A las once de la noche, Qiu Ziwei abrió la conversación de Sam Altman en la sesión de cierre de ‘Startup School 2026’ de Y Combinator, bajando el brillo de su laptop a la mitad para no despertar a los otros dos cofundadores que dormían en el cuarto de al lado. Los tres formaban todo el equipo detrás de una herramienta de automatización de atención al cliente para marcas de comercio electrónico pequeñas y medianas — el día se iba en el producto, así que estos ratos tranquilos eran lo único que les quedaba para ponerse al día con lecturas. En el video, Altman hablaba con el actual presidente de YC, Garry Tan, sobre por qué nunca hubo mejor momento para emprender.

La frase en sí no le hizo mucho efecto a Qiu Ziwei — alguna versión de ‘ahora es el mejor momento’ se dice todos los años en el mundo de las startups. Lo que realmente lo hizo subir el brillo de nuevo y enderezarse fue la comparación que soltó Altman justo después: un trabajo de desarrollo que a él le tomó tres meses en 2005 ahora le tomaría a un agente de IA unos siete minutos.

Lo Que Lo Detuvo No Fue el Discurso Motivacional — Fue el Número Que Vino Después

Siete minutos contra tres meses le pareció al principio una exageración retórica — hasta que recordó algo que le había pasado a su propio equipo la semana anterior: una refactorización que habían presupuestado en dos semanas se resolvió en tres días, con un agente de IA ayudando a escribir pruebas y detectar lógica duplicada. Llevaba meses sintiendo esa misma compresión de tiempo casi todos los meses; solo que nadie le había puesto antes un múltiplo concreto en voz alta.

Lo que siguió en el video fue la lectura de Altman sobre hacia dónde va la demanda de inferencia de toda la industria: espera que la demanda global de inferencia de IA siga creciendo aproximadamente diez veces al año durante varios años más, con una demanda de IA de alta calidad prácticamente sin techo. Fue más allá y ofreció una predicción a más largo plazo: que para 2032, cada persona consumirá 500 mil millones de tokens al mes.

Qiu Ziwei rebobinó esa frase para asegurarse de haber escuchado bien la unidad. No dudaba tanto de la exactitud del número como de entender qué era — el propio pronóstico de largo plazo de Altman, no una estadística publicada por ningún organismo oficial. Pero la sola magnitud bastó para hacerle surgir una pregunta más inmediata: si incluso la dirección de ese pronóstico resultara cierta, ¿alguien en su equipo de tres personas sabía realmente cuántos tokens estaban quemando en un mes cualquiera?

Abrió una Hoja de Cálculo y Descubrió que la Factura del Equipo Siempre Fue una Caja Negra que ‘Se Sentía Bien’

La respuesta era no. Tres meses antes, cuando el equipo apenas empezaba, habían cargado a una tarjeta de crédito unas cuantas suscripciones a plataformas de IA y nunca habían vuelto a revisar el detalle de la factura — el cargo mensual siempre parecía estar dentro de lo esperado, ‘se sentía como un buen trato’, así que quedó archivado como un problema resuelto, automatizado como un recibo de servicios.

Lo que Qiu Ziwei entendió en ese momento fue que ese ‘se siente como un buen trato’ descansaba sobre un supuesto que nadie había dicho en voz alta: que el crecimiento del uso se mantendría, por casualidad, dentro del rango flexible del plan de suscripción. Si la dirección de Altman era correcta — la demanda de inferencia componenténdose a un ritmo de diez veces al año — ese supuesto tarde o temprano se rompería, solo que nadie sabía en qué mes. Hasta ese punto, la factura se ve completamente normal; solo después de que se rompe aparece por primera vez la pregunta de por qué este mes subió tanto, y normalmente ya es demasiado tarde para evitarlo. En ese momento, su equipo no tenía ningún registro capaz de responder algo tan básico como cuántos tokens habían quemado los tres la semana anterior, ni en qué función.

