Andrew Ng: por qué la IA es la nueva electricidad (y qué significa para tu carrera)

CARRERA · IA · ESTRATEGIA

1. Quién es Andrew Ng y por qué deberías escucharle

Andrew Ng no es simplemente otro gurú en redes hablando de IA. Es profesor en Stanford, cofundador y presidente de Coursera, fundador de DeepLearning.AI y Landing AI, exlíder del proyecto Google Brain y ex vicepresidente y jefe científico de Baidu. Ha estado dentro de la primera línea de la revolución del deep learning y de la ola de educación online masiva.

Su curso de machine learning se convirtió en uno de los más populares de Stanford y, cuando lo llevó a Coursera, superó rápidamente los cien mil estudiantes. Desde entonces, sus especializaciones en aprendizaje automático y deep learning se han convertido en la puerta de entrada a la IA para millones de personas en todo el mundo.

En el lado empresarial, con Landing AI ha ayudado a fabricantes a desplegar visión por computador en fábricas, y con su AI Fund ha invertido en decenas de startups que aplican IA a sectores muy distintos. No es solo teoría: ha visto por dentro qué hace que un proyecto con IA despegue o se estrelle, algo que comentamos también desde otra perspectiva en el análisis de por qué tantos pilotos de IA fracasan.

2. Qué significa realmente que la IA sea la nueva electricidad

En una charla en Stanford, Ng explicaba así la metáfora. Hace cien años, cuando llegó la electricidad, primero se usó en unas pocas aplicaciones visibles. Luego, poco a poco, fue entrando en fábricas, transportes, hospitales, hogares. Hoy nadie lanza una startup de electricidad; simplemente se da por hecho que la electricidad está ahí y se diseña encima.

Con la IA, dice Ng, estamos en un momento similar al de las primeras fábricas electrificadas. Ya no es ciencia ficción: hay sistemas de recomendación, motores de búsqueda, modelos de lenguaje, visión por computador y asistentes que funcionan en producción. Pero todavía queda mucho camino hasta que la IA sea tan ubicua e invisible como la luz cuando enciendes un interruptor.

Lo interesante de su visión es que no se limita al hype de los grandes modelos. Ng insiste en que la IA es una tecnología de propósito general. Igual que la electricidad permitió diseñar nuevos tipos de empresas, productos y modelos de negocio, la IA va a reconfigurar cómo se crea valor en casi todos los sectores. Lo desarrollamos más desde la perspectiva de producto y plataformas cuando analizamos Gemini 3 de Google y su impacto.

La conclusión que repite una y otra vez es clara: independientemente de tu industria, la IA acabará cambiando tu trabajo. La pregunta no es si te afecta, sino cuándo y cómo.

3. De la frase al plano de acción: dónde ve Ng el valor real

Ng no habla de la IA como magia. Habla de procesos, datos y despliegues. Su experiencia en empresas le ha llevado a un mensaje muy concreto: la mayor parte del valor de la IA en los próximos años no vendrá de modelos completamente nuevos, sino de aplicar bien los modelos que ya tenemos a problemas específicos.

Por eso impulsa desde hace años lo que llama la ola de la IA centrada en los datos. En lugar de pasar meses ajustando arquitecturas, propone que los equipos se obsesionen con la calidad del dataset: etiquetas consistentes, casos de borde bien representados, definición clara de qué significa acierto o fallo. Esta filosofía está detrás de la plataforma de computer vision de Landing AI y de sus campañas públicas sobre data-centric AI.

Si vienes del mundo técnico, esto tiene una consecuencia directa. El salto ya no está solo en saber entrenar modelos, sino en saber diseñar el sistema completo: capturar datos, limpiarlos, etiquetarlos, monitorizar drift, cerrar el bucle con el negocio. Es exactamente la mentalidad que exploramos al hablar de ingeniería de datos para IA y de diseño de sistemas de machine learning.

4. Qué significa esto para las empresas

Traducido al lenguaje negocio, la metáfora de la electricidad tiene varias implicaciones. La primera es que la IA deja de ser un experimento lateral y pasa a ser infraestructura. En vez de un proyecto aislado en innovación, Ng recomienda construir una capacidad transversal: equipo, datos, procesos y gobernanza que se puedan aplicar a muchos casos de uso.

