La economía agonística del capital digital

Potlatch en Quatsino, Columbia Británica, entre 1897 y 1908. Fotografía de Benjamin William Leeson. Imagen de dominio público, vía Wikimedia Commons (Leeson, ca. 1897–1908). El registro histórico debe leerse en su contexto colonial y no como una representación exhaustiva de la diversidad de ceremonias de potlatch.

Nota sobre las fuentes y el alcance de la comparación

Este ensayo parte de la entrevista de Jon Hernández a Daron Acemoglu, publicada el 16 de julio de 2026 en el canal de YouTube Inteligencia Artificial (Hernández, 2026).

La comparación entre la economía contemporánea de la inteligencia artificial y el potlatch es una analogía analítica, no una equivalencia histórica ni cultural. El potlatch no puede reducirse al derroche irracional ni a la destrucción competitiva de riqueza. Para diferentes pueblos de la costa noroeste de Norteamérica ha sido, y continúa siendo, una institución política, jurídica, ceremonial y económica vinculada a la redistribución, el rango, la memoria, el territorio, los nombres y la transmisión de derechos (Royal BC Museum, s. f.). La analogía que se propone aquí se limita a una cuestión concreta. Examina cómo la exhibición, la circulación y, en ocasiones, la pérdida deliberada de riqueza producen prestigio, obligaciones y jerarquías.

La referencia al hau exige una cautela semejante. Mauss recurrió a esta categoría maorí para pensar la fuerza que mantiene el don en circulación. La interpretación del hau como “espíritu de quien dona contenido en la cosa” ha sido ampliamente discutida, incluidas perspectivas maoríes críticas con la apropiación eurocéntrica del concepto (Frank, 2016; Stewart, 2017). Este ensayo no traslada una ontología maorí al mundo digital. Utiliza la controversia maussiana para preguntar de qué manera los bienes aparentemente gratuitos siguen vinculados a quienes los entregan y qué relaciones de dependencia viajan con ellos.

La inteligencia artificial suele presentarse como una fuerza que avanza por sí misma. En este relato, los modelos aumentan de tamaño, sus capacidades se multiplican y la sociedad debe adaptarse a una dirección tecnológica ya decidida. Las instituciones aparecen después, destinadas a corregir daños, repartir compensaciones o contener riesgos. Esta secuencia invierte el problema. La dirección de la innovación está configurada desde el comienzo por incentivos económicos, concentraciones de poder, imaginarios culturales y decisiones acerca de qué problemas merecen ser resueltos.

La cuestión decisiva es quién define el aumento de la productividad, se apropia de sus resultados y lo convierte en poder duradero. Una economía puede producir más con menos empleo y llamar productividad a esa reducción. También puede utilizar la misma tecnología para ampliar las capacidades de las personas trabajadoras, crear tareas nuevas y producir bienes y servicios antes inaccesibles. Ambas trayectorias elevan ciertos indicadores de eficiencia, pero construyen sociedades distintas.

El cruce entre la economía institucional de Daron Acemoglu y James A. Robinson y la antropología del don permite formular este dilema de otra manera. Why Nations Fail sostiene que la prosperidad no depende solamente de la disponibilidad de recursos o tecnologías, sino de instituciones que distribuyen oportunidades y limitan la extracción por parte de las élites (Acemoglu & Robinson, 2012). Mauss (1925), Codere (1950), Piddocke (1965), Kan (1989) y otras tradiciones de la antropología económica muestran, a su vez, que las instituciones desbordan las constituciones, los contratos y los derechos de propiedad. También se encarnan en obligaciones de dar, recibir y devolver, en ceremonias públicas y en mecanismos colectivos que convierten la riqueza en prestigio legítimo.

Desde este cruce puede plantearse una tesis. La economía de la inteligencia artificial adopta crecientemente una forma agonística. Un número reducido de corporaciones compite mediante la exhibición y el sacrificio de capital, distribuye acceso tecnológico subsidiado y convierte esa aparente generosidad en dependencia infraestructural y autoridad política. A diferencia del potlatch, donde el prestigio estaba ligado a obligaciones públicas de circulación, reciprocidad y reconocimiento, el régimen digital permite acumular legitimidad sin una devolución social equivalente. El problema institucional de la inteligencia artificial consiste en transformar el poder tecnológico en obligaciones exigibles de redistribución, apertura, participación y ampliación de las capacidades humanas.

El espejismo de la productividad

Una de las aportaciones centrales de Acemoglu al debate consiste en separar las ganancias visibles en tareas concretas de sus efectos macroeconómicos. Una persona puede redactar más rápido, resumir documentos, generar código o automatizar una parte de la atención al público. Una empresa puede ahorrar varias horas en un proceso específico. Nada de ello garantiza que el producto agregado crezca en la misma proporción.

La difusión de una tecnología de propósito general exige reorganizar empresas, formar equipos, adaptar sistemas, asumir errores y transformar cadenas completas de trabajo. Los beneficios observados en pruebas controladas no se trasladan automáticamente a ocupaciones donde importan el contexto, la responsabilidad, la interacción social, el conocimiento tácito o la capacidad de responder ante situaciones no previstas.

En The Simple Macroeconomics of AI, Acemoglu (2025b) estimó que la inteligencia artificial podría elevar la productividad total de los factores en menos de un 0,53 % durante una década, una aportación significativa pero alejada de las previsiones más eufóricas. En la entrevista de julio de 2026 volvió a situar en torno al 5 % la proporción de tareas que podrían automatizarse rentablemente a corto plazo (Hernández, 2026). Estas cifras son estimaciones dependientes de supuestos y no predicciones cerradas. Su valor reside en recordar que la exposición técnica de una tarea no equivale a una automatización rentable, fiable o socialmente deseable.

Esta distancia entre el rendimiento microeconómico y el resultado macroeconómico no demuestra que la tecnología sea irrelevante. Muestra que la productividad es una relación social antes que una propiedad aislada de la herramienta. El tiempo ahorrado puede convertirse en nuevos productos, mejores servicios y aprendizaje. También puede utilizarse para reducir plantillas, intensificar ritmos o trasladar al personal la obligación de producir más sin una mejora equivalente de salarios y condiciones. La herramienta no determina cuál de estas posibilidades prevalece.

El trabajo de Acemoglu, Autor y Johnson permite afinar la oposición entre automatización e inteligencia artificial a favor del trabajo. Su tipología diferencia cinco direcciones del cambio técnico (Acemoglu, Autor, et al., 2026). Una tecnología puede aumentar el trabajo, aumentar el capital, automatizar tareas, nivelar la pericia o crear tareas nuevas. El expertise-leveling permite que personas con menos experiencia realicen funciones antes reservadas a especialistas, pero también puede convertir la pericia en una mercancía abundante y reducir su remuneración. Solo la creación de tareas nuevas es inequívocamente favorable al trabajo, porque genera demanda adicional de capacidades humanas en vez de limitarse a hacer más barata una tarea existente.