Que Todos Piensen que Estás Loco Resulta Ser la Señal Más Clara

A mitad de la conversación, Altman mencionó que cuando se fundó OpenAI, según su propio relato, solo unas cincuenta personas en el campo realmente creían que la AGI (inteligencia artificial general) fuera posible — y ese periodo de ser descartados por la corriente principal en realidad les dio dos ventajas inesperadas: ningún competidor grande pisándoles los talones, y suficiente tiempo para simplemente hacer bien la investigación.

Al escuchar eso, Qiu Ziwei recordó cuando su equipo decidió por primera vez construir automatización de atención al cliente, y varios excompañeros le habían dicho en privado que ese espacio ya estaba saturado y que tarde o temprano una empresa grande llegaría a ocuparlo. Antes no le había dado mucho peso a ese comentario, pero esta vez lo vio distinto: si hasta Altman trata ‘la mayoría piensa que estás haciendo una tontería’ como una señal y no como una advertencia, tal vez valga la pena repasar cuáles de las decisiones de su propio equipo son en realidad oportunidades subestimadas, y no motivo de dudar de sí mismos.

La Velocidad de los Equipos Pequeños Está Desgastando la Ventaja de Escala de las Grandes Empresas

Altman también describió un patrón que ha observado: mientras más rápido es el ritmo del cambio tecnológico, más fácil es neutralizar la ventaja de escala de las grandes empresas — porque esa ventaja siempre se construyó a base de más tiempo y más recursos acumulados, y en cuanto la velocidad de ejecución misma se convierte en la variable decisiva, los equipos pequeños obtienen una oportunidad de hacer cosas que antes les eran inalcanzables.

Esa frase le quitó a Qiu Ziwei parte de la ansiedad de ser un equipo de tres — pero también tenía claro que había una condición no dicha detrás: para que un equipo pequeño realmente se mueva más rápido que una empresa grande, no puede estar gastando ese tiempo después, destrampando por qué el gasto en IA de este mes se disparó, un problema que se podía haber visto venir. La ventaja de velocidad está para avanzar, no para limpiar un uso que ya se salió de control.

Altman Dice que Puedes Equivocarte Tranquilo — Él Decidió que el ‘Uso’ No Se Iba a Equivocar con Todo lo Demás

Cerca del final de la conversación, Altman dio un consejo muy directo: emprender implica cometer muchos errores, y la industria en realidad es bastante indulgente con eso, así que no hay que dejar de actuar por miedo a equivocarse. Qiu Ziwei estuvo de acuerdo con esa actitud y planeaba aplicarla de verdad a las decisiones de producto y los experimentos de mercado — tener la visión clara y aceptar que los primeros pasos no deberían ser obvios.

Pero también trazó una pequeña línea en ese momento: la dirección del producto podía darse el lujo de probar y equivocarse, pero si se podía ver o no el uso de tokens no era algo que quisiera seguir dejando sin control. Esa misma noche, sin esperar a una reunión de equipo, abrió la hoja de cálculo compartida más sencilla posible y les pidió a los otros dos que anotaran una línea cada vez que corrieran algo que consumiera muchos recursos — en qué función, cuánto tiempo aproximadamente. Sabía que esa hoja estaba lejos de ser precisa, pero al menos desde esa noche, ‘por qué este mes salió más caro’ dejó de ser una pregunta que solo podían adivinar después de los hechos.

FAQ

P1: ¿Qué es Startup School de Y Combinator?

Startup School es un evento educativo anual sobre emprendimiento organizado por Y Combinator, una conocida aceleradora de startups, que invita a fundadores e inversionistas a compartir su experiencia, dirigido principalmente a equipos que están emprendiendo o planean hacerlo. La conversación que menciona este artículo fue el cierre estelar de la edición 2026, entre Sam Altman y el actual presidente de YC, Garry Tan.

P2: ¿La cifra de ‘500 mil millones de tokens por persona al mes para 2032’ es una estadística oficial?

