01 El escenario macroeconómico: un equilibrio frágil The Macroeconomic Scenario: A Fragile Equilibrium
Para entender por qué los mercados están donde están, hay que empezar por el contexto en el que operan. Y ese contexto, hoy, tiene tres características que merecen atención: un exceso de liquidez que infló los activos durante años, unos niveles de deuda que no tienen precedente histórico y unos tipos de interés que han pasado de anestesiar el riesgo a ponerlo al descubierto.
La liquidez que todo lo infló
Desde la crisis de 2008, y con una aceleración brutal durante la pandemia de 2020, los bancos centrales inundaron el sistema de dinero. La oferta monetaria M2 en Estados Unidos pasó de 8 billones de dólares en 2008 a más de 22 billones en su pico. El balance de la Reserva Federal se multiplicó por nueve. Y ese dinero, que tenía que ir a algún sitio, fue a parar masivamente a los mercados financieros.
La correlación entre la expansión monetaria y la subida del S&P 500 no es casual: es casi mecánica. Cuando hay más dinero buscando activos, los precios suben. No porque las empresas valgan más, sino porque hay más dólares persiguiendo el mismo número de acciones.
To understand why markets are where they are, we must start with the context in which they operate. And that context, today, has three characteristics that deserve attention: an excess of liquidity that inflated assets for years, debt levels without historical precedent, and interest rates that have gone from anesthetizing risk to exposing it.
The Liquidity That Inflated Everything
Since the 2008 crisis, and with a brutal acceleration during the 2020 pandemic, central banks flooded the system with money. The M2 money supply in the United States went from $8 trillion in 2008 to over $22 trillion at its peak. The Federal Reserve's balance sheet multiplied ninefold. And that money, which had to go somewhere, flowed massively into financial markets.
The correlation between monetary expansion and the rise of the S&P 500 is not coincidental: it is almost mechanical. When there is more money chasing assets, prices rise. Not because companies are worth more, but because there are more dollars pursuing the same number of shares.
Pero aquí viene el problema: esa liquidez ya se está retirando. En 2022 se produjo la primera contracción del M2 en noventa años. La Reserva Federal lleva reduciendo su balance desde entonces. El ratio M2/PIB, que llegó a máximos históricos del 89%, ha descendido al 71%, pero sigue muy por encima de su media del 58%. El grifo no se ha cerrado del todo, pero ya no mana como antes. Y los mercados, acostumbrados a esa droga monetaria, aún no han ajustado sus precios a la nueva realidad.
Una montaña de deuda
Si la liquidez fue el combustible, la deuda es la estructura sobre la que se construyó todo. Y esa estructura cruje.
La deuda federal de Estados Unidos alcanza el 122,6% del PIB. Es un nivel que el país solo vio durante la Segunda Guerra Mundial, con la diferencia de que entonces existía un plan de reducción y un boom productivo por delante. Hoy, el gobierno gasta más en intereses de la deuda —1.227.000 millones de dólares al año— que en defensa nacional. Pero la deuda pública es solo la punta del iceberg.
But here is the problem: that liquidity is already being withdrawn. In 2022, the first contraction of M2 in ninety years occurred. The Federal Reserve has been reducing its balance sheet since then. The M2/GDP ratio, which reached a historic high of 89%, has dropped to 71%, but remains well above its 58% average. The tap has not been fully shut off, but it no longer flows as before. And markets, accustomed to that monetary drug, have not yet adjusted their prices to the new reality.
A Mountain of Debt
If liquidity was the fuel, debt is the structure on which everything was built. And that structure is creaking.
U.S. federal debt has reached 122.6% of GDP. This is a level the country only saw during World War II, with the difference that back then there was a reduction plan and a productive boom ahead. Today, the government spends more on debt interest — $1.227 trillion per year — than on national defense. But public debt is just the tip of the iceberg.
Si sumamos la deuda corporativa y la de los hogares, el total asciende al 234% del PIB. La deuda corporativa es especialmente preocupante: el 53% de la deuda con grado de inversión tiene calificación BBB, es decir, está a un solo escalón de convertirse en «basura». Son 4,6 billones de dólares colgando de un hilo. Y sin embargo, los spreads de crédito de alto rendimiento están en mínimos históricos —310 puntos básicos, percentil 12%—, lo que indica que el mercado no está poniendo precio a este riesgo. Es complacencia en estado puro.
Tipos de interés: se acabó el dinero gratis
Durante más de una década, los tipos de interés cercanos a cero crearon un entorno donde no había alternativa a la bolsa. Era la era del TINA: There Is No Alternative. Si querías rentabilidad, tenías que comprar acciones, porque los bonos no pagaban nada. Eso empujó valoraciones al alza de forma artificial.
Pero el mundo cambió. El bono del Tesoro a 10 años ofrece hoy un 4,3%. Y eso cambia todas las ecuaciones. Porque ahora, por primera vez en quince años, existe una alternativa real: puedes obtener un 4,3% sin riesgo, garantizado por el gobierno de Estados Unidos. Hemos pasado del TINA al TARA: There Are Reasonable Alternatives.
If we add corporate and household debt, the total amounts to 234% of GDP. Corporate debt is especially worrying: 53% of investment-grade debt is rated BBB, meaning it is just one notch away from becoming "junk." That is $4.6 trillion hanging by a thread. And yet, high-yield credit spreads are at historic lows — 310 basis points, 12th percentile — indicating that the market is not pricing this risk. It is complacency in its purest form.
Interest Rates: Free Money Is Over
For more than a decade, near-zero interest rates created an environment where there was no alternative to stocks. It was the TINA era: There Is No Alternative. If you wanted returns, you had to buy equities, because bonds paid nothing. That pushed valuations artificially higher.
But the world changed. The 10-year Treasury bond now yields 4.3%. And that changes all the equations. Because now, for the first time in fifteen years, a real alternative exists: you can earn 4.3% risk-free, guaranteed by the U.S. government. We have moved from TINA to TARA: There Are Reasonable Alternatives.
En resumen, el contexto macroeconómico nos dice lo siguiente: la liquidez que infló los mercados se retira, la deuda acumulada limita el margen de maniobra y los tipos de interés, por primera vez en mucho tiempo, ofrecen una alternativa real a la renta variable. Es un cóctel que debería invitar a la prudencia.
In summary, the macroeconomic context tells us the following: the liquidity that inflated markets is being withdrawn, accumulated debt limits room for maneuver, and interest rates, for the first time in a long while, offer a real alternative to equities. It is a cocktail that should invite caution.
02 El efecto ETF: la máquina que amplifica todo The ETF Effect: The Machine That Amplifies Everything
Una de las mayores transformaciones financieras de las últimas dos décadas ha sido el auge de la inversión pasiva. Los fondos indexados y ETFs, liderados por gigantes como Vanguard, BlackRock y State Street, gestionan ya más del 55% de los activos del mercado estadounidense. Lo que empezó como una idea brillante —replicar el índice a bajo coste en lugar de pagar comisiones altas a gestores que rara vez batían al mercado— se ha convertido en un fenómeno que, por su propia escala, distorsiona aquello que pretende replicar.
El ciclo de retroalimentación
El mecanismo es sencillo pero poderoso. Un ETF indexado al S&P 500 pondera las empresas por capitalización bursátil. Eso significa que compra más de las empresas que más valen. Cuando un inversor mete 1.000 dólares en un ETF del S&P 500, aproximadamente 70 dólares van a Apple, 70 a Microsoft, 60 a Nvidia... y menos de un dólar a las empresas más pequeñas del índice.
Esto crea un ciclo de retroalimentación: cuanto más sube una empresa, más peso tiene en el índice, más compran de ella los ETFs, y más sube. Es un mecanismo que se autoalimenta mientras el dinero siga entrando. Y el dinero no ha dejado de entrar: los flujos hacia ETFs han sido positivos en prácticamente todos los trimestres de los últimos quince años.
