Si los modelos de IA son tan buenos, ¿dónde están las 100 empresas?

Un post en Hacker News hizo esta semana una pregunta simple: si los modelos de IA son tan buenos, ¿por qué OpenAI no abre de una vez 100 empresas? El hilo del Ask HN dio para mucho. La pregunta parece una provocación, pero es la mejor forma que he visto de poner a prueba el discurso de que la IA ya hace el trabajo de un equipo entero. Si de verdad lo hace, quien tiene el mejor modelo y GPU gratis debería estar lanzando un SaaS por semana.

Eso no pasa. Vale la pena entender por qué, porque la respuesta dice mucho sobre tu trabajo como dev. Y tiene una relación con Bun que poca gente notó.

Lo que la pregunta está poniendo a prueba

La lógica es la de una prueba de cordura. Un vendedor de palas que dice haber encontrado oro debería estar cavando, no vendiendo palas.

Hay gente diciendo que los agentes escriben features enteras, que un dev con IA rinde por diez y que "el software se va a volver commodity". Si eso fuera cierto, la ventaja más obvia sería de los laboratorios. Tienen el modelo antes que nadie, sin límite de uso, y tienen dinero para contratar el resto.

Aun así, lo que lanzan son productos alrededor de su propio modelo: chat, API, agente de código, navegador. No aparece una OpenAI Contabilidad, una OpenAI Logística, una OpenAI ERP para clínicas veterinarias.

Por qué los modelos de IA no montan una empresa solos

Los comentarios del hilo fueron en varias direcciones. Yo los resumo en tres motivos, y todos coinciden con lo que veo en el día a día.

El código nunca fue el cuello de botella de una empresa. Una empresa es distribución, ventas, soporte, contratos, temas legales, cobranza, confianza. Piensa en un sistema para clínicas. Escribir el CRUD de citas lleva una semana. Convencer a 200 clínicas de cambiar el sistema que usan desde hace ocho años lleva tres años y un equipo comercial.

El foco también cuesta. Cien empresas necesitan cien equipos de liderazgo, cien conjuntos de decisiones, cien incendios. La atención de la gente buena no escala con GPU. Un laboratorio que abre demasiados frentes pierde la carrera principal, que es el modelo.

El modelo es bueno en promedio, y una empresa se gana en los detalles. La IA genera muy bien el código que ya existe a miles por ahí. Lo difícil es la regla de negocio rara que solo tiene tu cliente, el bug que solo aparece con datos de producción, la decisión de no construir algo.

La IA redujo el costo de escribir código. El costo de saber qué escribir sigue igual.

Dónde entra Bun en esta historia

A finales de 2025 Anthropic compró Bun. El runtime que mucha gente usa para correr TypeScript sin configuración pasó a ser de un laboratorio de IA, y la explicación oficial fue que es una parte importante de la infraestructura de Claude Code.

Ahora junta eso con la pregunta de HN. Si los modelos de IA fueran capaces de construir cualquier software, Anthropic podría pedirle a su propio modelo: "escribe un runtime de JavaScript rápido, compatible con Node, con bundler, test runner y gestor de paquetes". Prefirió comprar el proyecto y quedarse con el equipo.

No creo que sea una contradicción. Es una pista. El valor de Bun no está en la cantidad de líneas de Zig. Está en:

• años de decisiones sobre compatibilidad con el ecosistema de Node
• miles de issues de gente real rompiendo cosas reales
• un equipo que sabe por qué existe cada atajo
• la confianza de la comunidad, que no se genera con un prompt

Eso es exactamente lo que le falta a la IA para abrir 100 empresas. El laboratorio que más apuesta por los agentes de código compró criterio humano acumulado.

Lo que cambia en tu flujo de trabajo

En la práctica, la IA hace mucho más barata la parte mecánica. Esta tarea, por ejemplo, hoy lleva minutos:

// "crea un endpoint que liste pedidos paginados"
import { Hono } from 'hono'
import { sql } from 'bun'

const app = new Hono()

app.get('/pedidos', async (c) => {
  const page = Number(c.req.query('page') ?? 1)
  const limit = 20
  const rows = await sql`
    SELECT id, cliente, total, criado_em
    FROM pedidos
    ORDER BY criado_em DESC
    LIMIT ${limit} OFFSET ${(page - 1) * limit}
  `
  return c.json(rows)
})

export default app

Funciona. Corre con bun run y listo. Pero las preguntas que importan siguen siendo tuyas:

• ¿La paginación por OFFSET aguanta cuando la tabla pase de 5 millones de filas? ¿O es mejor un cursor por criado_em?
• ¿Este endpoint necesita filtrar por el tenant del usuario logueado? Si lo olvidas, filtras pedidos de un cliente a otro.
• ¿Finanzas quiere el total con o sin descuento?

El modelo escribe la consulta. Quien sabe que existe la pregunta del tenant es quien habló con el cliente. Por eso creo que el mejor uso hoy es delegar el tecleo y quedarse con la revisión. El código generado necesita un dueño, igual que el código de un becario. La diferencia es que el becario aprende y el modelo va a cometer el mismo error mañana en otro archivo.

Una regla que empecé a seguir: si no puedo explicar en dos frases por qué existe ese fragmento, no entra en el PR. Vale para mi código y vale para el código de un agente.

La objeción: "pero en dos años va a funcionar"

Puede ser. Los modelos mejoraron mucho en poco tiempo, y no voy a fingir que sé dónde se detiene esto.

Pero la pregunta de HN sigue sirviendo como métrica. No sirve mirar benchmarks ni demos en X. Mira lo que hacen los laboratorios con su propio dinero. El día que OpenAI o Anthropic empiecen a lanzar empresas verticales manejadas casi solo por agentes, con clientes pagando y soporte funcionando, ahí sí el juego habrá cambiado de verdad.

Hasta entonces, su comportamiento dice otra cosa. Contratan devs. Compran herramientas hechas por humanos, como Bun. Invierten miles de millones en gente para evaluar y corregir sus propios modelos. Nadie compra un runtime si cree que va a generar uno mejor la semana que viene.

Y hay un detalle gracioso. Si el modelo ya fuera capaz de manejar 100 empresas, probablemente ya habría renunciado para montar la suya.

Mi opinión

La IA es la herramienta más útil que he ganado en mi carrera. Escribo tests, migrations y boilerplate a un ritmo impensable hace tres años. Pero la pregunta "¿por qué no abren 100 empresas?" desarma el hype mejor que cualquier artículo largo. Hacer software nunca fue solo teclear código, y la parte que queda es justamente la que paga tu sueldo.

Mi consejo es simple: usa los modelos de IA para ir más rápido en lo que ya entiendes y dedica el tiempo que te sobre a entender mejor el negocio de tu cliente. Ese es el tipo de trabajo que intento mostrar en mis proyectos.

Si la IA hace el trabajo de un equipo entero, ¿por qué OpenAI no abre de una vez 100 empresas?

Esa pregunta en Hacker News desarma el hype mejor que cualquier benchmark.

El código nunca fue el cuello de botella. Una empresa es ventas, soporte, contratos y confianza, y nada de eso sale de un prompt.

¿La prueba? Anthropic compró Bun en lugar de pedirle a su propio modelo un runtime nuevo. Compró años de criterio humano.

La IA abarató escribir código. Saber qué escribir sigue costando lo mismo, y eso es lo que paga tu sueldo.

Escribí sobre esto y sobre cómo uso la IA en mi flujo de trabajo. Link en los comentarios, si quieres charlar.

#InteligenciaArtificial #DesarrolloDeSoftware #Bun #TypeScript #Carrera