Meta recorta 10% de su personal — ¿Se está agrietando el sueño de los Mag 7?
Déjame ser real contigo.
Cuando Meta anuncia que está despidiendo al 10% de su fuerza laboral el 20 de mayo mientras, al mismo tiempo, se apuesta todo por la IA y el gasto en robótica, eso no es una señal de fortaleza — es una empresa apostando todo en una dirección y recortando todo lo demás.
Esta es la historia de los Mag 7 de 2026 en pocas palabras. Estas siete empresas han ganado un total combinado de $4.8 billones desde abril.
Morgan Stanley proyecta un crecimiento del 25% en ingresos netos para el grupo este año frente al 11% para el resto del S&P 500.
Sobre el papel, increíble. Pero debajo de eso, tienes despidos masivos en Meta, Intuit cayendo un 14% después de recortar el 17% de su plantilla, y el ETF de MAGS aún deslizándose hoy.
El mercado está recompensando los pivotes hacia IA y castigando todo lo demás. Eso funciona hasta que no lo hace.
Cuando cada empresa de los Mag 7 está gastando cantidades récord en infraestructura de IA y recortando humanos para financiarlo, tienes que preguntarte — ¿qué pasa cuando los ingresos de IA no escalan tan rápido como el gasto en IA?
Mi opinión honesta: NVIDIA y Microsoft aún parecen ser los verdaderos pilares aquí. NVIDIA posee la capa de infraestructura, Microsoft la monetiza a través de empresas. En esos dos confío. Tesla es pura especulación en este punto.
Meta es una apuesta de alto riesgo en IA social. Apple simplemente está navegando en la lealtad al hardware.
Los Mag 7 no son una sola operación. Nunca lo fueron.
Recuerdo haber asumido que el sistema de atribución de OpenLedger se trataba principalmente de pagar a los contribuyentes de manera justa.
Esa interpretación me pareció lo suficientemente completa como para que casi no mirara más allá.
Luego seguí pensando en lo que la atribución realmente permite más allá de la compensación.
Cuando puedes rastrear qué datos contribuyeron a qué salida del modelo, no solo tienes un registro de pagos. Tienes una pista de auditoría. Y las pistas de auditoría son lo que hacen que la IA sea desplegable en los entornos donde está el verdadero dinero. No en aplicaciones de consumo. En industrias reguladas. Finanzas. Seguros. Legal. Salud.
Esos entornos no adoptan IA porque sea capaz. La adoptan cuando alguien puede explicar qué hizo y quién es responsable si falla.
Ese es un cuello de botella diferente al de la computación. Un cuello de botella diferente al de la calidad del modelo. Un cuello de botella diferente al de los incentivos de tokens.
Y es el cuello de botella que se vuelve más caro ignorar a medida que los sistemas de IA asumen trabajos más significativos.
La mayoría de los $OPEN análisis pregunta si el sistema de atribución recompensa a los contribuyentes lo suficientemente bien como para atraer buenos datos.
Creo que la pregunta más interesante es si hace que la IA sea lo suficientemente responsable como para atraer a las industrias que más tienen para gastar. Esos son mercados diferentes. Y tienen precios diferentes.
El $OPEN de OpenLedger podría estar valorando algo que nadie está observando
Solía pensar que la parte difícil de la adopción de IA era la inteligencia. Mejores modelos. Inferencia más rápida. Cómputo más barato. Toda la conversación en torno al progreso de la IA seguía volviendo a la capacidad como el cuello de botella. Si los sistemas se volvían más inteligentes, todo lo demás seguiría. Esa lógica parecía lo suficientemente clara como para aceptarla sin cuestionarla realmente. Luego empecé a notar algo que no encajaba. Las organizaciones que más agresivamente están desplegando IA no eran las que tenían los modelos más sofisticados. Eran las que habían descubierto algo más silencioso y menos glamoroso. Habían encontrado la manera de explicar qué estaban haciendo sus sistemas de IA cuando algo salía mal.