El problema es que los incentivos actuales favorecen la automatización. Una empresa puede calcular con relativa facilidad cuánto ahorra al eliminar una tarea o no cubrir una vacante. Resulta más difícil apropiarse privadamente de los beneficios sociales derivados de formar a una persona, elevar la calidad de un servicio público o crear capacidades distribuidas. Cuando los mercados premian la reducción inmediata de costes y la propiedad de plataformas cerradas, la trayectoria tecnológica se inclina hacia la sustitución incluso cuando otras aplicaciones serían socialmente más productivas.

La inteligencia artificial agéntica puede acelerar esta tensión. Aquí se entiende por sistemas agénticos aquellos capaces de encadenar acciones, consultar herramientas y perseguir objetivos con un grado variable de autonomía operativa. Sus avances recientes sugieren una evolución episódica, compuesta por rupturas y periodos de asimilación, no una curva exponencial constante y predecible. Esto obliga a evitar dos simplificaciones. La primera niega la posibilidad de avances rápidos porque los sistemas actuales siguen siendo frágiles. La segunda afirma que esos avances conducen de forma inminente a una inteligencia general capaz de asumir cualquier función humana.

Los modelos actuales continúan mostrando límites importantes de fiabilidad, comprensión contextual, interacción social, responsabilidad y actuación física. No son límites necesariamente eternos ni insuperables, pero sí problemas estructurales no resueltos. Incluso una mejora técnica sustancial tendría que atravesar organizaciones, normas profesionales y responsabilidades jurídicas. La pregunta económica incluye qué puede hacer un modelo de manera fiable, para quién, bajo qué supervisión y con quién asumiendo las consecuencias del error.

De las instituciones nacionales al régimen tecnológico

En Why Nations Fail, Acemoglu y Robinson (2012) distinguen entre instituciones inclusivas y extractivas. Las primeras distribuyen oportunidades, limitan el ejercicio arbitrario del poder y permiten que sectores amplios participen en la actividad económica. Las segundas organizan la sociedad para transferir recursos y rentas hacia grupos dominantes. Esta oposición no describe dos estados puros. Sirve para analizar procesos, conflictos y círculos de retroalimentación.

La distribución de recursos económicos genera poder político de facto. Quienes controlan capital, información, medios de comunicación o infraestructuras estratégicas pueden influir sobre las reglas incluso sin ocupar formalmente el gobierno. Esa influencia contribuye a crear instituciones que protegen su posición, lo que produce más concentración y una nueva ampliación de su poder. El círculo puede invertirse cuando existen pluralismo, organización social y contrapesos capaces de someter la riqueza privada a obligaciones públicas (Acemoglu et al., 2005).

La inteligencia artificial amplifica este mecanismo porque su infraestructura combina varias capas de concentración. El desarrollo de modelos de frontera requiere grandes cantidades de capital, chips avanzados, energía, centros de datos, redes, talento especializado y acceso a enormes conjuntos de información. La utilización cotidiana de los sistemas se organiza además mediante nubes, interfaces de programación y plataformas que pueden registrar interacciones, definir precios y modificar unilateralmente sus condiciones.

No es necesario imaginar una coordinación completa entre todas las empresas tecnológicas. Basta con observar una estructura donde pocas organizaciones poseen capacidad desproporcionada para decidir qué modelos se entrenan, qué lenguas y conocimientos se incluyen, qué aplicaciones reciben inversión y qué riesgos se consideran aceptables. En la entrevista utilizada como punto de partida, Acemoglu resume esta concentración con una imagen deliberadamente provocadora. Una tecnología transformadora habría quedado en manos de “cinco o diez personas” (Hernández, 2026).

Este régimen híbrido no sustituye al Estado ni funciona fuera de él. Se forma en la intersección entre corporaciones transnacionales, políticas industriales, propiedad intelectual, contratación pública, mercados financieros, regulación energética y rivalidad geopolítica. Los Estados financian investigación, conceden suelo y energía, compran servicios, restringen exportaciones y deciden qué infraestructuras se consideran estratégicas. Pueden actuar como contrapesos democráticos, como socios de la concentración o como participantes en la misma competición agonística (Acemoglu, 2025a).

La geopolítica refuerza esta tendencia. La competencia con China se utiliza con frecuencia para presentar cualquier regulación como una renuncia unilateral al liderazgo tecnológico. El argumento contiene preocupaciones reales por la seguridad, las cadenas de suministro y los modelos autoritarios de control digital. También puede funcionar como dispositivo de clausura. Al reducir las alternativas a una carrera entre grandes corporaciones occidentales y un Estado autoritario, desaparecen del debate la gobernanza democrática, la cooperación internacional, la ciencia abierta y la capacidad pública.

El resultado es una falsa elección entre aceleración corporativa y control estatal total. El institucionalismo permite formular una pregunta más productiva. ¿Qué distribución del poder hace posible innovar sin entregar a quienes controlan la infraestructura la capacidad de definir unilateralmente el futuro colectivo?

Esta pregunta, sin embargo, deja abierto un segundo problema. Why Nations Fail explica cómo las reglas y el poder de facto permiten la extracción, pero ofrece menos vocabulario para comprender cómo esa extracción se vuelve admirable, inevitable o moralmente aceptable. La concentración no se sostiene únicamente mediante contratos y barreras de entrada. Necesita ceremonias, promesas y demostraciones públicas que transformen el gasto privado en liderazgo social. En este punto la antropología del don deja de ser un complemento decorativo y se convierte en una herramienta necesaria.

La IA como coyuntura crítica

Acemoglu y Robinson (2012) denominan coyunturas críticas a los periodos de dislocación en los que una guerra, una crisis, una transformación económica o una innovación altera el equilibrio existente y amplía el espacio de posibles trayectorias institucionales. Las diferencias iniciales, incluso pequeñas, pueden producir resultados divergentes cuando interactúan con esas rupturas.

La inteligencia artificial puede interpretarse como una coyuntura crítica tecnológica. Esta afirmación no supone que los modelos constituyan por sí mismos un acontecimiento externo capaz de rehacer las instituciones. La coyuntura se forma mediante la combinación de capacidades técnicas, inversión masiva, reorganización laboral, rivalidad geopolítica y decisiones regulatorias. Su carácter crítico reside en que esas fuerzas desestabilizan acuerdos previos sobre conocimiento, empleo, propiedad intelectual y capacidad estatal.

