#263 Nuestra inversión en QuiverAI. La Crisis Global de 2028 causada por la IA…¿o es de 2026?
Esta edición de Suma Positiva ha sido patrocinada por:
Tener proyectos rentables que no quemen a tu equipo es posible
Gestionar proyectos rentables no tiene mucho misterio sobre el papel, pero en el mundo real es otra historia. El éxito no es solo llegar al deadline; es hacerlo sin que la calidad sufra, sin que los costes se disparen y, sobre todo, sin que el equipo acabe pidiendo la cuenta porque no puede más. Cuando estiras demasiado uno de estos vectores, el equilibrio se rompe y el problema no se soluciona, solo cambia de manos.
Si lideras equipos y quieres que tus proyectos salgan adelante sin que te cueste el talento, este ebook de Factorial está hecho para ti. En la guía Guía de gestión de proyectos para alinear RRHH y finanzas aprenderás a:
Proteger tus márgenes con un “presupuesto vivo” que no te dé sustos al final del mes.
Montar rituales de comunicación que desbloqueen el trabajo sin que la gente viva pegada al Zoom.
Reducir la fricción en el día a día para que el negocio escale y el equipo esté contento.
Descárgatelo gratis aquí
Por qué invertimos en QuiverAI
El miércoles se anunciaba nuestra participación (la de JME Ventures) en la ronda seed de 8,3 millones de dólares de QuiverAI, liderada por Andreessen Horowitz, con la participación también de K Fund, Mission y un grupo excepcional de business angels que incluye a Jiaqiang Ye Zu y Carla Gomez (fundadores de Theker Robotics), Linda Tong (CEO de Webflow), Amjad Masad (CEO de Replit) y Michele Catasta (Head of AI en Replit), entre otros.
¿Otro modelo de generación de imágenes?
QuiverAI aborda un problema que, a primera vista, puede parecer resuelto: la generación de imágenes con inteligencia artificial. Pero que en realidad no lo está. Al menos no para un grupo de profesionales que realmente trabajan con ellas: los diseñadores.
Vamos a desgranarlo.
El problema: los píxeles no se pueden editar
Para entender lo que hace QuiverAI, conviene dar un paso atrás y hablar de cómo funcionan los modelos generativos de imagen más conocidos: Stable Diffusion, DALL-E o Midjourney.
Estos modelos se basan en una técnica llamada difusión. La idea, simplificada, es la siguiente: durante el entrenamiento, el modelo aprende a partir de millones de imágenes a las que se les va añadiendo ruido progresivamente, como si se emborronaran poco a poco hasta quedar irreconocibles. El modelo aprende a invertir ese proceso: dado un patrón de ruido, es capaz de reconstruir una imagen coherente paso a paso, como si limpiara la estática de una televisión (si es que alguien recuerda lo que era eso) hasta que aparece una imagen nítida. Cuando el usuario escribe un prompt —por ejemplo, “un logotipo minimalista de una montaña”—, el modelo utiliza esa descripción como guía para dirigir el proceso de reconstrucción hacia una imagen que se ajuste al texto. El resultado es una cuadrícula de millones de píxeles: puntos de color dispuestos en filas y columnas, exactamente igual que una fotografía digital. Y como fotografía sintética, puede ser espectacular. Pero como pieza de trabajo para un diseñador, es prácticamente inútil.
¿Por qué? Porque un diseñador no solo necesita ver una imagen: necesita editarla, descomponerla en capas, cambiar colores, ajustar proporciones, animar elementos y reutilizarla en múltiples contextos y tamaños. Nada de esto es posible con una cuadrícula de píxeles. Intentar modificar el logotipo generado por Midjourney es como intentar reescribir un libro a partir de una foto de sus páginas: la información estructural simplemente no está ahí.
Gráficos vectoriales: imágenes que son código
Aquí es donde entran los gráficos vectoriales. A diferencia de una imagen de píxeles, un gráfico vectorial no describe puntos de color, sino instrucciones geométricas: “dibuja un círculo de este radio, con este color de relleno, en esta posición”. El formato más extendido es SVG (Scalable Vector Graphics), un estándar abierto que se escribe literalmente en código.
Los vectores están en todas partes. El logotipo de la cafetería de tu barrio, los iconos de la app que usas cada día, los diagramas de un libro de texto, las animaciones sencillas de cualquier web moderna, los kits de marca que las empresas reutilizan en decenas de soportes. En todos estos casos, lo que importa no es solo cómo se ve el gráfico una vez, sino que se pueda escalar sin perder calidad, editar capa a capa, animar, adaptar y reutilizar de forma indefinida.
Y sin embargo, crear SVGs sigue siendo un proceso lento y artesanal. Hasta ahora, ningún modelo de IA generativa se había enfrentado a este problema de forma seria.
La tesis de QuiverAI: los vectores son código, y los LLMs son muy buenos generando código
La idea central de QuiverAI es elegante: si un SVG es código, entonces el problema de generar gráficos vectoriales es, en el fondo, un problema de generación de código. Y resulta que, como sabemos, los LLMs son extraordinariamente buenos generando código.
