$480 000 MILLONES «SE ESFUMARON» EN BOLSA: EN CHINA HA ESTALLADO LA BURBUJA DE LA IA. ¿SERÁ EL TURNO DE EE. UU.?

Artem Honcharenko, PhD

Director del Instituto de Reintegración, Rehabilitación y Desarrollo Profesional de Veteranos «Arquitectura de la Resiliencia» de la KNUBA

27 de octubre de 2026 • análisis del autor

El desplome chino: qué ocurrió realmente con el mercado

Hace poco, los fabricantes de chips, de componentes ópticos para centros de datos y de robótica eran considerados los grandes ganadores de la nueva revolución tecnológica. Los inversores compraban sus acciones con la expectativa de un aumento futuro de la demanda de inteligencia artificial. A finales de octubre, esa confianza dio paso a una venta masiva.

Según informó Reuters del 26 de octubre de 2026, el índice STAR 50, que refleja la evolución de las principales empresas tecnológicas e innovadoras del mercado de Shanghái, perdió cerca de 40% en menos de cuatro meses. La reducción del valor total de mercado se estima en aproximadamente 480.000 millones de dólares. Ya el 27 de octubre el índice cerró en 1.252,28 puntos, lo que supone una caída diaria de 4,81%. [1–2]

Aquí son importantes dos precisiones. STAR 50 no es una lista de las 50 mayores empresas chinas dedicadas puramente a la IA, sino un índice del segmento tecnológico e innovador, en el que muchas empresas están vinculadas a los semiconductores y a la IA. Y Los 480.000 millones de dólares no «desaparecieron» de las cuentas bancarias de las empresas: se trata de la caída de la valoración bursátil del paquete accionario.

Sin embargo, la magnitud de la corrección no se reduce por ello. Reuters cita ejemplos de caídas de decenas de puntos porcentuales en las acciones de algunos fabricantes de robots, microchips y equipos ópticos. La bolsa recordó de repente una exigencia económica sencilla: una buena tecnología no garantiza por sí sola beneficios suficientes para justificar cualquier precio de las acciones. [1]

Por qué se enfrió el mercado: expectativas infladas frente a beneficios reales

En el punto álgido del ascenso, el múltiplo precio/beneficio (P/E) del índice STAR 50, según la estimación de Reuters, se acercaba a 250. Incluso después de la fuerte caída, se situaba en torno a 100, mientras que la referencia para el Nasdaq 100 en el mismo artículo era de aproximadamente 30. Son índices de estructura distinta, pero la diferencia muestra cuánto crecimiento futuro han incorporado ya los inversores a las cotizaciones chinas. [1]

A las valoraciones elevadas se sumaron las dudas sobre el ritmo de la demanda de equipos de IA, las posibles restricciones a la exportación, los factores fiscales y los riesgos para la venta de componentes chinos a centros de datos en el extranjero. Ninguna de estas causas explica por sí sola todo el desplome, pero juntas hicieron vulnerable al mercado.

Mi conclusión es sencilla: hay que separar el precio de una acción de la utilidad de la tecnología. Una empresa puede crear un producto necesario y, aun así, cotizar en bolsa a un precio injustificadamente alto. Y a la inversa: la caída de sus cotizaciones no anula el efecto tecnológico ya logrado.

Hay que separar con claridad dos cosas: la eficacia económica de la inteligencia artificial y el valor especulativo de las empresas que ganan dinero con ella. El mercado bursátil puede equivocarse en sus expectativas. Pero si una tecnología reduce realmente el tiempo de investigación, aumenta la productividad y permite tomar decisiones fundamentadas con mayor rapidez, ese valor no desaparece con la caída de las cotizaciones.

¿Acelera realmente la IA el trabajo humano?: qué está demostrado y qué solo se promete

Como investigador, considero que la inteligencia artificial debe evaluarse no por el estruendo de las presentaciones, sino por experimentos independientes con grupos de control. Y ya existen estudios de este tipo.