La respuesta social determinará si la dislocación refuerza un círculo extractivo o abre una trayectoria más inclusiva. La primera posibilidad conduce a una deriva institucional extractiva. Las ayudas públicas consolidan infraestructuras privadas, el acceso gratuito crea dependencia, la automatización debilita la negociación laboral y la excepcionalidad geopolítica reduce el control democrático. El resultado podría parecerse a lo que algunas corrientes denominan feudalismo digital, aunque la metáfora debe utilizarse con cautela. No se trata de un retorno literal a las relaciones feudales, sino de una estructura donde el acceso a medios esenciales depende de señores infraestructurales capaces de imponer condiciones de permanencia.

La segunda trayectoria convierte la ruptura en una democratización de la productividad. El cómputo, los datos y los modelos se organizan como infraestructuras plurales; las personas trabajadoras intervienen en el diseño; el apoyo público genera obligaciones de apertura; y la automatización queda subordinada a la creación de capacidades y tareas. Ninguna de estas trayectorias está asegurada. Las coyunturas críticas amplían posibilidades, pero también intensifican la lucha por cerrarlas.

Esta contingencia es importante. El potlatch tecnológico no constituye un destino inscrito en la naturaleza de la inteligencia artificial. Es una forma histórica de competencia que emerge cuando la escala, el prestigio financiero y el control de la infraestructura reciben más reconocimiento que la circulación social de sus beneficios.

El potlatch más allá del derroche

Mauss (1925) analizó el don como un “hecho social total”. Dar, recibir y devolver no eran operaciones económicas separadas de la religión, el derecho o la política, sino acciones que movilizaban simultáneamente esas dimensiones. El regalo no era gratuito en el sentido moderno de una transferencia sin consecuencias. Creaba relaciones, memoria, obligación y deuda.

El potlatch ocupó un lugar central en esta reflexión. Celebrado por distintos pueblos de la costa noroeste, no constituye una institución homogénea ni puede reducirse a las descripciones tempranas de la antropología colonial. En contextos kwakwaka’wakw, haida, tlingit y de otros pueblos, las ceremonias han permitido distribuir bienes, confirmar nombres y posiciones, transmitir derechos y convocar a una comunidad como testigo. La prohibición colonial canadiense buscó precisamente destruir esa capacidad política y cultural (Royal BC Museum, s. f.).

Codere (1950) describió el potlatch kwakwaka’wakw como una forma de “luchar con la propiedad”. La rivalidad podía trasladarse desde la violencia física hacia una competencia regulada mediante distribuciones, deudas y demostraciones de riqueza. Kan (1989) mostró, en su estudio del potlatch funerario tlingit, que el intercambio también articulaba memoria, duelo y continuidad entre quienes vivían y quienes habían muerto. Estas aportaciones impiden reducir el potlatch a una competición por prestigio económico. La propiedad circulaba dentro de mundos de parentesco, derecho, territorio y memoria (Rosman & Rubel, 1972).

Piddocke (1965) propuso interpretar el potlatch de los Kwakwaka’wakw del sur también como un mecanismo de redistribución entre grupos sometidos a variaciones ecológicas y productivas. La rivalidad por el rango podía impulsar la circulación de excedentes hacia comunidades con déficits temporales. Competencia simbólica y subsistencia material no eran funciones incompatibles.

Esta lectura debe evitar una idealización. El potlatch podía reproducir jerarquías, producir deuda y excluir a quienes no ocupaban determinadas posiciones. Su interés analítico reside justamente en mostrar que la circulación no elimina el poder. Lo organiza y lo hace visible. La riqueza se convierte en autoridad porque una colectividad reconoce la capacidad de distribuirla y conserva memoria de las obligaciones contraídas.

Bataille (1949) retomó el potlatch para pensar una “economía general” en la que las sociedades producen excedentes que deben gastar. Su énfasis en el gasto improductivo y la pérdida ayuda a analizar inversiones orientadas al prestigio antes que al retorno inmediato. Aplicada sin cautela, esta lectura vuelve a presentar las instituciones indígenas como espectáculos de destrucción. La teoría del gasto solo resulta útil aquí cuando permanece subordinada a la complejidad política, jurídica y redistributiva del potlatch real.

El potlatch tecnológico y su público

La carrera contemporánea por la inteligencia artificial puede leerse como una economía de prestigio. Las corporaciones no compiten únicamente por clientela o beneficios presentes. Compiten por demostrar que poseen la escala necesaria para construir el futuro. Los anuncios de centros de datos, clústeres de chips, inversiones energéticas y modelos más grandes funcionan como señales dirigidas a inversores, gobiernos, personal especializado, empresas dependientes y competidores.

El desembolso produce autoridad. Una compañía capaz de comprometer decenas o cientos de miles de millones aparece como un actor inevitable. Su escala económica se transforma en capital simbólico. En términos de Bourdieu (1986), el capital material adquiere una forma reconocida como competencia, liderazgo y derecho a hablar en nombre del porvenir.

Las cifras permiten medir el tamaño de la demostración. En febrero de 2026, Reuters calculó que Alphabet, Microsoft, Amazon y Meta preveían invertir conjuntamente más de 600.000 millones de dólares durante el año, en gran medida para ampliar capacidad asociada a la inteligencia artificial (Raitano et al., 2026). Alphabet, por ejemplo, situó su previsión anual de gasto de capital entre 175.000 y 185.000 millones de dólares y señaló que aproximadamente un 60 % se destinaría a servidores (Alphabet Inc., 2026). Estas previsiones pueden cambiar y no todo el gasto constituye una pérdida. Muestran, sin embargo, que la capacidad de sostener inversiones de esta magnitud se ha convertido en una barrera competitiva y en una señal pública de soberanía tecnológica.

¿Dónde se encuentra la destrucción o pérdida deliberada que permitiría hablar de una dimensión agonística? No toda compra de hardware es destrucción ritual. Los edificios, las conexiones eléctricas, la fibra y parte de los sistemas de refrigeración pueden conservar utilidad durante años. Los aceleradores especializados sufren ciclos más rápidos de sustitución y depreciación, aunque no exista una regla universal según la cual pierdan todo su valor en doce o dieciocho meses.

La pérdida aparece en una combinación de prácticas. Se quema capital de riesgo para mantener precios inferiores al coste total, se descartan generaciones de hardware todavía funcionales para sostener la frontera, se duplican infraestructuras para no depender de un rival y se entrenan modelos cuyo retorno comercial permanece incierto. La capacidad de absorber estas pérdidas puede obligar a empresas menores a retirarse o integrarse en la infraestructura de quienes sí pueden soportarlas. La destrucción no es necesariamente el objetivo consciente de cada inversión. Opera como una condición de entrada que convierte la solvencia en arma competitiva.

