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

Sarah Guo, fundadora del fondo de IA Conviction, ha publicado un análisis que replantea la pregunta central sobre la IA y el trabajo: no «si la IA sustituirá a las personas», sino «qué trabajo exactamente sustituirá y por qué no todo».

Dónde los LLM chocan con un techo

Los modelos de lenguaje solo aprenden donde existe una señal de entrenamiento clara. La respuesta correcta a un problema de matemáticas, el código que pasa las pruebas, un diagnóstico verificable: todo eso se puede etiquetar, evaluar y, por tanto, entrenar. Pero Guo señala un límite estructural: una enorme parte del trabajo valioso no se puede estandarizar ni medir con suficiente precisión.

El aprendizaje por refuerzo exige por definición una función de recompensa, una puntuación de lo bueno que es el resultado. Sin esa puntuación, no hay señal de mejora. No es un problema temporal que vaya a resolver la próxima versión de GPT. Es una limitación arquitectónica inherente a la naturaleza de los modelos entrenables.

Qué trabajo queda en manos humanas

Guo identifica varias categorías de trabajo que no se pueden convertir en un dataset:

• Decisiones bajo incertidumbre: la respuesta correcta se desconoce de antemano y el resultado se ve años después. Una inversión de capital riesgo es el ejemplo clásico.
• Construcción de confianza: entre personas, empresas e inversores. Las relaciones no se digitalizan ni se evalúan en tiempo real.
• Juicio sobre situaciones únicas: sin analogías históricas ni precedentes. Cada gran giro empresarial es único.
• Interpretación de señales implícitas: el tono en una negociación, el contexto cultural, las expectativas no expresadas del cliente.
• Creación de algo nuevo: ideas, categorías de producto, estrategias que no existían. El dataset para eso está vacío por definición.

El rasgo común: no hay etiquetado, no hay benchmark, no hay forma de verificar el resultado con la precisión necesaria para entrenar.

Por qué el Application Layer recibe capital riesgo

Esto explica la lógica de fondos como Conviction (~300 millones de dólares bajo gestión) y Mento VC: invierten de forma sistemática no en los creadores de modelos fundacionales, sino en productos construidos sobre ellos.

Los modelos fundacionales (GPT-5, Claude, Gemini) se van convirtiendo en commodity. Compiten entre sí, sus capacidades se igualan y el coste de acceder a la calidad frontier baja cada trimestre. El valor duradero no se crea en el modelo, sino en el contexto de su aplicación, en lo que a los modelos les falta por naturaleza.

El Application Layer acumula justo eso: experiencia sectorial, datos de comportamiento acumulados, workflows imposibles de copiar sin un conocimiento profundo del dominio, confianza de los clientes y, sobre todo, juicio humano allí donde la automatización es estructuralmente imposible.

«Hay trabajo que no se puede reducir a un estándar ni medir.

Si no se puede medir, no se puede entrenar a un modelo para hacerlo mejor». Esta tesis de Guo es la clave para entender qué startups reciben capital riesgo y cuáles no.

Qué significa

El argumento de Guo da a inversores y fundadores un filtro práctico. Las empresas basadas en tareas medibles, como el procesamiento de documentos, la generación de contenido por plantilla o el análisis básico de datos, soportan la máxima presión de los propios modelos y difícilmente pueden justificar una ventaja competitiva duradera. Quienes operan en la zona de lo inmensurable obtienen una ventaja estructural que no desaparecerá con la próxima versión de GPT.

Para los inversores la pregunta es simple: si el valor de un producto depende por completo de la calidad del modelo base, es una inversión débil. Si el valor reside en lo que el modelo no puede reproducir en principio, resulta interesante.