One of the greatest financial transformations of the past two decades has been the rise of passive investing. Index funds and ETFs, led by giants like Vanguard, BlackRock, and State Street, now manage over 55% of U.S. market assets. What began as a brilliant idea — replicating the index at low cost instead of paying high fees to managers who rarely beat the market — has become a phenomenon that, through its own scale, distorts the very thing it seeks to replicate.
The Feedback Loop
The mechanism is simple but powerful. An S&P 500 index ETF weights companies by market capitalization. This means it buys more of the companies worth the most. When an investor puts $1,000 into an S&P 500 ETF, roughly $70 goes to Apple, $70 to Microsoft, $60 to Nvidia... and less than a dollar to the smallest companies in the index.
This creates a feedback loop: the more a company rises, the more weight it has in the index, the more ETFs buy of it, and the more it rises. It is a self-reinforcing mechanism as long as money keeps flowing in. And money has not stopped flowing in: ETF inflows have been positive in virtually every quarter of the past fifteen years.
La concentración resultante
El resultado de este mecanismo es una concentración sin precedentes. Las diez mayores empresas del S&P 500 representan hoy más del 35% del valor total del índice. Es el nivel de concentración más alto en al menos medio siglo, superando incluso la burbuja de las puntocom del año 2000.
The Resulting Concentration
The result of this mechanism is unprecedented concentration. The ten largest companies in the S&P 500 now represent over 35% of the index's total value. This is the highest level of concentration in at least half a century, surpassing even the dot-com bubble of 2000.
Esto tiene una implicación práctica que muchos inversores pasan por alto: cuando compras un ETF del S&P 500, no estás comprando «el mercado americano». Estás comprando, fundamentalmente, diez empresas tecnológicas a precios muy elevados, acompañadas de 490 empresas que apenas pesan en tu cartera. La diversificación que promete un índice de 500 empresas es, en gran medida, ilusoria.
This has a practical implication that many investors overlook: when you buy an S&P 500 ETF, you are not buying "the American market." You are essentially buying ten technology companies at very high prices, accompanied by 490 companies that barely matter in your portfolio. The diversification promised by an index of 500 companies is, to a large extent, illusory.
El riesgo que pocos mencionan es el reverso: ¿qué sucede cuando los flujos se invierten? Si los inversores empiezan a vender sus ETFs —por una crisis, por miedo, por necesidad—, el mismo mecanismo que infló las grandes funciona a la inversa. Se vende más de lo que más pesa, lo que hace que baje más, lo que le da más peso relativo a las caídas, lo que provoca más ventas. El ciclo de retroalimentación se convierte en un ciclo de destrucción.
The risk that few mention is the reverse: what happens when flows invert? If investors start selling their ETFs — due to a crisis, fear, or necessity — the same mechanism that inflated the largest companies works in reverse. More is sold of what weighs the most, which makes it fall further, which gives it more relative weight in the decline, which triggers more selling. The feedback loop becomes a destruction loop.
03 El precio importa: anatomía de una sobrevaloración The Price Matters: Anatomy of an Overvaluation
Hay una frase que resume la esencia de invertir bien, y que a menudo se olvida en épocas de euforia: el precio al que compras determina tu rentabilidad futura. No basta con que una empresa sea buena; tiene que serlo a un precio razonable. Y el problema actual no es que Apple, Microsoft o Nvidia sean malas empresas. El problema es que sus precios implican unas expectativas de crecimiento que, cuando se analizan con rigor matemático, resultan inverosímiles.
¿Qué dice el CAPE Shiller?
El CAPE (Cyclically Adjusted Price-to-Earnings) es una de las métricas de valoración más fiables que existen. Utiliza los beneficios medios de los últimos diez años, ajustados por inflación, para calcular cuánto estás pagando por cada dólar de beneficio. Hoy, el CAPE del S&P 500 está en 39x. En toda la historia del mercado estadounidense, solo ha habido dos momentos con un CAPE comparable: justo antes del crash de 1929 y en el pico de la burbuja de las puntocom en el año 2000.
There is a phrase that captures the essence of investing well, one that is often forgotten in times of euphoria: the price at which you buy determines your future returns. It is not enough for a company to be good; it must be good at a reasonable price. And the current problem is not that Apple, Microsoft, or Nvidia are bad companies. The problem is that their prices imply growth expectations that, when analyzed with mathematical rigor, turn out to be implausible.
What Does the CAPE Shiller Say?
The CAPE (Cyclically Adjusted Price-to-Earnings) is one of the most reliable valuation metrics in existence. It uses the average earnings of the past ten years, adjusted for inflation, to calculate how much you are paying for each dollar of earnings. Today, the S&P 500 CAPE stands at 39x. In the entire history of the U.S. market, there have been only two moments with a comparable CAPE: just before the 1929 crash and at the peak of the dot-com bubble in 2000.
El CAPE no es un indicador de timing —no te dice cuándo va a caer el mercado—, pero sí es un indicador extraordinariamente fiable de rentabilidad futura a largo plazo. La correlación entre el CAPE de entrada y la rentabilidad real a 10 años es del 0,85. Y lo que dice para un CAPE de 39x no es alentador.
El modelo PER: las matemáticas no mienten
Para entender el problema de forma intuitiva, planteemos una pregunta sencilla: si compras una acción con un PER de 35x y esperas obtener una rentabilidad del 10% anual durante los próximos diez años, ¿cuánto tienen que crecer los beneficios de esa empresa cada año?
La respuesta depende del PER al que puedas venderla dentro de diez años. Si asumimos que el mercado vuelve a un PER más razonable de 15x —que es la media histórica—, los beneficios tendrían que crecer un 18-20% anual, cada año, durante una década. Y eso para una empresa que ya factura cientos de miles de millones de dólares.
The CAPE is not a timing indicator — it does not tell you when the market will fall — but it is an extraordinarily reliable indicator of long-term future returns. The correlation between the entry CAPE and real 10-year returns is 0.85. And what it says for a CAPE of 39x is not encouraging.
The P/E Model: Mathematics Don't Lie
To understand the problem intuitively, let us pose a simple question: if you buy a stock with a P/E of 35x and expect to earn 10% annual returns over the next ten years, how much do that company's earnings need to grow each year?
The answer depends on the P/E at which you can sell it in ten years. If we assume the market reverts to a more reasonable P/E of 15x — which is the historical average — earnings would need to grow 18-20% annually, every year, for a decade. And that is for a company already generating hundreds of billions in revenue.
El test del absurdo
Hagamos la prueba con nombres concretos. Apple cotiza a un PER de aproximadamente 33x. Para que un inversor que compra hoy obtenga un 10% anual durante 10 años —asumiendo que el PER baje a 15x— los beneficios de Apple tendrían que crecer un 18% anual. Eso significaría que Apple, que ya genera más beneficios que el PIB de la mayoría de países, tendría que generar beneficios equivalentes a crear una empresa del Fortune 500 cada año, durante una década.
No es imposible. Es absurdo.
The Absurdity Test
Let us test this with concrete names. Apple trades at a P/E of approximately 33x. For an investor buying today to earn 10% annually over 10 years — assuming the P/E drops to 15x — Apple's earnings would need to grow 18% per year. That would mean Apple, which already generates more profits than the GDP of most countries, would need to generate profits equivalent to creating a Fortune 500 company every year, for a decade.
It is not impossible. It is absurd.
Y esto nos lleva a un problema fundamental de las empresas más grandes del mundo: la ley de los grandes números. Cuanto más grande eres, más difícil es crecer. Apple necesitaría generar 50.000 millones de dólares adicionales de beneficio cada año solo para crecer un 10%. Eso es más que los beneficios totales del 90% de las empresas del S&P 500. El mercado está pagando precios que asumen que estos gigantes seguirán creciendo a tasas de startup, cuando la realidad matemática dice lo contrario.
And this leads us to a fundamental problem for the world's largest companies: the law of large numbers. The bigger you are, the harder it is to grow. Apple would need to generate an additional $50 billion in profits every year just to grow 10%. That is more than the total profits of 90% of S&P 500 companies. The market is paying prices that assume these giants will continue growing at startup rates, when mathematical reality says otherwise.