A la pérdida financiera se añade una destrucción material menos visible. Los centros de datos concentran una demanda creciente de electricidad y, cuando utilizan refrigeración evaporativa, consumen agua cuya presión resulta especialmente problemática en territorios con estrés hídrico. La fabricación y renovación acelerada del hardware requiere además minerales críticos y genera residuos electrónicos (Agencia Internacional de la Energía, 2025; Programa de las Naciones Unidas para el Medio Ambiente, 2025). El hardware de ciclo corto proporciona así a la metáfora su dimensión material: funciona como el equivalente contemporáneo de una riqueza quebrada para demostrar capacidad, aunque sus costes ecológicos recaigan fuera de la ceremonia financiera.

El potlatch tecnológico posee además un público fragmentado. No existe una comunidad ceremonial única capaz de registrar obligaciones y exigir reciprocidad. Los mercados financieros observan el gasto como señal de crecimiento; los medios especializados convierten lanzamientos y pruebas comparativas en acontecimientos; los gobiernos interpretan la escala como soberanía; y las comunidades desarrolladoras evalúan capacidades mediante tablas de rendimiento cuya comparabilidad es a menudo discutible. Estos públicos reconocen el prestigio, pero ninguno dispone por sí solo de autoridad suficiente para imponer una devolución social.

La reciprocidad puede adoptar incluso una forma negativa. El lanzamiento de un modelo subvencionado u ofrecido con pesos abiertos puede obligar a empresas rivales a reducir precios, rehacer productos o aumentar su propio gasto. La “generosidad” humilla cuando demuestra que quien dona puede prescindir del ingreso que sus competidores necesitan para sobrevivir. Esto no convierte todo modelo abierto en una maniobra extractiva. Señala que la apertura también puede utilizarse como estrategia de prestigio, captura de ecosistemas y desplazamiento de costes hacia quienes adaptan y mantienen el sistema.

La pregunta relevante no es si una tecnología es abierta o cerrada en abstracto. Importa qué capacidades distribuye, qué dependencias conserva y quién puede modificar sus condiciones.

El hau digital y la captura de valor

En la lectura clásica de Mauss (1925), la cosa recibida no permanece inerte. Conserva una fuerza que la vincula a su procedencia y contribuye a exigir una devolución. La conocida explicación mediante el hau ha sido discutida durante un siglo. Parte de la antropología consideró que Mauss había convertido una categoría maorí específica en una teoría general de la reciprocidad. Perspectivas maoríes contemporáneas han señalado además el riesgo de separar el concepto de sus relaciones con territorio, genealogía y conocimiento indígena (Frank, 2016; Stewart, 2017).

Esta controversia resulta más fértil que una traslación literal. Las herramientas digitales gratuitas tampoco son objetos neutrales que abandonan por completo a quien las entrega. Viajan acompañadas de licencias, formatos, interfaces, telemetría, cuentas, actualizaciones y condiciones de servicio. El vínculo no reside en un espíritu dentro del software, sino en una arquitectura técnica y jurídica que mantiene al servicio unido a su proveedor.

La devolución adopta varias formas. Algunas plataformas pueden utilizar interacciones y valoraciones para mejorar sus sistemas, según sus políticas y las opciones contractuales aplicables. Otras obtienen patrones de uso, notoriedad, posición en el mercado o la incorporación de un producto a procesos organizativos. Incluso cuando los contenidos no se emplean para entrenar modelos, la adopción genera información sobre demanda, crea hábitos y aumenta el coste de abandonar el ecosistema.

La persona usuaria no entrega únicamente datos. También aporta trabajo de ajuste. Aprende a formular instrucciones, corrige resultados, reorganiza tareas, crea plantillas, conecta servicios y enseña a otras personas a utilizar la herramienta. Parte de este trabajo queda fuera de la contabilidad del proveedor, aunque aumente el valor de su plataforma.

El hau digital puede entenderse, con todas las reservas indicadas, como la persistencia del proveedor dentro de lo recibido. El regalo lleva consigo la capacidad de modificar precios, retirar funciones, cambiar modelos o redefinir qué usos están permitidos. La obligación de devolución no se presenta como ceremonia explícita, sino como una acumulación silenciosa de dependencia.

La analogía alcanza aquí su límite más importante. El hau maorí no es una metáfora disponible para explicar cualquier circulación. El mundo digital debe describirse mediante sus propios dispositivos legales y materiales. La utilidad de Mauss consiste en impedir que la gratuidad se confunda con ausencia de relación.

La deuda de infraestructura

La dependencia creada por el acceso subsidiado puede denominarse deuda de infraestructura. El concepto se relaciona con el bloqueo tecnológico o lock-in, pero no se reduce a él.

El lock-in describe los costes que dificultan cambiar de proveedor una vez adoptada una tecnología. La deuda de infraestructura subraya la asimetría temporal que produce el don subsidiado. El coste inicial de adopción es bajo, mientras el coste de salida crece con cada integración, cada habilidad adquirida, cada conjunto de datos adaptado y cada proceso reorganizado alrededor de la plataforma. La dependencia se acumula durante una fase en la que su precio permanece parcialmente oculto.

Una organización puede comenzar con créditos gratuitos para una API. Después adapta su software a respuestas, límites y formatos específicos. Forma a su equipo, almacena datos en servicios asociados y promete a su clientela funciones dependientes del modelo. Cuando las tarifas o las condiciones cambian, migrar ya no significa sustituir una pieza. Exige rehacer una parte de la organización.

Esta deuda no afecta por igual a todos los actores. Una gran empresa puede negociar contratos, construir redundancias o repartir cargas entre proveedores. Una organización pequeña, una administración local, una cooperativa o un medio de comunicación dispone de menos capacidad para absorber la migración. La gratuidad inicial puede democratizar el acceso inmediato y concentrar la autonomía futura.

Los modelos abiertos, la ejecución local y los estándares interoperables pueden reducir esta deuda. Sin embargo, “abierto” no es una categoría simple. Un modelo puede ofrecer pesos descargables y mantener opacos los datos, el proceso de entrenamiento o las condiciones que hicieron posible su desarrollo. También puede exigir una infraestructura que solo unas pocas organizaciones pueden costear. La apertura debe medirse por la capacidad efectiva de salir, adaptar, auditar y gobernar, no por la disponibilidad nominal de un archivo.

Trabajo, reconocimiento y lavado de IA

La automatización afecta de manera especialmente sensible a los puestos iniciales. Muchas tareas que parecen rutinarias son también espacios de aprendizaje. Redactar primeros borradores, clasificar información, revisar código o asistir en un análisis permite adquirir el conocimiento tácito necesario para asumir responsabilidades posteriores. Si esas tareas desaparecen sin que se creen nuevas vías de formación, la empresa obtiene un ahorro presente a costa de erosionar su propia reproducción profesional.