QuiverAI ha desarrollado Arrow 1.0, un modelo multimodal entrenado específicamente para generar SVGs a partir de texto, imágenes o bocetos, y para editarlos y refinarlos con lenguaje natural. Arrow no produce píxeles que luego se convierten en vectores: genera directamente código SVG estructurado, limpio y editable.
Esto marca una diferencia fundamental. Los outputs de Arrow son gráficos que un diseñador puede abrir, modificar y utilizar en un flujo de trabajo real sin apenas limpieza manual. Arrow es especialmente bueno en iconos, logotipos, ilustraciones con gradientes y formas complejas, y dibujos técnicos como planos, diagramas o diseños de moda e industriales.
Arrow va más allá de la ilustración estática. Las tipografías, por ejemplo, son sistemas vectoriales: cada glifo es una composición estructurada de trazos que deben compartir geometría, ritmo y estilo. Cuando Arrow genera una fuente tipográfica, no está dibujando letras: está definiendo un lenguaje visual coherente que se puede reutilizar, extender y animar. Lo mismo ocurre con la animación: Arrow puede generar SVGs preparados para ser animados, listos para integrarse como componentes reales en entornos de desarrollo.
Por qué invertimos
QuiverAI es, ante todo, un equipo de investigación puntero convertido en empresa de producto. Su fundador, Joan Rodríguez, es uno de los investigadores de referencia mundial en generación de SVG con IA. Joan lideró la creación de StarVector, uno de los primeros modelos capaces de generar SVGs estructurados y editables en lugar de aproximaciones rasterizadas, y posteriormente desarrolló RLRF (Reinforcement Learning from Rendering Feedback), una técnica de entrenamiento que conecta el código SVG simbólico con su resultado visual renderizado.
Tras su lanzamiento, Arrow se ha posicionado como líder destacado en el benchmark de modelos de generación de SVGs, habiendo empleado una fracción de los recursos empleados por sus competidores.
Lo que diferencia a QuiverAI no es solo la calidad del modelo, sino el potencial de la visión: tratar los gráficos vectoriales como código visual programable abre la puerta a flujos de trabajo que van mucho más allá de la generación puntual: generación, edición, iteración, animación y reutilización, todo dentro de un mismo paradigma.
Creemos que el trabajo de QuiverAI representa infraestructura fundacional para la creación de activos visuales en el futuro. Del mismo modo que la generación de código requirió modelos que entendiesen sintaxis y semántica, la generación de diseño necesitará modelos que traten lo visual como un sistema estructurado. QuiverAI está construyendo exactamente eso, y estamos encantados de acompañarles desde el principio.
¿Se puede probar?
Como una imagen (especialmente vectorial) vale más que mil palabras, os invito a todos a que probéis el modelo de forma gratuita en app.quiver.ai o a que consideréis integrarlo en vuestros productos mediante su API, cuya documentación podéis consultar aquí.
Joan y el resto del equipo de QuiverAI está a vuestra disposición.
La Crisis Global de 2028 causada por la IA
En “The 2028 Global Intelligence Crisis” Citrini Research planteaba un ejercicio de imaginación macroeconómica: ¿qué ocurriría si la IA siguiera avanzando hasta sustituir buena parte de los puestos de trabajo de oficina?
No se trataba de una previsión, sino de un escenario hipotético, diseñado para pensar en riesgos que nadie está modelando. Y, sin embargo, la narrativa —construida como una crónica retrospectiva desde 2028— resultó lo suficientemente convincente como para sembrar dudas y provocar turbulencias en los mercados financieros a comienzos de semana.
El primer bucle: la economía real
La secuencia empieza de forma aparentemente positiva para el lado corporativo. La IA mejora mucho, las empresas descubren que pueden hacer el mismo trabajo con menos gente, despiden empleados white-collar y sus márgenes mejoran. Las acciones suben, los beneficios son récord, y las empresas reinvierten esos ahorros en más IA, que sigue mejorando, lo cual permite sustituir a los trabajadores que se libraron de la primera ronda de despidos.
El problema es que esos trabajadores despedidos no desaparecen de la economía. Son los que compran casas, van a restaurantes, contratan reformas, pagan colegios privados y se van de vacaciones. En Estados Unidos, el 20% de los que más ganan genera el 65% del gasto en consumo discrecional. Cuando pierden sus empleos o aceptan trabajos que pagan la mitad, el golpe al consumo es desproporcionado respecto al número de despidos.
Y aquí es donde se forma el bucle negativo: las empresas que venden cosas a estos consumidores ven caer sus ingresos, así que para proteger márgenes adoptan más IA y despiden más gente, lo que reduce aún más el consumo. Cada empresa está tomando la decisión racional individualmente, pero el resultado colectivo es catastrófico. Cada dólar ahorrado en nóminas financia la siguiente ronda de sustitución de trabajadores.