No. Es una predicción personal de largo plazo que Sam Altman ofreció durante la conversación para ilustrar su propia lectura sobre la velocidad de crecimiento de la demanda de inferencia de IA; no es una cifra publicada por ninguna institución de investigación ni organismo oficial. Este artículo simplemente transmite lo dicho por el orador tal cual; no representa un respaldo de este sitio ni de AITK sobre la exactitud de la cifra, y los lectores deben basar la planificación de su propio uso en sus datos reales de consumo.

P3: ¿Se puede verificar la afirmación de que ‘solo unas 50 personas creían en la AGI al principio’?

Esto también es el relato personal de Altman en la conversación, un recuerdo suyo sobre el ambiente en los inicios de OpenAI. Este sitio no ha verificado de forma independiente cómo se llegó a esa cifra; se presenta aquí únicamente como parte de la narrativa del orador, no como un hecho histórico confirmado por este sitio.

P4: ¿No es un poco exagerado decir que ‘tres meses de trabajo ahora los hace un AI agent en siete minutos’?

Esto es Altman comparando con su propia experiencia personal de 2005 — esencialmente una anécdota personal con efecto retórico para transmitir la sensación de la brecha en velocidad de desarrollo, no el resultado de una prueba de referencia (benchmark) rigurosa. La mejora real de eficiencia varía mucho según el tipo de tarea, las herramientas usadas y la familiaridad del equipo, y no debería aplicarse directamente a ningún proyecto en particular.

P5: Si estás de acuerdo en que los equipos pequeños deben aprovechar el momento, ¿cuál es el primer paso real?

El punto central de este artículo no es que un equipo deba hacer un giro estratégico importante de inmediato. Es que primero debe asegurarse de poder ‘ver’ lo que está cambiando — sobre todo si el uso y el gasto en herramientas de IA se están registrando a medida que crece el volumen de trabajo. Poder verlo es lo que permite, cuando de verdad haga falta ajustar el rumbo, decidir con datos reales en vez de con una simple sensación.

Nota de la Fuente

Este artículo está basado en una conversación publicada por el canal oficial de YouTube de Y Combinator el 28 de julio de 2026, titulada “Sam Altman: "Never a Better Time to Do a Startup"”, grabada en la sesión de cierre de Startup School 2026 (25 y 26 de julio de 2026, Chase Center, San Francisco) entre Sam Altman y el actual presidente de YC, Garry Tan, reorganizada y contada de forma narrativa en lugar de traducida literalmente. ‘Qiu Ziwei’ en este artículo es un personaje ilustrativo usado con fines explicativos, no un cliente real; los antecedentes de su equipo y la situación descrita son una reconstrucción ilustrativa. Las cuatro afirmaciones que aborda este artículo — que las personas consumirán 500 mil millones de tokens al mes para 2032, que la demanda global de inferencia de IA crece aproximadamente diez veces al año, que solo unas 50 personas creían que la AGI era alcanzable en los primeros días de OpenAI, y que tres meses de trabajo de desarrollo de 2005 ahora los hace un agente de IA en siete minutos — son declaraciones, recuerdos o pronósticos hechos personalmente por Sam Altman durante la conversación, no estadísticas oficiales ni datos académicos verificados de forma independiente por este sitio o por terceros. Se presentan únicamente para ayudar a los lectores a entender el punto de vista del orador y no constituyen un respaldo de este sitio a su exactitud.

Actúa Ahora

Si aunque sea una parte de lo que describe Altman resulta cierta — que la demanda de inferencia de IA sigue componenténdose — entonces cuántos tokens está gastando realmente tu equipo cada mes, y en qué, tarde o temprano dejará de ser una pregunta que puedes dejar de lado y pasará a ser algo que moldea tu economía unitaria. En vez de esperar a que la factura te lo diga primero, ponlo sobre la mesa ahora. Prueba AI Token King gratis, y déjanos mostrarte exactamente cuántos tokens está usando realmente cada agente y cada función de tu equipo, para que puedas establecer los límites de uso correctos mientras el consumo todavía es manejable.