En la entrevista se menciona una caída del 37 % en determinadas ofertas de nivel inicial (Hernández, 2026). La cifra no debe convertirse en un diagnóstico general sin identificar con precisión la fuente, el periodo y las ocupaciones observadas. La propia conversación reconoce que continúa abierto el debate causal sobre el peso de la automatización, los tipos de interés, la sobrecontratación tecnológica previa y otros ajustes posteriores a la pandemia.

Esta cautela conduce al concepto de lavado de IA. Una compañía puede atribuir despidos a la automatización aunque las causas principales sean una expansión excesiva anterior, una reorganización, presión financiera o errores de gestión. La explicación tecnológica resulta atractiva porque transforma un problema empresarial en señal de modernización. Anunciar eficiencia mediante inteligencia artificial puede ser mejor recibido que reconocer una caída de la demanda.

El lavado de IA adopta otras formas. Sistemas convencionales se comercializan como inteligencia avanzada; la vigilancia laboral se presenta como optimización; la captura de datos se justifica como mejora inevitable del modelo; y productos energéticamente intensivos se describen como soluciones sostenibles sin contabilizar su infraestructura. Estas prácticas comparten un mecanismo. La etiqueta “IA” desplaza la atención desde una decisión organizativa hacia una supuesta necesidad técnica.

El discurso produce efectos incluso cuando exagera las capacidades reales. Convencer a inversores y plantillas de que la sustitución es inevitable debilita la negociación laboral, disciplina expectativas salariales y traslada a cada persona la responsabilidad de adaptarse. La automatización funciona entonces tanto como técnica como relato de poder.

El trabajo no puede reducirse a una variable de coste ni a un mecanismo de distribución de ingresos. También organiza aprendizaje, sociabilidad, reconocimiento y capacidad colectiva. Esto no significa idealizar el empleo asalariado, que puede ser precario, alienante o dañino. Significa reconocer que una política centrada exclusivamente en compensar la pérdida de salarios deja intacta la distribución del poder productivo.

La renta básica universal puede ofrecer seguridad material y ampliar la libertad de rechazar trabajos abusivos. Su efecto depende del diseño institucional, la financiación y los derechos que la acompañen. Sin participación en las decisiones tecnológicas, servicios públicos sólidos y acceso a medios de producción, una transferencia monetaria podría estabilizar una sociedad muy desigual. Integrada en un régimen más amplio de derechos y capacidades, podría reforzar la autonomía.

Una cautela semejante se aplica a la reducción de jornada. Si una empresa debe pagar el mismo salario por menos horas mientras conserva plena libertad para sustituir empleo, aumenta el incentivo contable para automatizar. Este efecto no convierte toda reducción de jornada en una política absurda. La medida puede repartir productividad cuando se combina con negociación colectiva, límites al despido, participación laboral en las decisiones y mecanismos que impidan apropiarse unilateralmente del tiempo ahorrado.

Los impuestos sobre robots o cómputo pueden ralentizar la automatización o financiar transiciones, pero no cambian automáticamente la dirección de la innovación. Una política a favor del trabajo requiere incentivos positivos para desarrollar herramientas que creen tareas, eleven capacidades y mejoren servicios de alta necesidad social.

Cuando la productividad erosiona el aprendizaje

El problema no se limita al empleo. La misma herramienta puede aumentar el rendimiento inmediato y debilitar la capacidad que hace posible ese rendimiento a largo plazo.

Un documento de trabajo publicado en 2026 analiza treinta meses de datos de 26.811 estudiantes de séptimo a duodécimo curso en China (Strömberg et al., 2026). Según sus estimaciones, la adopción de inteligencia artificial elevó las calificaciones de los deberes un 18 % y redujo el tiempo de realización un 30 %. Al mismo tiempo, las puntuaciones en exámenes mensuales sin acceso a materiales descendieron un 20 % durante los seis primeros meses. Los resultados en pruebas de acceso de mayor importancia cayeron entre un 18 % y un 24 %, con efectos más acusados tras periodos prolongados de uso.

El estudio utiliza una estrategia de diferencias en diferencias sobre una adopción escalonada, no un experimento aleatorio. Se trata además de un trabajo reciente que todavía debe ser sometido a mayor contraste. Sus resultados no autorizan a afirmar que toda utilización educativa de la IA produzca atrofia cognitiva.

La evidencia disponible muestra que el diseño importa. Otros experimentos encuentran beneficios cuando la herramienta actúa como tutora, obliga a explicar errores, guía el descubrimiento o se integra en una práctica pedagógica deliberada (Fischer et al., 2025; Li et al., 2026). El riesgo aparece especialmente cuando el sistema entrega soluciones completas y sustituye el esfuerzo mediante el cual se construye conocimiento.

Acemoglu, Kong, et al. (2026) han formalizado una preocupación relacionada mediante la idea de colapso del conocimiento. El aprendizaje individual genera, además de una señal privada útil para quien aprende, pequeñas aportaciones al acervo colectivo de conocimiento. Un sistema agéntico que proporciona recomendaciones contextuales puede mejorar decisiones presentes y reducir al mismo tiempo el incentivo para aprender. Si muchas personas dejan de producir conocimiento general, la sociedad puede conservar recomendaciones de alta calidad durante un tiempo mientras erosiona la base humana de la que dependen.

Esta dinámica permite hablar de una degradación del capital humano bajo un modelo extractivo de consumo de software. La plataforma entrega respuestas y captura uso, mientras desplaza fuera de la experiencia inmediata el coste de perder comprensión, criterio y autonomía. La productividad de la tarea oculta la improductividad de la trayectoria.

Una inteligencia artificial educativa inclusiva tendría que ampliar la relación pedagógica en lugar de sustituirla. Podría ayudar al profesorado a detectar dificultades, adaptar materiales y liberar tiempo para el acompañamiento. También debería diseñarse para provocar explicación, contraste y recuperación activa, no para eliminar el esfuerzo cognitivo que constituye el aprendizaje.

Dar obligando a repartir

Desde la perspectiva de la antropología del don, una práctica descrita por López García (2001) ofrece una imagen especialmente útil para pensar esta orientación. Entre comunidades maya-ch’orti’, el autor identificó un modelo de don que puede resumirse como “dar comida obligando a repartirla”. La magnitud y la forma del regalo hacen que la persona receptora no pueda consumirlo de manera individual y deba prolongar su circulación.

El interés del ejemplo no consiste en convertir una práctica ritual en una receta de política digital. Permite imaginar instituciones donde la redistribución no dependa de la buena voluntad posterior de quien recibe el beneficio. La obligación de circular se incorpora al propio diseño.