04 La lección de la historia: nada es para siempre History's Lesson: Nothing Lasts Forever
Uno de los argumentos más habituales para justificar los precios actuales es: «pero estas empresas son diferentes, son las mejores del mundo». Y lo son. Nadie discute que Apple, Microsoft, Google o Amazon son empresas extraordinarias. Pero la historia nos enseña, con una regularidad implacable, que las empresas más grandes del mundo no permanecen en la cima.
La rotación del Top 10
De las diez empresas más grandes por capitalización bursátil en el año 2000, solo tres permanecían en el Top 10 una década después. General Electric, que era la empresa más valiosa del mundo, perdió más del 80% de su valor. Cisco, que era la segunda, nunca recuperó su máximo. Intel cayó de la cumbre y no ha vuelto. Nokia, que dominaba la telefonía, fue aplastada por Apple. Y estos no son casos excepcionales: son la norma.
One of the most common arguments to justify current prices is: "but these companies are different, they are the best in the world." And they are. No one disputes that Apple, Microsoft, Google, or Amazon are extraordinary companies. But history teaches us, with relentless regularity, that the world's largest companies do not remain at the top.
Top 10 Rotation
Of the ten largest companies by market capitalization in 2000, only three remained in the Top 10 a decade later. General Electric, which was the most valuable company in the world, lost more than 80% of its value. Cisco, which was second, never recovered its peak. Intel fell from the summit and has not returned. Nokia, which dominated mobile phones, was crushed by Apple. And these are not exceptional cases: they are the norm.
Si retrocedemos más, el patrón se repite. Las grandes petroleras de los años 80 fueron desplazadas. Los bancos que dominaron en los 90 implosionaron en 2008. Las tecnológicas del 2000 fueron sustituidas por las tecnológicas del 2010. La historia nos dice que la permanencia media de una empresa en el Top 10 es de menos de una década. Sin embargo, los PER actuales implican que los inversores esperan que las empresas de hoy mantengan su dominio durante 20 o 30 años.
El espejo del año 2000
La comparación con la burbuja de las puntocom es inevitable y reveladora. En el año 2000, las empresas más grandes cotizaban a PER inflados por expectativas de crecimiento que nunca se materializaron. Muchas de esas empresas ni siquiera eran rentables. Hoy, las empresas más grandes sí son rentables —espectacularmente rentables—, pero sus precios implican expectativas de crecimiento igualmente desconectadas de la realidad.
If we look further back, the pattern repeats. The great oil companies of the 1980s were displaced. The banks that dominated in the 1990s imploded in 2008. The tech companies of 2000 were replaced by the tech companies of 2010. History tells us that the average tenure of a company in the Top 10 is less than a decade. Yet current P/E ratios imply that investors expect today's companies to maintain their dominance for 20 or 30 years.
The Mirror of 2000
The comparison with the dot-com bubble is inevitable and revealing. In 2000, the largest companies traded at P/E ratios inflated by growth expectations that never materialized. Many of those companies were not even profitable. Today, the largest companies are profitable — spectacularly profitable — but their prices imply growth expectations equally disconnected from reality.
La capitalización combinada de las diez mayores empresas actuales, medida como porcentaje del PIB estadounidense, supera cualquier registro histórico. No supera ligeramente: lo duplica. Lo que estamos viviendo, en términos de concentración de valor en un puñado de empresas, no tiene precedente. Ni en el año 2000, ni en 1929, ni en ningún otro momento.
The combined market capitalization of today's ten largest companies, measured as a percentage of U.S. GDP, surpasses any historical record. Not slightly: it doubles it. What we are experiencing, in terms of value concentration in a handful of companies, is without precedent. Not in 2000, not in 1929, not at any other time.
Cada momento de la historia es nuevo. Nunca hemos vivido unas condiciones exactamente como estas: niveles de deuda de posguerra, tipos de interés en transición, una concentración de mercado sin precedentes, tecnología que avanza exponencialmente y una generación entera de inversores que solo ha conocido mercados alcistas. Nadie puede predecir el futuro con certeza. Pero sí podemos observar que, cada vez que los mercados alcanzaron niveles similares de sobrevaloración —aunque por razones diferentes—, lo que siguió fue doloroso para quien compró en el pico.
Every moment in history is new. We have never experienced conditions exactly like these: wartime debt levels, transitioning interest rates, unprecedented market concentration, exponentially advancing technology, and an entire generation of investors who have only known bull markets. No one can predict the future with certainty. But we can observe that every time markets reached similar levels of overvaluation — albeit for different reasons — what followed was painful for those who bought at the peak.
05 El precio al que compras lo cambia todo The Price You Pay Changes Everything
Existe una creencia extendida en el mundo de la inversión que dice: «a largo plazo, el mercado siempre sube». Y es cierto... en términos muy largos. Pero «largo plazo» puede significar décadas, y la rentabilidad que obtienes depende brutalmente del precio al que entraste.
La lección del año 2000
Quien invirtió en el S&P 500 en marzo del año 2000 —en el pico de la burbuja puntocom— tuvo que esperar trece años para recuperar su inversión en términos nominales. Trece años para volver a cero. Y si ajustamos por inflación, la espera fue aún mayor. Microsoft, que era la empresa más valiosa del mundo en el año 2000, no recuperó su máximo hasta 2016: dieciséis años después.
There is a widespread belief in the investment world that says: "in the long run, the market always goes up." And it is true... in very long terms. But "long term" can mean decades, and the returns you get depend brutally on the price at which you entered.
The Lesson of 2000
Anyone who invested in the S&P 500 in March 2000 — at the peak of the dot-com bubble — had to wait thirteen years to recover their investment in nominal terms. Thirteen years to get back to zero. And if we adjust for inflation, the wait was even longer. Microsoft, which was the most valuable company in the world in 2000, did not recover its peak until 2016: sixteen years later.
Esto no es un caso aislado. Es un patrón. La relación entre la valoración en el momento de compra y la rentabilidad futura es la más fiable que existe en finanzas. No predice el corto plazo, pero a 10-15 años es casi determinista.
¿Qué dice la historia para un CAPE de 39x?
Cuando analizamos todos los períodos de la historia en los que el CAPE estuvo por encima de 30x, la rentabilidad real media a 10 años fue del 1,3% anual. Eso es en términos nominales. En términos reales, ajustados por inflación, la rentabilidad esperada es negativa en varios escenarios.
This is not an isolated case. It is a pattern. The relationship between valuation at the time of purchase and future returns is the most reliable one in finance. It does not predict the short term, but over 10-15 years it is almost deterministic.
What Does History Say for a CAPE of 39x?
When we analyze all periods in history when the CAPE was above 30x, the average real 10-year return was 1.3% per year. That is in nominal terms. In real terms, adjusted for inflation, the expected return is negative in several scenarios.
| Modelo | Retorno real | Retorno nominal | Comentario |
|---|---|---|---|
| Earnings Yield simple | 2,6% | 5,1% | El más optimista |
| Regresión Shiller (R²=0,85) | 1,3% | 3,8% | El más contrastado |
| Gordon Growth (CAPE→25x) | -1,0% | 1,5% | Contracción moderada |
| Gordon Growth (CAPE→18x) | -4,1% | -1,6% | Reversión a media |
| Valor esperado ponderado | -1,2% | 1,3% | Media ponderada |
| Treasury 10Y (sin riesgo) | 1,8% | 4,3% | Garantizado |
| Model | Real Return | Nominal Return | Comment |
|---|---|---|---|
| Simple Earnings Yield | 2.6% | 5.1% | Most optimistic |
| Shiller Regression (R²=0.85) | 1.3% | 3.8% | Most tested |
| Gordon Growth (CAPE→25x) | -1.0% | 1.5% | Moderate contraction |
| Gordon Growth (CAPE→18x) | -4.1% | -1.6% | Mean reversion |
| Weighted expected value | -1.2% | 1.3% | Weighted average |
| Treasury 10Y (risk-free) | 1.8% | 4.3% | Guaranteed |
Léelo de nuevo: el retorno esperado del S&P 500, según múltiples modelos independientes, es del 1,3% nominal a 10 años. Mientras tanto, un bono del Tesoro americano te da un 4,3% garantizado. Estás asumiendo todo el riesgo de la renta variable para obtener menos de la tercera parte de lo que te ofrece el activo más seguro del mundo.