En un estudio del MIT publicado en la revista Science en 2023, 453 profesionales realizaron tareas profesionales de redacción. En el grupo con acceso a ChatGPT, el tiempo medio de ejecución se redujo en un 40%, mientras que la calidad del resultado, según la valoración de expertos, aumentó un 18%. Es un experimento real, pero no demuestra que cualquier investigación compleja se acelere automáticamente en ese mismo 40%. [3]

En un experimento de Harvard Business School y Boston Consulting Group con la participación de 758 consultores los usuarios de GPT-4 realizaban las tareas acordes con las capacidades del modelo más de un 25% más rápido y terminaban más de un 12% más de tareas. Sin embargo, en una tarea fuera de las capacidades fiables de la herramienta, el uso de la IA conducía a un peor resultado. [4]

Especialmente reveladora es la analítica científica. Una revisión de 25 estudios, publicada en Frontiers in Pharmacology en 2025, registró una reducción del tiempo de más del 50% en 17 trabajos. En algunos casos, la revisión automatizada de resúmenes se reducía entre 5–6 veces, y la carga manual, con una exhaustividad de detección de materiales del 95%, entre 6–10 veces. Esto se refiere sobre todo a etapas concretas de selección, no a todo el camino desde la idea hasta la conclusión verificada. [5]

También hay una salvedad. En un experimento aleatorizado de METR de 2025, 16 desarrolladores con experiencia, que realizaron 246 tareas reales, trabajaron con las herramientas de IA de entonces, en promedio, un 19% más, aunque ellos mismos creían haber ganado rapidez. Por tanto, una herramienta que ayuda a un principiante puede ralentizar a un especialista en un trabajo que conoce bien si el coste de verificar los resultados es demasiado alto. [6]

Conclusión: debemos medir no el volumen de texto generado, sino la cantidad de resultados correctos y verificados por unidad de tiempo.

Un ejemplo que cambia la escala: 100 mil documentos

Imaginemos una organización que necesita revisar de forma preliminar 100 000 documentos — contratos, publicaciones científicas, informes, solicitudes de ciudadanos o materiales sobre la reconstrucción. Si se dedican a cada documento solo tres minutos, resultan 5000 horas-persona, es decir, 625 jornadas laborales de ocho horas. Un equipo de diez analistas trabajaría aproximadamente 12,5 semanas a plena carga.

Supongamos ahora que un sistema verificado realiza automáticamente la deduplicación, la clasificación inicial y la búsqueda de contradicciones, y genera una lista de excepciones. Si su calidad permite reducir precisamente el screening manual en un 90 %, quedará el equivalente a 500 horas-persona en esta etapa.

Se trata de un modelo ilustrativo, no del resultado de una implantación concreta. No tiene en cuenta por separado el coste del cómputo, la configuración, el control de calidad ni los casos críticos omitidos. Por ello, no se puede afirmar mecánicamente que toda la investigación se acelere diez veces.

Pero explica dónde surge el verdadero valor: el experto ya no está obligado a revisar manualmente cada unidad de información si la selección automatizada ha demostrado la precisión necesaria. Pasa de la lectura masiva al trabajo en profundidad con los casos complejos.

El mercado empieza a madurar. La sola promesa de una revolución tecnológica ya no basta. El inversor quiere ver beneficios y la organización, un resultado concreto: cuánto tiempo se ha ahorrado, cuántos errores se han evitado, cuántas solicitudes se han tramitado y cuánto cuesta mantener el sistema. La verdadera ventaja competitiva la tendrán quienes sepan demostrar la eficiencia económica de la IA.

La guerra cambia la fórmula de la productividad: por qué importa para Ucrania

En nuestro país, un trabajador puede estar altamente cualificado y motivado, pero no puede cancelar una alerta antiaérea ni un ataque con misiles. La seguridad de las personas debe seguir siendo siempre la prioridad.

En una encuesta de la European Business Association realizada en febrero de 2026 entre 131 altos directivos de empresas miembros de la Asociación, 45% de los encuestados citaron la suspensión del trabajo durante las alertas antiaéreas entre las limitaciones frecuentes, y 82% — los ataques al sistema energético entre los factores de mayor impacto negativo en los negocios. No es una estadística de la pérdida media de horas para toda Ucrania, pero es una prueba significativa de los obstáculos operativos. [7]

Tomemos un proyecto hipotético que requiere 100 horas analíticas productivas. Si la disponibilidad real del tiempo de trabajo es del 70 %, para completarlo harán falta aproximadamente 143 horas de recurso laboral planificado. En el proceso híbrido simulado, donde a la persona le quedan 25 horas y el procesamiento automático y las operaciones asociadas añaden 10 horas, la estimación total es de aproximadamente 46 horas. La diferencia es de aproximadamente 3,1 veces.