¿Qué equivaldría a entregar un bien que no puede ser consumido individualmente? El cómputo avanzado, los grandes conjuntos de datos y algunos modelos requieren recursos colectivos para adquirir valor social. Una universidad aislada, una pequeña administración o una cooperativa rara vez puede sostener por sí sola toda la infraestructura. El problema es que la necesidad de compartir puede resolverse mediante una plataforma privada centralizada o mediante instituciones comunes. Ambas agregan recursos, pero distribuyen de manera distinta la decisión y la dependencia.

Ofrecer un modelo gratuito no distribuye necesariamente capacidad. La capacidad incluye conocimientos, infraestructura, autonomía, derecho a modificar, protección frente a cambios unilaterales y poder para decidir qué aplicaciones se desarrollan.

Una política de “dar obligando a repartir” podría condicionar subvenciones, contratos públicos y acceso privilegiado a recursos escasos. Una empresa que recibe financiación, energía, suelo, investigación pública o ventajas fiscales debería asumir obligaciones verificables de interoperabilidad, formación, auditoría, creación de tareas y devolución de conocimiento. El apoyo público no sería una transferencia sin retorno ni una participación accionarial puramente financiera. Sería una arquitectura de circulación.

Esta perspectiva modifica la pregunta sobre quién merece prestigio. En el potlatch, la autoridad no procedía únicamente de poseer, sino de distribuir ante una comunidad capaz de atestiguar el acto. Una economía digital inclusiva debería reconocer como liderazgo la capacidad de ampliar bienes comunes, no solo el volumen de capital movilizado. El modelo más grande no sería necesariamente el más valioso. Podría serlo aquel que fortalezca más capacidades fuera de la organización que lo controla.

Infraestructura digital inclusiva

La alternativa institucional puede formalizarse mediante el concepto de infraestructura digital inclusiva. Se trata del conjunto de recursos de cómputo, datos, modelos, conocimientos, estándares y capacidades públicas o comunes que permite a una pluralidad de actores desarrollar y gobernar inteligencia artificial sin quedar subordinada a un único proveedor.

La expresión no equivale a nacionalizar toda la industria ni a reproducir bajo propiedad estatal la misma carrera por la escala. Una infraestructura es inclusiva cuando amplía el acceso efectivo y distribuye capacidad de decisión. Requiere criterios transparentes de asignación, interoperabilidad, auditoría, representación de comunidades afectadas y mecanismos de salida. La propiedad pública puede facilitar estas condiciones, pero no las garantiza.

La comparación histórica con la Revolución Industrial debe formularse con prudencia. Los derechos de propiedad extendidos, la educación pública, las infraestructuras urbanas y la protección laboral no aparecieron como consecuencias automáticas de la industrialización. Fueron resultados incompletos y desiguales de conflictos políticos. Su importancia radicó en impedir que todas las ganancias de productividad quedaran dentro de las fábricas o de las fortunas que las controlaban. Una infraestructura digital inclusiva intentaría cumplir una función semejante en la economía del conocimiento.

La Unión Europea ofrece un ejemplo todavía abierto. La red EuroHPC contaba en agosto de 2026 con diecinueve Fábricas de IA y trece antenas destinadas a conectar supercomputación, universidades, pequeñas y medianas empresas, industria y autoridades públicas. La Comisión Europea y los Estados participantes prevén movilizar 10.000 millones de euros entre 2021 y 2027 para supercomputación y Fábricas de IA (Comisión Europea, 2026; Empresa Común Europea de Informática de Alto Rendimiento, 2026). El acceso a cómputo y apoyo técnico puede reducir barreras de entrada que ninguna empresa emergente podría superar por sí sola.

Al mismo tiempo, el proyecto muestra la ambivalencia de la capacidad pública. Las futuras gigafábricas europeas se justifican también mediante soberanía, competición global y modelos con billones de parámetros. Sin reglas de acceso, evaluación social y gobernanza plural, una infraestructura pública puede reproducir el potlatch tecnológico a escala estatal. La inclusión depende de quién decide sus prioridades, quién recibe el cómputo y qué obligaciones acompañan a ese acceso.

La infraestructura digital inclusiva tendría cuatro componentes inseparables.

El primero es capacidad material compartida. Incluye supercomputación, almacenamiento, redes y energía, con cuotas reservadas para investigación, administraciones, cooperativas, organizaciones sociales y pequeñas empresas.

El segundo es conocimiento abierto y auditable. Comprende documentación, evaluaciones, datos públicos gobernados responsablemente, modelos adaptables y herramientas que permitan inspeccionar resultados sin revelar información personal o secretos legítimos.

El tercero es capacidad humana. La infraestructura necesita personal público cualificado, formación para las personas trabajadoras, mediación comunitaria y equipos capaces de auditar sistemas complejos. Comprar chips sin construir instituciones de conocimiento reproduce dependencia.

El cuarto es gobernanza democrática. Las prioridades deben responder a necesidades sociales verificables, con participación de quienes trabajan y de las comunidades afectadas. La auditoría debe tener consecuencias y el acceso público debe generar retornos públicos.

Institucionalizar la reciprocidad

La regulación actual suele ser reactiva. Un producto se despliega, aparece un daño y las instituciones intentan corregirlo. Acemoglu propone invertir esa lógica. Una sociedad debería decidir qué objetivos persigue y orientar después los incentivos tecnológicos hacia ellos.

Esto no implica que un gobierno pueda prever todas las innovaciones ni que deba diseñar modelos desde una oficina central. Significa reconocer que ya existe una política industrial de la inteligencia artificial. Las decisiones sobre energía, chips, contratación pública, fiscalidad, propiedad intelectual, investigación y competencia están orientando el mercado aunque se presenten como neutralidad.

Una agenda inclusiva puede organizarse alrededor de cinco obligaciones. Estas propuestas parten del suelo normativo creado por el Reglamento (UE) 2024/1689 y modificado en julio de 2026 por el Reglamento (UE) 2026/1744. El Reglamento de Inteligencia Artificial es de aplicación general desde el 2 de agosto de 2026, pero la reforma aplazó buena parte del régimen de alto riesgo hasta el 2 de diciembre de 2027; las reglas aplicables a los sistemas pertinentes integrados en productos físicos regulados lo harán desde el 2 de agosto de 2028. El objetivo no es presentar todas esas obligaciones como ya exigibles, sino extender ese suelo regulatorio hacia la interoperabilidad, un derecho de salida efectivo y la participación de las personas trabajadoras (Reglamento [UE] 2024/1689, 2024; Reglamento [UE] 2026/1744, 2026).

