de obra humana, ya que altera simultáneamente los precios y las cantidades. A medida que disminuyen los costos laborales, el precio por unidad podría bajar, pero la cantidad consumida podría expandirse, ya que los trabajos existentes se consumirán con mayor frecuencia y nuevos trabajos anteriormente no económicamente viables se volverán factibles. El artículo lo resume como:

P × Q: Tamaño del mercado = Precio por unidad de trabajo × Cantidad de trabajo consumida

Si la IA hace que las interacciones con el servicio al cliente sean más económicas, las empresas pueden ofrecer un servicio disponible las 24 horas, los 7 días de la semana. Este mercado no será solo una versión más barata del mercado laboral de servicio al cliente tradicional, sino que podría convertirse en un mercado de interacción con clientes de mayor escala.

AI es un mercado expansivo, ya que cuando disminuyen los costos laborales, la demanda no permanece constante.

Capa de mano de obra

El mercado de mano de obra machine debe comenzar con trabajos cuyas especificaciones puedan definirse claramente. Las horas de GPU contienen demasiada información de entrada y solo te indican qué respalda el trabajo; mientras que valorar el resultado completo es demasiado complejo y depende excesivamente del contexto. A medida que la verificación, la reputación y la valoración de riesgo/seguro sean gradualmente asumidas por máquinas, el mercado avanzará hacia una capa pura de resultados.

La fuerza de trabajo de la máquina puede volverse negociable, ya que los compradores se preocuparán cada vez menos por qué modelo o qué GPU produjo el trabajo, y más por si el trabajo en sí cumplió con los estándares mínimos y la clasificación especificados en el contrato al precio correcto. Los agentes serán aún menos conscientes de estas fuentes subyacentes.

Las máquinas ya pueden ejecutar directamente trabajos con utilidad económica, y estos trabajos pueden ser definidos, medidos, valorados, adquiridos y finalmente negociados. La electricidad, la potencia de cómputo, los modelos y los tokens siguen siendo importantes, pero todos ellos aún se encuentran en la etapa aguas arriba.

El lugar donde realmente se completa el trabajo es en la cadena de suministro, y el mercado se dirige hacia un objeto más simple: la mano de obra automatizada.