$480 MIL MILLONES «SE ESFUMARON» EN LA BOLSA: EN CHINA HA ESTALLADO LA BURBUJA DE LA IA. ¿SERÁ EL TURNO DE ESTADOS UNIDOS?

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 en el mercado

Hasta 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 esperando un aumento futuro de la demanda de inteligencia artificial. A finales de octubre, esa confianza dio paso a una venta masiva.

Según informó Reuters el 26 de octubre de 2026, el índice STAR 50, que refleja la evolución de las principales empresas tecnológicas e innovadoras de la bolsa de Shanghái, perdió cerca del 40 % en menos de cuatro meses. La reducción del valor de mercado total se estima en aproximadamente $480 mil millones. Ya el 27 de octubre el índice cerró en 1252,28 puntos, y el descenso en un solo día fue de 4,81%. [1–2]

Aquí importan dos precisiones. El STAR 50 no es una lista de las 50 mayores empresas chinas de IA pura, sino un índice del segmento tecnológico e innovador, en el que muchas compañías están vinculadas a los semiconductores y la IA. Y los $480 mil millones no «desaparecieron» de las cuentas bancarias de las empresas: se trata de la caída de la valoración bursátil de paquetes accionarios.

Sin embargo, la magnitud de la corrección no por ello es menor. 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 pronto una exigencia económica sencilla: una buena tecnología aún no garantiza 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 alza, el múltiplo precio/beneficio (PER) del índice STAR 50 se acercaba, según la estimación de Reuters, a 250. Incluso tras el brusco descenso se situaba en torno a 100, mientras que la referencia para el Nasdaq 100 en el mismo reportaje es de aproximadamente 30. Los índices no tienen la misma estructura, pero la diferencia muestra cuánto crecimiento futuro han descontado ya los inversores en las cotizaciones chinas. [1]

A las valoraciones elevadas se sumaron las dudas sobre el ritmo de la demanda de hardware de IA, posibles restricciones a la exportación, factores fiscales y riesgos para la venta de componentes chinos a centros de datos extranjeros. Ninguna de estas causas explica por sí sola todo el desplome, pero juntas volvieron 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 la tecnología realmente reduce 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 esos estudios ya existen.

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 40%, y la calidad del resultado, según las valoraciones de expertos, mejoró en 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 758 consultores los usuarios de GPT-4 realizaron tareas adecuadas a las capacidades del modelo más de un 25 % más rápido y completaron más de un 12 % más de tareas. Sin embargo, en una tarea ajena a las capacidades fiables de la herramienta, el uso de IA condujo a un peor resultado. [4]

La analítica científica es especialmente reveladora. 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 redujo 5-6 veces, y la carga manual, con una exhaustividad de detección del 95 %, se redujo 6-10 veces. Se trata sobre todo de etapas de selección concretas, no de todo el camino desde la idea hasta la conclusión verificada. [5]

Existe también una salvedad. En un experimento aleatorizado de METR de 2025, 16 desarrolladores experimentados, que realizaron 246 tareas reales, trabajaron con las herramientas de IA de entonces, de media, un 19 % más de tiempo, aunque ellos mismos creían haber ganado velocidad. Por tanto, una herramienta que ayuda a un principiante puede ralentizar a un especialista en un trabajo que domina 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: 100 000 documentos

Imaginemos una organización que necesita revisar en una primera pasada 100 000 documentos — contratos, publicaciones científicas, informes, solicitudes de ciudadanos o materiales sobre la reconstrucción. Si se dedican a cada documento solo tres minutos, obtenemos 5000 horas-persona, es decir, 625 jornadas laborales de ocho horas. Un equipo de diez analistas trabajaría unas 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 específicamente el screening manual en un 90 %, quedará el equivalente a 500 horas-persona en esta etapa.

Es un modelo ilustrativo, no el resultado de una implantación concreta. No tiene en cuenta por separado el coste del cálculo, la configuración, el control de calidad ni los casos críticos pasados por alto. Por eso no puede afirmarse mecánicamente una aceleración de diez veces de toda la investigación.

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 a un trabajo más profundo con los casos complejos.

El mercado empieza a madurar. La mera 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 eficacia económica de la IA.

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

En nuestro país, un trabajador puede estar altamente cualificado y motivado, pero no puede cancelar una alerta aérea 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 señalaron la suspensión del trabajo durante las alertas aéreas entre las restricciones habituales, y 82% señalaron los ataques al sistema energético entre los factores de mayor impacto negativo en el negocio. No es una estadística de la pérdida media de horas para toda Ucrania, pero sí un indicio significativo de obstáculos operativos. [7]

Tomemos un proyecto hipotético que requiere 100 horas analíticas productivas. Si la disponibilidad real de tiempo de trabajo es del 70 %, para ejecutarlo se necesitarán unas 143 horas de recurso laboral planificado. En un proceso híbrido simulado, en el que a la persona le quedan 25 horas y el procesamiento automático y las operaciones auxiliares añaden 10 horas, la estimación total es de aproximadamente 46 horas. La diferencia es de unas 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 solo 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 los cálculos, los datos y las colas de tareas están debidamente respaldados y distribuidos geográficamente, parte de las operaciones puede continuar incluso cuando los empleados están en un refugio. Pero si el sistema depende de un único servidor de oficina sin conexión ni suministro eléctrico de respaldo, esa ventaja no existirá.

Para Ucrania, el uso de la inteligencia artificial no es simplemente el deseo de ser tecnológicamente moderna. Es una cuestión de resiliencia. La persona tiene 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

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

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

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

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 acordados de antemano. Pero las decisiones críticas deben seguir bajo el debido control humano. Precisamente la combinación de automatización y responsabilidad determinará la calidad de los nuevos ecosistemas digitales.

El precio del error: dónde no hay que confundir automatización con 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 inadecuado. Por eso, para los materiales médicos, personales y financieros se necesitan 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 ámbito científico debe distinguir entre la rapidez 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 el desplome chino en Estados Unidos?

Es la pregunta que hoy suena con más fuerza. Sin embargo, la caída del 40 % del STAR 50 chino no implica 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. Son índices, periodos y estructuras empresariales distintos; un pronóstico directo sobre esa base carecería de fundamento. [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 pregunta clave para los mercados ya ha cambiado: no «quién anunció más alto la IA», sino «quién logró convertir la tecnología en un resultado económico verificado». Con 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 una decisión humana.
4. Comprobar la calidad y la seguridad: casos críticos pasados por alto, falsas alarmas, acceso a datos personales, dependencia del proveedor y resistencia a los 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 ahorros 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 y la revolución tecnológica continuar

El desplome chino es una seria advertencia para los inversores. Demuestra que ni siquiera los sectores prometedores están a salvo de valoraciones infladas, expectativas injustificadas y bruscos cambios en el ánimo del mercado.

Pero para mí, como investigador y director de una institución que trabaja en temas de capital humano y recuperación de Ucrania, la conclusión es otra: la tecnología debe evaluarse por su efecto 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 durante la guerra y libera a los especialistas para decisiones de responsabilidad, ya tiene un valor práctico. Pero ese valor hay que medirlo y la seguridad, demostrarla.

La burbuja de la IA puede estallar. La necesidad de conocimiento verificado, 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 de los 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 comprobarse con datos propios antes de tomar una decisión de inversión.