Read that again: the expected return of the S&P 500, according to multiple independent models, is 1.3% nominal over 10 years. Meanwhile, a U.S. Treasury bond gives you a guaranteed 4.3%. You are taking on all the risk of equities to earn less than a third of what the safest asset in the world offers.
El oro y la lección de las alternativas
Un ejemplo que ilustra bien la importancia del momento de compra y la diversificación: en los últimos 25 años, el oro ha sido uno de los activos con mejor comportamiento, multiplicando su valor por más de ocho. Pero si hubieras comprado oro en su pico de 1980 y esperado a recuperar tu inversión en términos reales, habrías necesitado casi 28 años. El activo era el mismo; lo que cambió todo fue el precio al que se compró.
Gold and the Lesson of Alternatives
An example that illustrates well the importance of entry timing and diversification: over the past 25 years, gold has been one of the best-performing assets, multiplying its value more than eightfold. But if you had bought gold at its 1980 peak and waited to recover your investment in real terms, you would have needed nearly 28 years. The asset was the same; what changed everything was the price at which it was purchased.
Esta lección aplica directamente a la situación actual: la inversión pasiva en ETFs, como toda inversión, requiere análisis. No basta con comprar el índice y olvidarse. Hay que preguntarse a qué precio estás comprando, qué expectativas implica ese precio y si existen alternativas más razonables. Y hoy, como hemos visto, los datos sugieren que quizá este no sea el momento óptimo para entrar en el S&P 500 a cualquier precio.
This lesson applies directly to the current situation: passive investing in ETFs, like all investing, requires analysis. It is not enough to buy the index and forget about it. You must ask at what price you are buying, what expectations that price implies, and whether more reasonable alternatives exist. And today, as we have seen, the data suggest that this may not be the optimal time to enter the S&P 500 at any price.
06 El factor impredecible: la inteligencia artificial The Unpredictable Factor: Artificial Intelligence
A todo lo anterior hay que añadir un elemento que hace la situación actual genuinamente diferente a cualquier otra de la historia: la irrupción de la inteligencia artificial. Lo trataremos con mucha más profundidad en próximos artículos, pero es imprescindible señalar aquí por qué la IA no es un riesgo más, sino el riesgo que puede redefinir las reglas del juego entero.
Las empresas más grandes del mundo hoy son, en su mayoría, tecnológicas. Sus márgenes operativos excepcionales —un 32% de media frente al 15% del resto de sectores— se sostienen sobre barreras de entrada que les otorgan posiciones casi monopolísticas en sus respectivos mercados. Estas barreras, acumuladas durante décadas, son las que justifican que el mercado pague PER de 30x o 40x por ellas: la creencia implícita de que nadie puede arrebatarles su posición. Pero la IA está erosionando esas barreras —casi todas— a una velocidad que nadie anticipó.
La caída de las barreras de racionalidad
Para entender la magnitud de lo que está ocurriendo, pensemos en las grandes barreras que históricamente han protegido a las empresas dominantes. No se trata solo del coste de la tecnología. La IA reduce las barreras de racionalidad en prácticamente todos los procesos: desde el diseño de un fármaco hasta la optimización de una cadena de suministro, desde el desarrollo de software hasta la ingeniería nuclear. Y aunque afecta a todo el espectro, su impacto es especialmente visible en tres barreras que han sido, tradicionalmente, las grandes fortalezas de las megacorporaciones.
La barrera del conocimiento acumulado. Durante décadas, las grandes empresas construyeron ventajas competitivas sobre montañas de conocimiento especializado: procesos internos refinados durante años, saber hacer que solo existía en la cabeza de miles de ingenieros, bases de datos propietarias, metodologías optimizadas a lo largo de generaciones de empleados. Replicar todo eso era, sencillamente, inviable para un competidor nuevo. La IA comprime ese proceso de forma radical. Lo que antes requería veinte años de experiencia institucional acumulada puede hoy sintetizarse, modelarse y transferirse en una fracción del tiempo. El conocimiento especializado deja de ser un foso infranqueable para convertirse en algo que una startup bien equipada puede aproximar —y a veces superar— en meses.
La barrera del capital. Esta es quizá la más transformadora para el panorama competitivo. Históricamente, desarrollar un producto farmacéutico costaba miles de millones de dólares, diseñar un semiconductor requería inversiones de cientos de millones, y construir una plataforma tecnológica competitiva exigía ejércitos de desarrolladores. Ese coste de entrada funcionaba como un filtro brutal: cientos de proyectos prometedores nunca nacían porque el riesgo económico no compensaba. La relación coste-probabilidad de éxito hacía que solo los actores con recursos ilimitados pudieran permitirse intentarlo. La IA está derrumbando esa ecuación. El coste de entrenar un modelo ha caído un 99% en cinco años. Lo que costaba cien millones ahora cuesta cien mil. Y esto no solo abarata lo que ya se hacía: permite que germinen proyectos que antes eran económicamente inviables. Cientos de ideas que morían en una servilleta porque nadie podía financiar su desarrollo ahora tienen un camino viable. Eso significa, inevitablemente, más competidores en más sectores, atacando nichos que las grandes empresas daban por asegurados.
To all the above, we must add an element that makes the current situation genuinely different from any other in history: the emergence of artificial intelligence. We will address this in much greater depth in future articles, but it is essential to point out here why AI is not just another risk, but the risk that can redefine the rules of the entire game.
The world's largest companies today are, for the most part, technology companies. Their exceptional operating margins — 32% on average versus 15% for the rest of sectors — rest on barriers to entry that grant them near-monopolistic positions in their respective markets. These barriers, accumulated over decades, are what justify the market paying P/E ratios of 30x or 40x for them: the implicit belief that no one can take away their position. But AI is eroding those barriers — nearly all of them — at a speed no one anticipated.
The Fall of Rationality Barriers
To understand the magnitude of what is happening, let us think about the great barriers that have historically protected dominant companies. It is not just about the cost of technology. AI is reducing rationality barriers in virtually all processes: from drug design to supply chain optimization, from software development to nuclear engineering. And while it affects the full spectrum, its impact is especially visible in three barriers that have traditionally been the great strengths of mega-corporations.
The accumulated knowledge barrier. For decades, large companies built competitive advantages on mountains of specialized knowledge: internal processes refined over years, know-how that existed only in the heads of thousands of engineers, proprietary databases, methodologies optimized over generations of employees. Replicating all of that was simply unfeasible for a new competitor. AI compresses this process radically. What previously required twenty years of accumulated institutional experience can now be synthesized, modeled, and transferred in a fraction of the time. Specialized knowledge ceases to be an insurmountable moat and becomes something a well-equipped startup can approximate — and sometimes surpass — in months.
The capital barrier. This is perhaps the most transformative for the competitive landscape. Historically, developing a pharmaceutical product cost billions of dollars, designing a semiconductor required investments of hundreds of millions, and building a competitive technology platform demanded armies of developers. That entry cost functioned as a brutal filter: hundreds of promising projects were never born because the economic risk did not justify it. The cost-to-probability-of-success ratio meant only players with unlimited resources could afford to try. AI is demolishing that equation. The cost of training a model has fallen 99% in five years. What cost a hundred million now costs a hundred thousand. And this does not just cheapen what was already being done: it enables projects that were previously economically unfeasible to germinate. Hundreds of ideas that died on a napkin because no one could finance their development now have a viable path. That means, inevitably, more competitors in more sectors, attacking niches that large companies took for granted.