1. Participación antes del despliegue

Las personas trabajadoras y las comunidades afectadas deben intervenir antes de que los sistemas reorganicen salarios, horarios, evaluación, vigilancia o distribución de tareas. La negociación algorítmica colectiva puede abordar ritmos, supervisión, reparto de productividad y transformación de funciones. El Parlamento Europeo ha propuesto que los sistemas de gestión algorítmica que afecten sustancialmente al trabajo sean objeto de consulta previa, con información sobre datos, sesgos, salud laboral y supervisión humana (Parlamento Europeo, 2025).

2. Apertura efectiva y derecho de salida

La portabilidad, los estándares interoperables y las alternativas públicas o cooperativas reducen la deuda de infraestructura. El artículo 53 del Reglamento Europeo de Inteligencia Artificial obliga a quienes proveen modelos de propósito general a mantener documentación técnica, facilitar información a quienes integran esos modelos y publicar un resumen suficientemente detallado del contenido utilizado para su entrenamiento (Reglamento [UE] 2024/1689, 2024). Ese mínimo de transparencia debería ampliarse hacia una interoperabilidad efectiva. La apertura debe evaluarse por la autonomía que produce. El derecho de salida incluye exportar datos, conservar funcionalidades esenciales durante una transición y evitar que formatos o contratos conviertan la migración en una penalización desproporcionada.

3. Redistribución de capacidades

La financiación pública debería favorecer tecnologías que creen tareas humanas, extiendan conocimientos y mejoren ámbitos como salud, educación, cuidados, ciencia, accesibilidad y transición ecológica. Toda ayuda relevante tendría que incorporar cláusulas de retorno social medibles. El dinero, la energía y los datos públicos deben generar capacidad pública.

4. Rendición de cuentas material

Las auditorías, evaluaciones y consultas solo tienen valor si pueden modificar decisiones, imponer reparaciones y detener usos inaceptables. El artículo 43 del Reglamento de Inteligencia Artificial establece procedimientos de evaluación de conformidad para sistemas de alto riesgo y el artículo 72 mantiene la supervisión posterior a la comercialización. El Reglamento (UE) 2026/1744 cambió el calendario de aplicación de ese régimen y eliminó la exigencia de un único plan armonizado de seguimiento posterior, pero no suprimió la necesidad más amplia de rendición de cuentas material y supervisión durante la vida útil del sistema (Reglamento [UE] 2024/1689, 2024; Reglamento [UE] 2026/1744, 2026). Este principio debería extenderse a cualquier sistema que reorganice sustancialmente el trabajo, aunque no haya sido clasificado formalmente como de alto riesgo. Las organizaciones deben explicar qué parte de una decisión procede del sistema, quién responde por ella y cómo puede impugnarse. La auditoría debe poder desencadenar correcciones, suspensiones y reparación; de lo contrario, se convierte en una ceremonia de legitimación vacía.

5. Infraestructura plural

El cómputo público, universitario, municipal, cooperativo o compartido amplía el espacio de experimentación fuera de las grandes plataformas. No sustituirá toda inversión privada, pero puede impedir que el acceso al conocimiento avanzado dependa completamente de unas pocas empresas. Las redes deben coordinarse para compartir datos, servicios, formación y buenas prácticas sin construir un nuevo centro monopolístico.

Estas obligaciones no eliminan la competencia. La reorganizan. El potlatch muestra que el deseo de prestigio puede movilizar recursos hacia la circulación cuando una institución vincula rango y distribución. El desafío consiste en crear un régimen donde empresas y Estados compitan también por demostrar cuánto conocimiento hacen accesible, cuántas capacidades distribuyen y qué parte de su poder someten a decisión pública.

Conclusión

La inteligencia artificial no triunfará o fracasará únicamente por la calidad de sus modelos. Su trayectoria dependerá de las instituciones que conviertan la capacidad técnica en una determinada distribución de poder.

El marco de Why Nations Fail permite observar el riesgo de un círculo extractivo. La concentración de cómputo, datos y capital genera influencia política. Esa influencia produce reglas favorables a la concentración. Las reglas consolidan el control de la infraestructura y reducen la capacidad de la sociedad para orientar el cambio técnico. La coyuntura crítica de la inteligencia artificial puede profundizar esta deriva o interrumpirla.

La antropología del don añade una pregunta que la economía institucional no siempre formula. ¿Cómo se vuelve legítima esa concentración? La industria no solo acumula recursos. Exhibe gasto, distribuye acceso, promete abundancia y convierte su escala en autoridad moral. Su generosidad aparente crea dependencias, mientras la obligación de devolver valor a la sociedad permanece débil o voluntaria.

Llamar a este proceso “potlatch tecnológico” resulta útil solo si se conserva la diferencia. El potlatch indígena no era una metáfora de irracionalidad económica. Articulaba circulación, derechos, memoria, territorio y reconocimiento público. Precisamente por eso revela la carencia central del régimen digital. Las corporaciones pueden obtener prestigio por gastar y regalar sin someterse a una comunidad con poder equivalente para exigir reciprocidad.

El hau tampoco ofrece una explicación mística de la captura de datos. Su discusión permite recordar que las cosas regaladas conservan vínculos con su procedencia. En el mundo digital esos vínculos se materializan en licencias, cuentas, telemetría, formatos y dependencias. El don gratuito puede llevar incorporada una deuda de infraestructura cuyo coste solo se vuelve visible cuando se intenta salir.

La evidencia educativa muestra el mismo problema a otra escala. Una herramienta puede mejorar el resultado inmediato y erosionar el aprendizaje que sostiene la autonomía futura. La extracción no se limita entonces a salarios o datos. Puede apropiarse del esfuerzo cognitivo que una sociedad necesita para conservar conocimiento y capacidad de juicio.

Una inteligencia artificial a favor del trabajo requiere algo más que mejores modelos o compensaciones posteriores. Exige instituciones que incorporen la circulación al diseño, distribuyan capacidad de decisión y conviertan las ganancias de productividad en tiempo, conocimiento, servicios y poder compartido.

La infraestructura digital inclusiva ofrece un horizonte concreto, pero no una garantía. El cómputo público puede democratizar capacidades o convertirse en otro escenario de exhibición geopolítica. Su carácter inclusivo se jugará en las obligaciones que imponga, en los actores que participen y en los bienes que consiga mantener en circulación.

El criterio decisivo, por tanto, no debería ser la cantidad de capital que una organización puede movilizar para construir el modelo más grande, sino la densidad de las obligaciones públicas que nacen de ese proceso. Cuando una sociedad aporta datos, energía, trabajo, conocimiento e infraestructura, adquiere también el derecho a decidir cómo circulan los beneficios y qué límites se imponen a quienes concentran la capacidad tecnológica. Sin obligaciones exigibles, el don tecnológico se convierte en deuda. Con instituciones capaces de distribuir sus retornos, la coyuntura crítica de la inteligencia artificial todavía puede orientarse hacia un bien común.