No conviene tomar estas cifras como una norma para las empresas ucranianas: el 70 % de disponibilidad y la estructura de las operaciones son aquí meros supuestos de escenario. El efecto real lo determinarán la naturaleza de las tareas, la preparación de los datos y la arquitectura del sistema.

Sin embargo, el principio es importante. Si el cómputo, los datos y las colas de tareas están debidamente respaldados y distribuidos geográficamente, parte de las operaciones puede continuar incluso cuando los empleados se encuentran en un refugio. En cambio, si el sistema depende de un único servidor de oficina sin conexión ni suministro eléctrico de respaldo, no habrá esa ventaja.

Para Ucrania, el uso de la inteligencia artificial no es simplemente el deseo de ser tecnológicamente modernos. Es una cuestión de resiliencia. Las personas tienen derecho a la seguridad, al descanso y a la protección durante la guerra. Al mismo tiempo, una infraestructura digital bien construida puede garantizar la continuidad de una parte de los procesos críticos. Nuestra tarea no es sustituir a las personas, sino reforzar sus capacidades con tecnología.

La verdadera revolución no es un texto en un minuto, sino detectar el problema antes del informe

Creo que el próximo cambio será más profundo que la elaboración automática de notas analíticas. Se trata de la supervisión continua las 24 horas, en la que los datos llegan de forma constante y el sistema detecta desviaciones, las comprueba según reglas, clasifica el riesgo y transmite la información a una persona responsable o ejecuta una acción segura autorizada de antemano.

En ciberseguridad, para ello se desarrollan desde hace tiempo plataformas SIEM y SOAR. Las recomendaciones internacionales de 2025 las describen como herramientas para recopilar eventos, detectar actividad sospechosa, alertar a los especialistas y automatizar partes determinadas de la respuesta. Al mismo tiempo, estos sistemas requieren configuración constante, pruebas y supervisión cualificada. [8]

En el caso de Ucrania, este principio puede adaptarse a la supervisión de la reconstrucción, el control financiero, los indicadores medioambientales, las ciberamenazas y las solicitudes de los veteranos y sus familias. Por ejemplo, una nueva solicitud puede llegar automáticamente al servicio correspondiente, y un cambio anómalo en la documentación de una licitación puede generar una señal para el auditor. Pero las decisiones sobre atención médica, restricción de derechos o sanciones financieras no pueden encomendarse a un modelo generativo sin mecanismos de control independientes adecuados.

El futuro pertenece a los sistemas que no se limitan a acumular información, sino que analizan los acontecimientos de forma continua. La inteligencia artificial puede ayudar a detectar anomalías, verificarlas y activar escenarios de respuesta previamente acordados. Pero las decisiones críticas deben permanecer bajo un control humano adecuado. Precisamente la combinación de automatización y responsabilidad determinará la calidad de los nuevos ecosistemas digitales.

El precio del error: dónde no se debe confundir la automatización con la confianza

Cuanto mayor es la escala de la automatización, más cara puede resultar un error sistémico. Un modelo puede inventar de forma convincente una fuente, pasar por alto un documento importante o dar acceso a datos confidenciales a un usuario que no corresponde. Por ello, los materiales médicos, personales y financieros requieren minimización de datos, control de los derechos de acceso, registro de las operaciones, verificación de la exactitud y procedimientos de aprobación independientes para las acciones críticas.

El entorno científico debe distinguir entre la velocidad del procesamiento automático y la fiabilidad de la conclusión. Esto es especialmente relevante cuando la IA ayuda a elaborar revisiones científicas o análisis para decisiones de gestión.

Debemos distinguir entre la velocidad de procesamiento de la información y la fiabilidad del conocimiento obtenido. La inteligencia artificial puede acelerar de forma notable la búsqueda, la comparación y la sistematización de datos, pero ello no elimina la necesidad de verificar las fuentes, comprobar la metodología y garantizar la reproducibilidad de los resultados.

¿Se repetirá en EE. UU. el desplome de China?