La barrera del capital social. Las grandes corporaciones no solo acumularon conocimiento y dinero; construyeron ecosistemas humanos: redes de contactos, relaciones institucionales, culturas de trabajo optimizadas, equipos con décadas de colaboración conjunta. Un recién llegado no solo tenía que igualar su tecnología, sino que tenía que construir una organización capaz de operarla. Y eso lleva tiempo —mucho tiempo—. Pero la IA está redefiniendo lo que significa «trabajar». Emerge un nuevo estándar de profesional: más productivo individualmente, menos dependiente de estructuras jerárquicas, capaz de generar con herramientas de IA lo que antes requería un departamento entero. Esto nivela el terreno de un modo que va más allá de la tecnología: cambia la naturaleza misma del trabajo. Todo el tiempo y los recursos que las grandes empresas invirtieron en construir su capital social y su racionalidad organizativa se deprecia cuando las reglas del juego cambian. En cierto sentido, la IA coloca a todos los participantes —gigantes y recién llegados— en una nueva línea de salida.
No solo software: todas las industrias, todos los procesos
Hay una tentación natural al hablar de inteligencia artificial: pensar que solo afecta a las industrias de la información. Al fin y al cabo, lo que vemos hoy con más claridad es cómo la IA transforma el software, cómo empieza a sacudir el mundo de las finanzas y cómo las consultoras, gestorías y despachos profesionales se enfrentan a una automatización que amenaza su modelo de negocio de décadas. Pero limitarse a esa lectura es quedarse en la superficie. El abaratamiento de la racionalidad no golpea solo a quienes trabajan con información: revoluciona todas las industrias y en todos los sentidos.
La IA facilita la investigación científica, acelerando procesos de descubrimiento que antes tardaban décadas. Mejora los procesos productivos, optimizando cadenas de fabricación en tiempo real. Transforma el diseño, permitiendo iterar prototipos en horas en lugar de meses. Abarata la coordinación del capital, conectando ideas con inversores de formas que antes requerían redes de contactos construidas durante generaciones. Potencia la logística, la gestión de calidad, la regulación, el marketing, la atención al cliente. No hay un solo eslabón de la cadena de valor de ninguna industria que permanezca intacto. Y esto tiene consecuencias directas para las empresas que hoy dominan el mercado.
Veámoslo con ejemplos concretos.
Tecnología y dispositivos móviles. Apple vende cada iPhone con un margen bruto superior al 40%. Esa rentabilidad se sostiene sobre décadas de inversión en diseño de chips propios, un ecosistema de software cerrado, una cadena de suministro global ultrasofisticada y una marca cuyo valor se ha construido durante treinta años. Ahora pensemos en lo que la IA cambia: el diseño de procesadores, que antes requería equipos de miles de ingenieros especializados, puede hoy asistirse con herramientas que reducen drásticamente los ciclos de desarrollo. El software, que era un foso competitivo porque construir un sistema operativo estable requería miles de años-persona de trabajo, se vuelve más accesible cuando la IA genera, depura y optimiza código. Y la marca, ese intangible que parecía indestructible, pierde peso cuando el consumidor puede comparar en tiempo real, cuando los algoritmos de recomendación redistribuyen la atención y cuando competidores chinos como Xiaomi o emergentes que aún no conocemos pueden ofrecer el 90% de la experiencia al 30% del precio. Nada de esto destruye a Apple mañana. Pero erosiona cada una de las capas de su ventaja competitiva, lenta y simultáneamente.
Industria del automóvil. Fabricar un coche era, hasta hace poco, la actividad industrial más compleja del planeta. Un vehículo tiene más de 30.000 piezas, requiere cadenas de suministro que abarcan decenas de países y exige cumplir normativas de seguridad que tardan años en dominarse. Las grandes automovilísticas —Toyota, Volkswagen, GM— habían perfeccionado este proceso durante un siglo y nadie podía replicarlo. Entonces llegó Tesla y demostró que se podía construir un fabricante de coches desde cero en una fracción del tiempo. ¿Cómo? Reduciendo la complejidad del vehículo eléctrico, integrando verticalmente con software y, crucialmente, utilizando inteligencia artificial en el diseño, la fabricación y la conducción autónoma. La IA no solo permite diseñar mejores coches más rápido: permite repensar el propio concepto de fabricación. Simulaciones que antes requerían prototipos físicos de millones de dólares se hacen hoy en entornos virtuales. La optimización de líneas de producción, que las grandes aprendieron a base de décadas de ensayo y error, puede ahora modelarse y mejorarse algorítmicamente. De repente, el foso de un siglo de experiencia se estrecha.
Industria farmacéutica. El ejemplo más revelador de todos. Desarrollar un fármaco nuevo costaba históricamente entre 1.000 y 2.500 millones de dólares y tardaba entre 10 y 15 años. Solo un puñado de empresas en el mundo podía permitirse esa apuesta, y la inmensa mayoría de los candidatos fracasaban. Era el filtro de capital más brutal de cualquier industria: por cada fármaco que llegaba al mercado, miles morían en el laboratorio. La IA está transformando esto radicalmente. Modelos como AlphaFold ya han predicho la estructura tridimensional de prácticamente todas las proteínas conocidas —un problema que la biología llevaba medio siglo intentando resolver—. La IA acelera la identificación de dianas terapéuticas, el diseño de moléculas candidatas y la optimización de ensayos clínicos. Lo que antes era un proceso de diez años con un 90% de probabilidad de fracaso se comprime y se abarata hasta el punto de que actores que antes no podían ni plantearse entrar en el juego —biotechs pequeñas, universidades, incluso laboratorios de países emergentes— ahora tienen opciones reales. No estamos hablando de futuro lejano: ya está ocurriendo. Y si los costes de desarrollo farmacéutico se reducen un orden de magnitud, los márgenes del 60-70% que disfrutan las grandes farmacéuticas dejan de ser sostenibles.
El precedente ya existe: lo que las redes sociales anticiparon
Para quienes duden de que este fenómeno pueda alcanzar la magnitud que describimos, conviene recordar que ya ha ocurrido en una industria entera, y estamos viviendo sus consecuencias. La industria de la información, los medios y el entretenimiento lleva más de una década experimentando exactamente lo que ahora se avecina para el resto de sectores.
Hace quince años, producir contenido audiovisual de calidad requería estudios de grabación, equipos de producción de decenas de personas, redes de distribución controladas por un puñado de cadenas y presupuestos millonarios en publicidad. Hoy, una persona con un micrófono en su habitación y una cámara decente compite —y a menudo gana— en audiencia frente a producciones de grandes cadenas televisivas. Creadores individuales en YouTube o TikTok acumulan más visualizaciones que programas de prime time. Podcasters independientes tienen más oyentes que emisoras de radio con décadas de historia. Y esto no fue obra de la IA: fue simplemente la reducción del coste de las herramientas de producción y distribución. La IA va a profundizar y acelerar este proceso hasta extremos que aún no imaginamos.
Pero lo verdaderamente revelador para nuestra tesis no es solo el contenido: es lo que pasó con la publicidad y el marketing. Durante décadas, las grandes marcas dominaban el mercado en parte porque solo ellas podían permitirse campañas de publicidad masiva. Un anuncio en televisión, una campaña en prensa, un despliegue en vallas publicitarias: todo eso costaba millones y requería agencias especializadas que cobraban fortunas. Las marcas pequeñas, por buenas que fueran, no podían competir en visibilidad. Las redes sociales demolieron esa barrera. De repente, una marca de camisetas creada en un garaje podía llegar a millones de personas con un vídeo de treinta segundos y un presupuesto de doscientos dólares. Pequeñas empresas empezaron a hacer marketing con la sofisticación y el alcance que antes estaba reservado exclusivamente a las multinacionales. Y esto es solo el principio: con la IA generando contenido publicitario, segmentando audiencias, optimizando campañas en tiempo real y personalizando mensajes a escala, la ventaja de las grandes marcas en marketing se va a seguir erosionando hasta niveles que hoy no somos capaces de anticipar.
Este precedente de los medios y la publicidad es la mejor analogía de lo que va a suceder en el resto de industrias. Lo que las redes sociales hicieron con la producción de contenido y el marketing —democratizar el acceso, abaratar las herramientas, nivelar el terreno entre gigantes y recién llegados—, la IA lo va a hacer con la investigación, el diseño, la fabricación, la logística, la regulación, las finanzas y la gestión empresarial. En todos los campos. En todos los eslabones.