La segunda es que no todas las oportunidades valen lo mismo. Igual que electrificar una fábrica entera tenía más impacto que poner una sola bombilla, adoptar IA donde hay mucho volumen de decisiones repetitivas o mucha fricción suele dar retornos muy superiores. Clasificar incidencias, priorizar leads, detectar defectos, resumir documentación, prever demanda. Lo interesante es que muchas de esas piezas son combinables con agentes y automatización, como explicamos al analizar migraciones a la nube con agentes de IA.

La tercera implicación es de liderazgo. Si la IA es electricidad, el rol de la dirección no es decidir cada enchufe, sino definir la arquitectura y las normas de uso. Eso implica políticas claras sobre datos, seguridad, proveedores, riesgos, formación interna y métricas de impacto. Es el tipo de enfoque que desarrollamos a fondo en liderazgo en IA empresarial.

Ng insiste también en algo que suele pasarse por alto: el mayor cuello de botella ya no es tanto el código como el producto. Con las herramientas actuales, un prototipo razonable se puede montar en días. El reto es decidir qué construir, cómo encajarlo en procesos reales y cómo cerrar el bucle con el cliente. Aquí conecta con muchas de las ideas que hemos trabajado en encaje producto mercado para startups de IA.

5. Qué significa para tu carrera profesional

La otra mitad de la metáfora va directa a tu futuro laboral. Si la IA es la nueva electricidad, las profesiones que mejor van a aguantar los próximos diez años son las que aprendan a trabajar con ella. Ng lleva años dando el mismo consejo a estudiantes y profesionales: empieza por una base sólida en machine learning, añade práctica aplicada y combina eso con un dominio concreto.

De ahí su foco obsesivo en la formación. Su curso clásico de machine learning y sus especializaciones más recientes están diseñados para llevar a alguien desde cero en IA hasta un nivel en el que pueda construir modelos reales y entender sus limitaciones. No buscan convertir a todo el mundo en investigador, sino en profesionales que sepan usar la IA como herramienta en marketing, producto, operaciones, finanzas o salud.

A nivel práctico, la visión de Ng se traduce en tres capas. Primero, entender los fundamentos: qué es un modelo, qué es un dataset, qué significa sobreajuste, cómo se evalúa. Segundo, practicar con proyectos pequeños pero reales, idealmente en tu sector. Tercero, aprender a integrar modelos en productos y procesos, no solo a lanzarlos en un notebook. Esta tercera capa es justo donde empiezan a encajar temas como el uso estratégico de asistentes de IA en negocio o las aplicaciones de IA a la creatividad y productividad personal que vimos en PCs con IA para creatividad y productividad.

6. Un mini plan para no quedarte atrás

Si compras la metáfora de la electricidad, la conclusión es incómoda pero sencilla: no tiene sentido discutir si la IA “merece la pena”. Lo que tiene sentido es decidir cómo te vas a enchufar a ella. Inspirándonos en la forma en la que Ng plantea la formación, se puede pensar en un pequeño plan por etapas.

En un primer bloque, de uno a tres meses, pon el foco en los fundamentos. Si ya programas en Python, refuerza estadística básica, regresión, clasificación, validación cruzada. A nivel mental, el objetivo es que palabras como bias, varianza o distribución de datos te resulten naturales. Para complementar la parte conceptual, es buen momento para leer sobre arquitectura de sistemas y flujos de ML, como los que comentamos en diseño de sistemas de machine learning.

En un segundo bloque, de tres a seis meses, pasa a proyectos aplicados. Elige uno o dos casos cerca de tu día a día: clasificación de tickets, segmentación de clientes, previsión de demanda, priorización de leads. No hace falta que sea perfecto. Lo importante es que pases por el ciclo completo: definir el problema, preparar los datos, entrenar, evaluar, desplegar aunque sea en pequeño.

A partir de ahí, el siguiente salto no es tanto técnico como estratégico. Consiste en aprender a trabajar con modelos fundacionales, agentes y flujos complejos, y en entender cómo se conectan con la infraestructura de tu empresa. Muchos de los ejemplos que analizamos en la inversión de Anthropic en centros de datos o en Private AI Compute de Google muestran hacia dónde va el juego de verdad: modelos potentes, sí, pero también cómputo, seguridad y regulación.

El reto, igual que con la electricidad, no es si la tecnología es real, sino cómo aprovecharla mejor que los demás. Ahí ya no decide Ng, decides tú.

Si quieres seguir profundizando en esta visión de la IA como infraestructura, puedes enlazar este artículo con el análisis de Gemini 3 de Google, con la parte de agentes y automatización en Skills para Claude y agentes y con la capa estratégica de liderazgo en IA empresarial.