Referencias

Acemoglu, D. (2025a). Institutions, technology and prosperity (NBER Working Paper No. 33442). National Bureau of Economic Research. https://doi.org/10.3386/w33442

Acemoglu, D. (2025b). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. https://doi.org/10.1093/epolic/eiae042

Acemoglu, D., Autor, D. H., & Johnson, S. (2026). Building pro-worker artificial intelligence (NBER Working Paper No. 34854). National Bureau of Economic Research. https://doi.org/10.3386/w34854

Acemoglu, D., Johnson, S., & Robinson, J. A. (2005). Institutions as a fundamental cause of long-run growth. En P. Aghion & S. N. Durlauf (Eds.), Handbook of economic growth (Vol. 1A, pp. 385–472). Elsevier. https://doi.org/10.1016/S1574-0684(05)01006-3

Acemoglu, D., Kong, D., & Ozdaglar, A. (2026). AI, human cognition and knowledge collapse (NBER Working Paper No. 34910). National Bureau of Economic Research. https://doi.org/10.3386/w34910

Acemoglu, D., & Robinson, J. A. (2012). Why nations fail: The origins of power, prosperity, and poverty. Crown Publishers.

Agencia Internacional de la Energía. (2025, 10 de abril). Energy and AI. https://www.iea.org/reports/energy-and-ai

Alphabet Inc. (2026, 4 de febrero). 2025 Q4 earnings call. https://abc.xyz/investor/events/event-details/2026/2025-Q4-Earnings-Call-2026-Dr_C033hS6/default.aspx

Bataille, G. (1949). La part maudite. Les Éditions de Minuit.

Bourdieu, P. (1986). The forms of capital. En J. G. Richardson (Ed.), Handbook of theory and research for the sociology of education (pp. 241–258). Greenwood Press.

Codere, H. (1950). Fighting with property: A study of Kwakiutl potlatching and warfare, 1792–1930 (American Ethnological Society Monograph No. 18). University of Washington Press.

Comisión Europea. (2026, 23 de abril). AI factories. Shaping Europe’s Digital Future. https://digital-strategy.ec.europa.eu/en/policies/ai-factories

Empresa Común Europea de Informática de Alto Rendimiento. (2026, 28 de abril). Cooperation of artificial intelligence factories and factories antennas. https://www.eurohpc-ju.europa.eu/cooperation-artificial-intelligence-factories-and-factories-antennas-0_en

Fischer, M., Rau, H. A., & Rilke, R. M. (2025). AI tutoring enhances student learning without crowding out reading effort (IZA Discussion Paper No. 18338). IZA Institute of Labor Economics. https://www.iza.org/publications/dp/18338/ai-tutoring-enhances-student-learning-without-crowding-out-reading-effort

Frank, S. (2016). The “force in the thing”: Mauss’ nonauthoritarian sociality in The gift. HAU: Journal of Ethnographic Theory, 6(2), 255–277. https://doi.org/10.14318/hau6.2.017

Hernández, J. [Inteligencia Artificial]. (2026, 16 de julio). El impacto económico de la IA con el Premio Nobel Daron Acemoglu [Video]. YouTube. https://youtu.be/CDzTaO_nhAc

Kan, S. (1989). Symbolic immortality: The Tlingit potlatch of the nineteenth century. Smithsonian Institution Press.

Leeson, B. W. (ca. 1897–1908). Quatsino potlatch [Fotografía]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Quatsino_potlatch.jpg

Li, A. T., Liu, D., & Ye, T. (2026). Is ChatGPT a boon or a bane for learning? Experimental evidence across task formats and chatbot designs [Documento de trabajo]. SSRN. https://doi.org/10.2139/ssrn.5533921

López García, J. (2001). «Dar comida obligando a repartirla». Un modelo de don maya-ch’orti’ en proceso de transformación. Revista de Dialectología y Tradiciones Populares, 56(2), 75–98. https://doi.org/10.3989/rdtp.2001.v56.i2.210

Mauss, M. (1925). Essai sur le don. Forme et raison de l’échange dans les sociétés archaïques. L’Année Sociologique, nouvelle série, 1, 30–186.

Parlamento Europeo. (2025, 17 de diciembre). Digitalisation, artificial intelligence and algorithmic management in the workplace—Shaping the future of work (P10_TA(2025)0337). https://eur-lex.europa.eu/eli/C/2026/2154/oj/eng

Piddocke, S. (1965). The potlatch system of the Southern Kwakiutl: A new perspective. Southwestern Journal of Anthropology, 21(3), 244–264. https://doi.org/10.1086/soutjanth.21.3.3629231

Programa de las Naciones Unidas para el Medio Ambiente. (2025, 13 de noviembre). AI has an environmental problem. Here’s what the world can do about that. https://www.unep.org/news-and-stories/story/ai-has-environmental-problem-heres-what-world-can-do-about

Raitano, L., Ranasinghe, D., & Oguh, C. (2026, 6 de febrero). Big Tech’s $600 billion spending plans exacerbate investors’ AI headache. Reuters. https://www.investing.com/news/stock-market-news/global-software-data-firms-slide-as-ai-disruption-fears-compound-jitters-over-600-billion-capex-plans-4489820

Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial), Diario Oficial de la Unión Europea, L, 2024/1689 (2024). https://eur-lex.europa.eu/eli/reg/2024/1689/oj/spa

Reglamento (UE) 2026/1744 del Parlamento Europeo y del Consejo, de 8 de julio de 2026, por el que se modifican los Reglamentos (UE) 2024/1689, (UE) 2018/1139 y (UE) 2023/1230 en lo que respecta a la simplificación de la aplicación de las normas armonizadas en materia de inteligencia artificial (Ómnibus Digital sobre IA), Diario Oficial de la Unión Europea, L, 2026/1744 (2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/spa

Rosman, A., & Rubel, P. G. (1972). The potlatch: A structural analysis. American Anthropologist, 74(3), 658–671. https://doi.org/10.1525/aa.1972.74.3.02a00280

Royal BC Museum. (s. f.). Kwakwa̱ka̱ʼwakw: Stories carved in cedar. Recuperado el 5 de agosto de 2026, de https://totems.royalbcmuseum.bc.ca/en/story/Legacy

Stewart, G. (2017). The ‘hau’ of research: Mauss meets Kaupapa Māori. Journal of World Philosophies, 2(1), 1–11. https://doi.org/10.2979/jourworlphil.2.1.01

Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education (CEPR Discussion Paper No. 21577). CEPR Press. https://cepr.org/publications/dp21577