La cascada sobre la cadena de valor completa
Y aquí es donde la dimensión del cambio se vuelve difícil de sobreestimar. Porque lo que hemos descrito hasta ahora —la reducción del coste en conocimiento, en capital, en capital social— no son fenómenos aislados que afectan a un proceso concreto dentro de una empresa. Son reducciones que se propagan a lo largo de eslabones enteros de la cadena de valor. Y cuando múltiples eslabones se abaratan simultáneamente, el efecto no es aditivo: es multiplicativo.
Pensemos en lo que implica para un proyecto empresarial nuevo. Antes, un emprendedor con una buena idea se enfrentaba a una sucesión de barreras, cada una de las cuales podía matarlo: necesitaba capital para investigar, conocimiento especializado para desarrollar, una red de contactos para fabricar, un equipo de ventas para comercializar, acceso a distribución para llegar al cliente y un presupuesto de marketing para darse a conocer. Cada eslabón era caro, complejo y lento. La probabilidad de superar todos ellos era ínfima, y por eso la inmensa mayoría de las ideas nunca pasaban de la servilleta.
Ahora, la IA abarata cada uno de esos eslabones simultáneamente. Facilita la investigación con modelos que aceleran el descubrimiento. Reduce los costes de desarrollo con herramientas que automatizan el diseño y la ingeniería. Mejora la transparencia del mercado de capitales, conectando ideas con inversores de formas que antes requerían años de networking: plataformas algorítmicas que emparejan proyectos prometedores con fondos de inversión, análisis de viabilidad automatizados que reducen la asimetría de información, y una visibilidad global instantánea que permite a un proyecto en Bangalore captar financiación en San Francisco sin intermediarios. Abarata la coordinación con proveedores, optimiza la logística, genera campañas de marketing personalizadas a coste marginal cercano a cero y abre canales de distribución directa al consumidor.
El resultado es que la tasa de germinación de nuevas ideas se multiplica exponencialmente. Proyectos que antes morían en el primer eslabón ahora llegan al segundo, al tercero, al mercado. Y no hablamos de uno o dos competidores adicionales: hablamos de cientos, en cada sector, en cada nicho, en cada geografía. Es una explosión de competencia a una escala que ninguna industria ha experimentado jamás.
The social capital barrier. Large corporations did not only accumulate knowledge and money; they built human ecosystems: contact networks, institutional relationships, optimized work cultures, teams with decades of joint collaboration. A newcomer not only had to match their technology but had to build an organization capable of operating it. And that takes time — a lot of time. But AI is redefining what "working" means. A new professional standard is emerging: more individually productive, less dependent on hierarchical structures, capable of generating with AI tools what previously required an entire department. This levels the playing field in a way that goes beyond technology: it changes the very nature of work. All the time and resources that large companies invested in building their social capital and organizational rationality depreciate when the rules of the game change. In a sense, AI places all participants — giants and newcomers alike — at a new starting line.
Not Just Software: Every Industry, Every Process
There is a natural temptation when discussing artificial intelligence: to think it only affects information industries. After all, what we see most clearly today is how AI transforms software, how it is beginning to shake the world of finance, and how consulting firms, accountancies, and professional services face automation that threatens their decades-old business model. But limiting oneself to that reading is staying on the surface. The cheapening of rationality does not only hit those who work with information: it revolutionizes all industries in every way.
AI facilitates scientific research, accelerating discovery processes that previously took decades. It improves productive processes, optimizing manufacturing chains in real time. It transforms design, allowing prototype iteration in hours instead of months. It cheapens the coordination of capital, connecting ideas with investors in ways that previously required contact networks built over generations. It enhances logistics, quality management, regulation, marketing, customer service. There is not a single link in the value chain of any industry that remains intact. And this has direct consequences for the companies that dominate the market today.
Let us look at concrete examples.
Technology and mobile devices. Apple sells each iPhone with a gross margin exceeding 40%. That profitability rests on decades of investment in proprietary chip design, a closed software ecosystem, an ultra-sophisticated global supply chain, and a brand whose value has been built over thirty years. Now consider what AI changes: processor design, which previously required teams of thousands of specialized engineers, can now be assisted by tools that drastically reduce development cycles. Software, which was a competitive moat because building a stable operating system required thousands of person-years of work, becomes more accessible when AI generates, debugs, and optimizes code. And the brand, that intangible that seemed indestructible, loses weight when consumers can compare in real time, when recommendation algorithms redistribute attention, and when Chinese competitors like Xiaomi or emerging ones we do not yet know can offer 90% of the experience at 30% of the price. None of this destroys Apple tomorrow. But it erodes each layer of its competitive advantage, slowly and simultaneously.
The automobile industry. Manufacturing a car was, until recently, the most complex industrial activity on the planet. A vehicle has more than 30,000 parts, requires supply chains spanning dozens of countries, and demands compliance with safety regulations that take years to master. The great automakers — Toyota, Volkswagen, GM — had perfected this process over a century and nobody could replicate it. Then Tesla arrived and demonstrated that an automaker could be built from scratch in a fraction of the time. How? By reducing the complexity of the electric vehicle, vertically integrating with software, and crucially, using artificial intelligence in design, manufacturing, and autonomous driving. AI does not just enable designing better cars faster: it enables rethinking the very concept of manufacturing. Simulations that previously required multi-million-dollar physical prototypes are now done in virtual environments. Production line optimization, which the incumbents learned through decades of trial and error, can now be modeled and improved algorithmically. Suddenly, the moat of a century of experience narrows.
The pharmaceutical industry. The most revealing example of all. Developing a new drug historically cost between $1 billion and $2.5 billion and took 10 to 15 years. Only a handful of companies in the world could afford that bet, and the vast majority of candidates failed. It was the most brutal capital filter of any industry: for every drug that reached the market, thousands died in the lab. AI is transforming this radically. Models like AlphaFold have already predicted the three-dimensional structure of virtually all known proteins — a problem biology had been trying to solve for half a century. AI accelerates the identification of therapeutic targets, the design of candidate molecules, and the optimization of clinical trials. What was once a ten-year process with a 90% probability of failure is being compressed and cheapened to the point where players who could not even consider entering the game before — small biotechs, universities, even laboratories in emerging countries — now have real options. We are not talking about a distant future: it is already happening. And if pharmaceutical development costs are reduced by an order of magnitude, the 60-70% margins enjoyed by large pharma companies cease to be sustainable.
The Precedent Already Exists: What Social Media Foreshadowed
For those who doubt this phenomenon can reach the magnitude we describe, it is worth remembering that it has already happened in an entire industry, and we are living with its consequences. The information, media, and entertainment industry has been experiencing for over a decade exactly what is now approaching for all other sectors.
Fifteen years ago, producing quality audiovisual content required recording studios, production teams of dozens of people, distribution networks controlled by a handful of networks, and multi-million-dollar advertising budgets. Today, one person with a microphone in their room and a decent camera competes — and often wins — in audience share against productions from major TV networks. Individual creators on YouTube or TikTok accumulate more views than prime-time programs. Independent podcasters have more listeners than radio stations with decades of history. And this was not AI's doing: it was simply the reduction in the cost of production and distribution tools. AI will deepen and accelerate this process to extremes we cannot yet imagine.
But what is truly revealing for our thesis is not just content: it is what happened with advertising and marketing. For decades, large brands dominated the market in part because only they could afford massive advertising campaigns. A TV commercial, a press campaign, a billboard deployment: all of that cost millions and required specialized agencies charging fortunes. Small brands, however good, could not compete on visibility. Social media demolished that barrier. Suddenly, a T-shirt brand created in a garage could reach millions of people with a thirty-second video and a two-hundred-dollar budget. Small companies began doing marketing with the sophistication and reach that was previously reserved exclusively for multinationals. And this is only the beginning: with AI generating advertising content, segmenting audiences, optimizing campaigns in real time, and personalizing messages at scale, large brands' advantage in marketing will continue to erode to levels we are not yet capable of anticipating.