Lo que hace diferente a este ciclo de cualquier disrupción tecnológica anterior es que no hay válvula de escape. Cuando la industria textil mecanizó la producción, los trabajadores desplazados encontraron empleo en nuevos sectores. Cuando internet destruyó las agencias de viajes, creó nuevas industrias que absorbieron a esos trabajadores. La diferencia es que la IA también es competente en los nuevos empleos que supuestamente debería crear. El trabajador desplazado no puede reciclarse como “gestor de IA” porque la IA ya hace eso.
En paralelo, los agentes de IA destruyen otro pilar de la economía: los negocios construidos sobre las limitaciones humanas. No tenemos tiempo para comparar precios en cinco plataformas antes de comprar, así que usamos la app que tenemos más a mano. No tenemos ganas de renegociar el seguro cada año, así que renovamos por inercia. No entendemos los contratos hipotecarios, así que pagamos comisiones del 3% a un intermediario. Los agentes no tienen ninguna de esas limitaciones. Comparan, negocian y optimizan sin cansarse, y billones de dólares en valor empresarial que dependían de nuestra pereza, inercia o falta de información se evaporan.
El segundo bucle: el sistema financiero
Si todo quedara en recesión de consumo, sería doloroso pero manejable. Sin embargo, el deterioro de los ingresos de los trabajadores de oficina activa dos bombas de relojería en el sistema financiero.
La primera es el crédito privado. Durante la década anterior, los fondos de private equity compraron cientos de empresas de software con deuda, pagando valoraciones que solo tenían sentido si los ingresos seguían creciendo al 15-20% anual para siempre. Cuando la IA permitió a las empresas replicar internamente lo que antes compraban a estos proveedores, esos ingresos “recurrentes” dejaron de serlo. Los préstamos empezaron a impagarse. Y el problemón era que ese dinero prestado eran los ahorros de familias americanas, canalizados a través de anualidades en aseguradoras de vida que los fondos de private equity habían comprado para usarlas como vehículos de financiación barata.
La segunda bomba es el mercado hipotecario. 13 billones de dólares en hipotecas que fueron perfectamente concedidas a gente con ingresos altos, buen historial crediticio y entradas del 20% que empiezan a dejar de pagarse. La diferencia con 2008 es fundamental: en 2008 los préstamos eran malos desde el primer día. Aquí los préstamos eran buenos. Lo que cambió fue el mundo. La gente pidió prestado contra un futuro que ya no pueden permitirse.
Estos dos aceleradores financieros refuerzan el bucle de la economía real: las pérdidas en crédito endurecen la financiación, la caída de los mercados destruye el efecto riqueza, y el consumo cae todavía más rápido. Y lo peor es que las herramientas tradicionales de política económica (bajar tipos de interés, comprar deuda) pueden aliviar la parte financiera pero no pueden solucionar la causa real, porque la causa no son las condiciones de crédito. La causa es que la inteligencia humana ha dejado de ser escasa, y todo nuestro sistema económico, desde el mercado laboral hasta el código fiscal, fue diseñado asumiendo que lo sería para siempre.
El artículo ha generado un debate enorme, principalmente desde el lado de la crítica. La respuesta más sonada ha sido la de Citadel Securities, que publicó un informe desmontando la tesis punto por punto. Su argumento central es que Citrini comete un error clásico en economía: asumir que la producción puede crecer mientras el consumo colapsa permanentemente. Históricamente, cada gran salto de productividad (la máquina de vapor, la electricidad, internet) ha seguido el mismo patrón: los costes bajan, los precios bajan, el poder adquisitivo sube y el consumo se expande hacia cosas que antes no existían o no eran asequibles. Keynes predijo en 1930 que la productividad llevaría a una semana laboral de 15 horas; acertó en la productividad pero subestimó la capacidad humana de inventar nuevas formas de gastar. Según Citadel, Citrini comete exactamente el mismo error.
Citadel también ataca con datos: las ofertas de empleo para ingenieros de software están subiendo un 11% interanual, la adopción diaria de IA generativa en el trabajo se mantiene baja y estable, la creación de nuevas empresas se acelera. Y señala una restricción física que Citrini ignora: desplazar trabajo white-collar a la escala que describe requeriría órdenes de magnitud más capacidad de cómputo, lo que encarecería la IA hasta el punto en que sustituir humanos deja de ser rentable. Ese sería el freno natural que Citrini dice que no existe.
Varios economistas, entre ellos Tyler Cowen y Robert Armstrong del Financial Times, han coincidido en que la tesis es esencialmente una versión actualizada de la teoría del subconsumo que Marx popularizó y que se lleva descartando desde hace más de un siglo: los capitalistas acumulan toda la riqueza, los trabajadores no pueden consumir, el sistema colapsa.
A pesar de que el sentimiento a lo largo de la semana es que el informe de Citrini era exagerado y cometía errores económicos básicos lo cierto es que terminábamos la semana con la siguiente noticia.
Jack Dorsey, antiguo fundador de Twitter y ahora CEO de Blocks, ha despedido a 4.000 de sus 10.000 empleados porque la IA los hace redundantes. La cotización de la empresa aumentaba en 8 mil millones de dólares en bolsa.
¿La venganza de Citrini?