Sarah Guo, de Conviction: por qué LLM no sustituirá el trabajo que no se puede medir

Sarah Guo, fundadora del fondo de IA Conviction, ha publicado un análisis que reformula la pregunta central sobre IA y trabajo: no "¿reemplazará la IA a las personas?", sino "¿qué exactamente reemplazará la IA — y por qué no todo?"

Dónde los LLM alcanzan su límite

Los modelos de lenguaje aprenden solo donde hay una señal de aprendizaje clara. Una respuesta correcta a un problema de matemáticas, código que pasa pruebas, un diagnóstico que se puede verificar — todo esto puede etiquetarse, evaluarse y, por lo tanto, aprenderse. Pero Guo señala una limitación estructural: una enorme cantidad de trabajo valioso no puede estandarizarse ni medirse con suficiente precisión.

El aprendizaje por refuerzo por definición requiere una función de recompensa — una evaluación de qué tan bueno es el resultado. Si no existe tal evaluación, no hay señal para mejorar. Este no es un problema temporal que la próxima versión de GPT resolverá. Es una limitación arquitectónica inherente a la naturaleza misma de los modelos entrenables.

Qué trabajo permanece para las personas

Guo identifica varias categorías de trabajo que no pueden "convertirse en un conjunto de datos":

• Decisiones bajo incertidumbre — cuando la respuesta correcta es desconocida de antemano, y el resultado se ve años después. Una inversión de capital de riesgo es el ejemplo clásico.
• Construir confianza — entre personas, empresas, inversores. Las relaciones no se digitalizan ni se evalúan en tiempo real.
• Juicio sobre situaciones únicas — sin análogos históricos, sin precedentes. Cada cambio comercial importante es único.
• Interpretar señales implícitas — tono en negociaciones, contexto cultural, expectativas de clientes no expresadas.
• Crear algo nuevo — ideas, categorías de productos, estrategias que no existían antes. El conjunto de datos para esto está vacío por definición.

Característica común: sin etiquetas, sin punto de referencia, sin forma de verificar el resultado con suficiente precisión para el entrenamiento.

Por qué la

Application Layer recibe fondos de capital de riesgo

Esto explica la lógica que guía a fondos como Conviction (~$300 millones bajo gestión) y Mento VC: consistentemente invierten no en creadores de modelos fundamentales, sino en productos construidos sobre ellos. Los modelos fundamentales — GPT-5, Claude, Gemini — se están convirtiendo gradualmente en productos básicos. Compiten entre sí, sus capacidades se igualan, el costo del acceso a calidad de frontera disminuye cada trimestre.

El valor sostenible no se crea en el modelo en sí, sino en el contexto de su aplicación — en lo que los modelos por su naturaleza carecen. La Application Layer acumula precisamente esto: experiencia de dominio, datos de comportamiento acumulados, flujos de trabajo que no pueden copiarse sin conocimiento profundo del dominio, confianza del cliente, y — lo más importante — juicio humano donde la automatización es estructuralmente imposible.

"Hay trabajo que no puede reducirse a un estándar ni medirse.

Si no puedes medirlo, no puedes entrenar un modelo para hacerlo mejor" — en esta tesis de Guo reside la clave para entender qué startups reciben financiamiento de capital de riesgo y cuáles no.

Lo que esto significa

El argumento de Guo proporciona a inversores y fundadores un filtro práctico. Las empresas construidas en tareas medibles — procesamiento de documentos, generación de contenido a partir de plantillas, análisis de datos básicos — enfrentan la máxima presión de los propios modelos y tienen dificultades para explicar una ventaja competitiva sostenible. Aquellos que trabajan en la zona de lo no medible ganan una ventaja estructural que no desaparecerá con la próxima versión de GPT.

Para los inversores, la pregunta es simple: si el valor del producto está completamente determinado por la calidad del modelo base — inversión débil. Si el valor reside en lo que el modelo no puede reproducir en principio — esto es interesante.