This precedent from media and advertising is the best analogy for what will happen across the rest of industries. What social media did with content production and marketing — democratizing access, cheapening tools, leveling the playing field between giants and newcomers — AI will do with research, design, manufacturing, logistics, regulation, finance, and business management. In every field. In every link.
The Cascade Across the Complete Value Chain
And here is where the dimension of change becomes hard to overestimate. Because what we have described so far — the reduction in the cost of knowledge, capital, and social capital — are not isolated phenomena affecting a specific process within a company. They are reductions that propagate along entire links of the value chain. And when multiple links become cheaper simultaneously, the effect is not additive: it is multiplicative.
Consider what this implies for a new business project. Before, an entrepreneur with a good idea faced a succession of barriers, each of which could kill the project: they needed capital to research, specialized knowledge to develop, a network of contacts to manufacture, a sales team to commercialize, access to distribution to reach the customer, and a marketing budget to make themselves known. Each link was expensive, complex, and slow. The probability of overcoming all of them was minuscule, which is why the vast majority of ideas never got past the napkin stage.
Now, AI cheapens each of those links simultaneously. It facilitates research with models that accelerate discovery. It reduces development costs with tools that automate design and engineering. It improves capital market transparency, connecting ideas with investors in ways that previously required years of networking: algorithmic platforms that match promising projects with investment funds, automated feasibility analyses that reduce information asymmetry, and instant global visibility that allows a project in Bangalore to raise funding in San Francisco without intermediaries. It cheapens coordination with suppliers, optimizes logistics, generates personalized marketing campaigns at near-zero marginal cost, and opens direct-to-consumer distribution channels.
The result is that the germination rate of new ideas multiplies exponentially. Projects that used to die at the first link now reach the second, the third, the market. And we are not talking about one or two additional competitors: we are talking about hundreds, in every sector, in every niche, in every geography. It is an explosion of competition at a scale no industry has ever experienced.
El riesgo para los inversores
Con la complejidad de internet y las tecnologías desarrolladas desde el año 2000, industrias enteras habían construido fortalezas que parecían inexpugnables. Cada año que pasaba, cada capa adicional de complejidad tecnológica y regulatoria, hacía más difícil que un recién llegado pudiera competir. Las grandes empresas se habían hecho tan grandes, tan complejas y tan integradas que parecían intocables. Y el mercado las valoraba como tal: precios que asumían dominio perpetuo.
Pero lo que hemos descrito en esta sección pinta un escenario radicalmente diferente. No se trata de que estas empresas vayan a desaparecer —probablemente no lo hagan—. Se trata de que las ventajas competitivas que han ido desarrollando durante años, y que parecían imposibles de alcanzar por pequeñas empresas, se ven ahora seriamente amenazadas desde múltiples frentes simultáneamente. Y esto importa enormemente para un inversor, porque esos márgenes extraordinarios —los que justifican PER de 30x o 40x— dependen precisamente de que esas barreras se mantengan intactas.
The Risk for Investors
With the complexity of the internet and technologies developed since 2000, entire industries had built fortresses that seemed impregnable. Every passing year, every additional layer of technological and regulatory complexity, made it harder for a newcomer to compete. Large companies had become so large, so complex, and so integrated that they seemed untouchable. And the market valued them as such: prices that assumed perpetual dominance.
But what we have described in this section paints a radically different scenario. It is not that these companies will disappear — they probably will not. It is that the competitive advantages they have developed over years, which seemed impossible for small companies to reach, are now seriously threatened from multiple fronts simultaneously. And this matters enormously for an investor, because those extraordinary margins — the ones that justify P/E ratios of 30x or 40x — depend precisely on those barriers remaining intact.
La IA no solo cambia lo que se puede hacer. Cambia quién puede hacerlo. Y eso, para empresas que cotizan a la perfección, es el mayor riesgo imaginable. AI does not just change what can be done. It changes who can do it. And that, for companies priced for perfection, is the greatest imaginable risk.
Si los márgenes se comprimen —aunque sea moderadamente—, los beneficios caen, y esos PER elevados se vuelven insostenibles. No hace falta que Apple pierda su posición dominante: basta con que su margen pase del 40% al 30% para que la valoración actual resulte injustificable. Y lo mismo aplica a cada una de las megacorporaciones que concentran el peso del S&P 500.
Hacia una economía de agentes individuales: la visión de Coase
Si llevamos esta lógica hasta sus últimas consecuencias, lo que emerge no es un simple ajuste en la competencia sectorial. Es un cambio de paradigma en la estructura misma de la economía. Y para entenderlo, merece la pena rescatar a un economista que lo anticipó hace casi un siglo.
En 1937, Ronald Coase publicó La naturaleza de la empresa, un artículo que le valdría el Nobel de Economía. Su pregunta era aparentemente sencilla: ¿por qué existen las empresas? Si el mercado es el mecanismo más eficiente para coordinar la actividad económica, ¿por qué los individuos no operan todos como agentes independientes, contratando entre sí para cada tarea? La respuesta de Coase fue brillante: porque existen costes de transacción. Buscar un proveedor fiable cuesta tiempo. Negociar un contrato cuesta dinero. Verificar la calidad de un producto cuesta esfuerzo. Coordinar a múltiples agentes independientes cuesta más que organizar a empleados bajo un mismo techo. Esos costes —los costes de racionalidad del mercado— son los que hacen que tenga sentido crear empresas grandes. La empresa existe porque, hasta cierto tamaño, es más barato coordinar actividades internamente que a través del mercado libre.
Ahora pensemos en lo que la IA hace con cada uno de esos costes de transacción. Buscar un proveedor: algoritmos que comparan miles de opciones en segundos. Negociar condiciones: contratos inteligentes y plataformas de intermediación automatizada. Verificar calidad: sistemas de reputación algorítmica, auditoría automatizada, trazabilidad en tiempo real. Coordinar equipos: herramientas de gestión asistidas por IA que permiten a una persona hacer el trabajo de un departamento. Cada coste de transacción que justificaba la existencia de la gran empresa está siendo demolido.
La implicación es profunda: si los costes de transacción se reducen lo suficiente, el tamaño óptimo de la empresa se reduce con ellos. La razón económica para mantener organizaciones de cientos de miles de empleados se debilita. Lo que antes requería una corporación multinacional —investigar, desarrollar, fabricar, distribuir, vender— puede empezar a hacerlo una red de agentes más pequeños, más ágiles, más especializados, coordinados a través del mercado gracias a herramientas que hacen esa coordinación barata y eficiente.
No estamos hablando de ciencia ficción. Estamos describiendo una tendencia que ya se observa: el auge de los autónomos y freelancers cualificados, las microempresas tecnológicas de dos o tres personas que facturan millones, los creadores independientes que construyen audiencias sin necesidad de ninguna estructura corporativa, las plataformas que permiten a un ingeniero en Estonia colaborar con un diseñador en Corea y un fabricante en Vietnam sin que ninguno de los tres necesite empleador. La economía se está atomizando, y la IA va a acelerar ese proceso hasta niveles nunca antes vistos.
If margins compress — even moderately — profits fall, and those elevated P/E ratios become unsustainable. Apple does not need to lose its dominant position: it is enough for its margin to go from 40% to 30% for the current valuation to become unjustifiable. And the same applies to every mega-corporation that concentrates the weight of the S&P 500.
Toward an Economy of Individual Agents: The Coase Vision
If we take this logic to its ultimate consequences, what emerges is not a simple adjustment in sectoral competition. It is a paradigm shift in the very structure of the economy. And to understand it, it is worth revisiting an economist who anticipated it nearly a century ago.