Esta es la pregunta que hoy suena con más fuerza. Sin embargo, una caída del 40 % del STAR 50 chino no significa automáticamente una caída del 40 % de las acciones estadounidenses. Reuters compara la corrección china con un retroceso de aproximadamente el 6 % del Nasdaq desde su máximo reciente. Se trata de índices, períodos y estructuras empresariales distintos; un pronóstico directo sobre esa base sería infundado. [1]

Existen riesgos para las acciones tecnológicas globales: expectativas elevadas, grandes gastos de capital en infraestructura de cómputo, incertidumbre de la demanda y una monetización compleja. Pero el grado de vulnerabilidad de cada empresa depende de sus beneficios, flujos de caja, deuda, clientes y del coste del capital captado.

En mi opinión, la cuestión clave para los mercados ya ha cambiado: no «quién ha proclamado más alto su apuesta por la IA», sino «quién ha logrado convertir la tecnología en un resultado económico comprobado». Bajo esta lógica, la reducción de las valoraciones especulativas puede incluso empujar a las empresas hacia inversiones más disciplinadas.

Lo que propongo a las organizaciones ucranianas

No conviene detener la transformación digital por el desplome bursátil de otro país. Pero tampoco hay que comprar sin pensar costosas soluciones de IA solo porque estén de moda. Un enfoque racional puede resumirse en cinco pasos prácticos.

1. Medir el proceso actual: la duración de las operaciones, el coste, los errores, el tiempo de espera de respuesta y la carga sobre las personas.
2. Elegir un piloto acotado: por ejemplo, la clasificación de documentos, la búsqueda de duplicados o la priorización de solicitudes, y no la automatización de toda la gestión de golpe.
3. Definir los límites de la autonomía: qué puede hacer el algoritmo por sí solo, qué solo puede proponer y qué exige obligatoriamente la decisión de una persona.
4. Verificar la calidad y la seguridad: casos críticos omitidos, falsas alarmas, acceso a datos personales, dependencia del proveedor y resiliencia ante fallos.
5. Calcular la economía completa: licencias, cómputo, integraciones, mantenimiento, formación del equipo — y el valor del tiempo que se ha logrado ahorrar.

Cuando estos indicadores no se miden, hablar de un ahorro de cinco o diez veces se convierte en marketing. Cuando se miden, la organización puede tomar decisiones basadas en pruebas.

Conclusión: la burbuja bursátil puede estallar, pero la revolución tecnológica puede continuar

El desplome de China es una seria advertencia para los inversores. Demuestra que incluso los sectores prometedores no están a salvo de valoraciones infladas, expectativas injustificadas y cambios bruscos en el ánimo del mercado.

Pero para mí, como investigador y director de una institución que trabaja en cuestiones de capital humano y de recuperación de Ucrania, la conclusión es otra: la tecnología debe evaluarse por su impacto en tareas reales, no por el furor bursátil.

Si la automatización reduce el tiempo de tramitación de las solicitudes, ayuda a detectar riesgos a tiempo, sostiene la continuidad del trabajo en tiempos de guerra y libera a los especialistas para decisiones de responsabilidad, ya tiene valor práctico. Pero ese valor hay que medirlo y la seguridad, demostrarla.

La burbuja de la IA puede estallar. La necesidad de conocimiento comprobado, organizaciones resilientes y decisiones oportunas, no.

Fuentes y observaciones metodológicas

[1] Reuters. «In China, the AI bubble has already burst», 26 de octubre de 2026 Fuente

[2] Investing.com. SSE STAR 50: historical data, cierre del 27 de octubre de 2026 Fuente

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 Fuente

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 Fuente

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 Fuente

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 Fuente

[7] European Business Association. «Cuatro años de gran guerra: cómo funcionan las empresas en Ucrania», 24 de febrero de 2026 Fuente

[8] Australian Signals Directorate y socios internacionales. «Implementing SIEM and SOAR platforms: Executive guidance», 27 de mayo de 2025 Fuente

Nota sobre los cálculos: el ejemplo con 100 000 documentos y el modelo de disponibilidad del personal en condiciones de guerra son supuestos ilustrativos. Deben distinguirse de los resultados de estudios controlados concretos y verificarse con datos propios antes de tomar una decisión de inversión.