In 1937, Ronald Coase published The Nature of the Firm, an article that would earn him the Nobel Prize in Economics. His question was seemingly simple: why do firms exist? If the market is the most efficient mechanism for coordinating economic activity, why don't individuals all operate as independent agents, contracting with each other for every task? Coase's answer was brilliant: because transaction costs exist. Finding a reliable supplier takes time. Negotiating a contract costs money. Verifying a product's quality takes effort. Coordinating multiple independent agents costs more than organizing employees under one roof. Those costs — the rationality costs of the market — are what make it sensible to create large firms. The firm exists because, up to a certain size, it is cheaper to coordinate activities internally than through the free market.
Now consider what AI does to each of those transaction costs. Finding a supplier: algorithms that compare thousands of options in seconds. Negotiating terms: smart contracts and automated intermediation platforms. Verifying quality: algorithmic reputation systems, automated auditing, real-time traceability. Coordinating teams: AI-assisted management tools that enable one person to do the work of a department. Every transaction cost that justified the existence of the large firm is being demolished.
The implication is profound: if transaction costs are reduced enough, the optimal size of the firm shrinks with them. The economic rationale for maintaining organizations of hundreds of thousands of employees weakens. What previously required a multinational corporation — research, develop, manufacture, distribute, sell — can begin to be done by a network of smaller, more agile, more specialized agents, coordinated through the market thanks to tools that make that coordination cheap and efficient.
We are not talking about science fiction. We are describing a trend that is already observable: the rise of qualified freelancers and self-employed professionals, two- or three-person technology micro-companies billing millions, independent creators building audiences without any corporate structure, platforms that allow an engineer in Estonia to collaborate with a designer in Korea and a manufacturer in Vietnam without any of the three needing an employer. The economy is atomizing, and AI will accelerate that process to levels never seen before.
Si Coase explicó por qué las empresas existen —porque el mercado libre era demasiado caro para coordinarlo todo—, la IA plantea la pregunta inversa: ¿qué ocurre cuando el mercado libre se vuelve más barato que la empresa? La respuesta es una economía con más agentes, más pequeños, más dinámicos, y donde mantener una posición dominante es exponencialmente más difícil. If Coase explained why firms exist — because the free market was too expensive to coordinate everything — AI poses the inverse question: what happens when the free market becomes cheaper than the firm? The answer is an economy with more agents, smaller, more dynamic, and where maintaining a dominant position is exponentially more difficult.
Esta visión a largo plazo debería hacer reflexionar a cualquier inversor que pague PER de 40x por empresas cuya valoración asume que mantendrán su tamaño y dominio durante décadas. La dirección de la historia económica apunta exactamente en sentido contrario: hacia más fragmentación, más competencia, más dinamismo y menos concentración.
Conviene, sin embargo, añadir un matiz realista. Cuando las grandes corporaciones y los actores del status quo comprendan la magnitud de lo que se avecina —la erosión de las ventajas que los hacen dominantes—, es probable que no se queden de brazos cruzados. La historia nos enseña que, cuando los oligopolios se sienten amenazados, tienden a recurrir a herramientas que poco tienen que ver con el libre mercado: presión regulatoria para dificultar la entrada de competidores, lobbying para crear marcos legales a medida, adquisiciones agresivas de rivales emergentes, uso de su posición dominante para estrangular la competencia incipiente. No sería la primera vez que el poder económico intenta protegerse con estrategias ajenas a la competencia leal, ni será la última. Es un factor que puede ralentizar la transición, pero que difícilmente puede detenerla si la fuerza subyacente —la reducción de los costes de racionalidad— es tan potente y transversal como todo indica.
Profundizaremos en todas estas cuestiones en futuros artículos. Pero incluso en esta visión panorámica, la conclusión es clara: la IA no es simplemente una herramienta nueva. Es una fuerza que altera la estructura fundamental de la economía, que pone en cuestión el propio concepto de ventaja competitiva sostenible y que hace extremadamente arriesgado pagar precios que asumen que el mundo de mañana se parecerá al de hoy.
This long-term vision should give pause to any investor paying P/E ratios of 40x for companies whose valuation assumes they will maintain their size and dominance for decades. The direction of economic history points in exactly the opposite direction: toward more fragmentation, more competition, more dynamism, and less concentration.
It is worth, however, adding a realistic nuance. When large corporations and status quo players understand the magnitude of what is coming — the erosion of the advantages that make them dominant — they will likely not sit idle. History teaches us that when oligopolies feel threatened, they tend to resort to tools that have little to do with the free market: regulatory pressure to hinder competitor entry, lobbying to create tailor-made legal frameworks, aggressive acquisitions of emerging rivals, using their dominant position to strangle nascent competition. It would not be the first time that economic power tries to protect itself with strategies alien to fair competition, nor will it be the last. It is a factor that can slow the transition, but that can hardly stop it if the underlying force — the reduction of rationality costs — is as powerful and cross-cutting as everything indicates.
We will delve into all these issues in future articles. But even in this panoramic view, the conclusion is clear: AI is not simply a new tool. It is a force that alters the fundamental structure of the economy, that questions the very concept of sustainable competitive advantage, and that makes it extremely risky to pay prices that assume tomorrow's world will resemble today's.
Recapitulemos lo que los datos y el análisis nos dicen:
El contexto macroeconómico es frágil: la liquidez se retira, la deuda está en máximos históricos y los tipos de interés han dejado de subvencionar la bolsa.
Los ETFs han creado un mecanismo de concentración que infla desproporcionadamente las empresas más grandes, generando una falsa sensación de diversificación.
Las valoraciones actuales —CAPE 39x, ERP 0,14%, PER mediano del Top 50 por encima de 30x— implican expectativas de crecimiento matemáticamente insostenibles para empresas del tamaño actual.
La historia muestra que las empresas más grandes no permanecen en la cima, que la rotación es la norma y que la supervivencia del Top 10 rara vez supera una década.
El precio de entrada determina la rentabilidad futura, y hoy los modelos apuntan a un retorno esperado del S&P 500 inferior al de un bono sin riesgo.
Y a todo esto se suma la fuerza transformadora de la IA: una reducción de los costes de racionalidad que erosiona barreras de entrada, multiplica la competencia y apunta, a largo plazo, hacia una economía más fragmentada e incompatible con la concentración extrema que el mercado cotiza hoy.
Supera al año 2000 (5,8) y al 2007 (4,7) en riesgo ponderado. Combina la sobrevaloración de las puntocom con la deuda de la Gran Crisis Financiera y una concentración sin precedentes.
La inversión pasiva en ETFs es una herramienta extraordinaria, pero como toda inversión, requiere análisis, contexto y, sobre todo, comprar a buen precio. Los datos que hemos presentado sugieren que, en este momento, el precio no es bueno. No se trata de no invertir; se trata de ser consciente de los riesgos, diversificar más allá del S&P 500 y recordar algo que el mercado olvida periódicamente: todo sube hasta que baja.
Let us recap what the data and analysis tell us:
The macroeconomic context is fragile: liquidity is being withdrawn, debt is at historic highs, and interest rates have stopped subsidizing the stock market.
ETFs have created a concentration mechanism that disproportionately inflates the largest companies, generating a false sense of diversification.
Current valuations — CAPE 39x, ERP 0.14%, median Top 50 P/E above 30x — imply mathematically unsustainable growth expectations for companies of this size.
History shows that the largest companies do not stay at the top, that rotation is the norm, and that Top 10 survival rarely exceeds a decade.
The entry price determines future returns, and today models point to an expected S&P 500 return lower than that of a risk-free bond.
And on top of all this is the transformative force of AI: a reduction in rationality costs that erodes barriers to entry, multiplies competition, and points, in the long term, toward a more fragmented economy incompatible with the extreme concentration the market prices today.
It exceeds 2000 (5.8) and 2007 (4.7) in weighted risk. It combines the overvaluation of the dot-com era with the debt of the Great Financial Crisis and unprecedented concentration.
Passive investing in ETFs is an extraordinary tool, but like all investing, it requires analysis, context, and above all, buying at a good price. The data we have presented suggest that, at this moment, the price is not good. It is not about not investing; it is about being aware of the risks, diversifying beyond the S&P 500, and remembering something the market periodically forgets: everything goes up until it doesn't.
