// qmetrika_labs · paradigma_de_empresa · documento_de_tesis
Un modelo de empresa donde la unidad de capital no es la hora de trabajo ni el activo físico, sino el token: el cómputo de inferencia que, gobernado y capturado, se acumula como conocimiento propio, defendible y compuesto. Un marco general, aplicable a cualquier vertical profunda donde la especialización convierte el gasto de hoy en el moat de mañana.
// 01 · tesis
El coste marginal de producir un texto, un análisis o una decisión ha caído a casi cero. Cuando el trabajo cognitivo se vuelve barato y abundante, el activo escaso ya no es el trabajo en sí — pasa a ser lo que ese trabajo deja detrás.
Durante dos siglos, una empresa construía capital sobre dos cosas: trabajo (persona-horas) y activos físicos (máquinas, edificios, inventario). El balance medía lo tangible; la cuenta de resultados medía cuánto trabajo se necesitaba para producir ingresos. La IA generativa rompe ese marco en su base: el trabajo cognitivo — escribir, clasificar, razonar, decidir — se produce ahora en tokens, a un coste que tiende a cero y con una oferta prácticamente infinita.
Esto obliga a preguntarse dónde reside el valor. Si cualquiera puede alquilar el mismo modelo fundacional y generar los mismos tokens, el token en bruto no es capital: es una commodity. El capital aparece cuando el token deja de ser efímero — una respuesta que se consume y se olvida — y se convierte en algo que se acumula: una decisión humana capturada, un dato de evaluación, un modelo afinado que mañana hace gratis lo que hoy costaba caro.
Este documento describe esa arquitectura. Su lema fundacional — heredado de QMetrika — es literal, no metafórico: energía que se transforma en conocimiento. En la ciencia de QMetrika, la energía libre (ΔG) de una molécula de RNA se perfila para extraer conocimiento biológico. En la empresa, la energía computacional (tokens) se gasta para extraer conocimiento organizacional. Es la misma ecuación en dos capas — y esa coincidencia no es un juego de palabras, es el eje de todo el modelo.
// 02 · dos_clases_de_tokens
El primer error contable de la empresa-IA es tratar todos los tokens como el mismo insumo. Hay dos clases, con economías opuestas — y la salud de la empresa se mide por el ratio entre ellas.
De un modelo frontera de terceros (Opus, GPT-4o, Gemini). Potente pero caro, y no es tuyo: lo alquilas por llamada. OPEX puro — cada uso desaparece del balance en el momento en que se consume.
Su papel correcto: hacer el trabajo duro de arranque, el razonamiento que aún no has aprendido a destilar. Necesario, pero es coste, no activo.
De un modelo ejecutándose en tu propio hardware (Ollama/MLX, una NPU/iGPU, un nodo Linux) — a coste marginal ≈ cero una vez amortizado. Es la contrapartida CAPEX: inversión inicial que produce tokens casi gratis para siempre.
Su papel: absorber todo el trabajo rutinario y especializado que ya sabes hacer. Cada tarea que migra de Class A a Class B es margen liberado.
| Dimensión | Token fundacional (alquilado) | Token local (propio) |
|---|---|---|
| Coste marginal | Alto · por millón de tokens, en € | ≈ 0 tras amortizar hardware |
| Naturaleza contable | OPEX — se consume y desaparece | CAPEX amortizado — rinde a perpetuidad |
| Propiedad | No es tuyo; dependes de un proveedor | Tuyo; funciona offline, sin cuota, sin fuga de datos |
| Uso óptimo | Razonamiento difícil, arranque, casos nuevos | Rutina, alto volumen, tareas ya destiladas |
| Autonomía | Sujeto a límites de tasa, precios y políticas del proveedor | Total — más local, más soberanía |
| Datos sensibles | Salen de tu perímetro (RGPD, PI) | Nunca salen de tu infraestructura |
La empresa Capital Q no optimiza para "gastar menos en IA." Optimiza un solo ratio: proporción de trabajo servido por tokens locales frente a tokens fundacionales. Cuanto más se desplaza hacia local, mayor la autonomía, menor el coste y — esto es lo clave — más conocimiento propio acumulado. El objetivo no es apagar los tokens caros: es convertir su producción en capacidad local antes de que el gasto se evapore.
Esta distinción ya está operativa en el Agent Board de QMetrika. Su límite de trabajo en curso (WIP) no se mide en número de agentes, sino en coste, y multidimensionalmente: { agentes, € total, € en modelos fundacionales }. Un agente ejecutando un modelo local entra casi sin restricción; uno usando Opus consume del presupuesto fundacional y, cuando se agota, cae a un carril dedicado — ⚡ No budget — donde puedes ver por qué fue limitado. El coste no es una nota al pie: es la física del sistema.
// 03 · capital_duradero
Si el token en bruto es una commodity, ¿dónde se acumula el capital? En tres depósitos que se llenan como subproducto del trabajo diario — pero solo si la empresa está construida para capturarlos. Sin captura, el mismo trabajo genera cero capital.
Cada vez que un humano aprueba o deniega la acción de un agente en el gate de gobernanza, produce una etiqueta: una decisión etiquetada sobre qué era correcto. Ese juicio es el insumo más caro de la IA — y aquí se genera gratis, como residuo del trabajo.
→ Preferencias para fine-tuning. Reglas para endurecer. Intuición experta, convertida en datos.
Cada llamada a herramienta y cada decisión se registra en un libro de registro encadenado por hash: inmutable, verificable, imposible de alterar sin romper la cadena. No es solo cumplimiento normativo — es un dataset limpio y trazable de todo lo que la organización ha hecho.
→ Base para evaluaciones, reproducibilidad, defensa regulatoria y confianza demostrable.
Con juicio y auditoría acumulados, se afinan modelos locales que internalizan el trabajo especializado. Cada ciclo desplaza carga de Class A a Class B. El conocimiento deja de vivir en un proveedor externo y se mueve a pesos que son tuyos.
→ Capacidad propietaria, componible, que reduce coste y aumenta autonomía simultáneamente.
Esta es la inversión conceptual que define el paradigma. En la vieja economía de la IA, el activo era el modelo. En Capital Q, el modelo es reemplazable y el activo es el sustrato que lo entrena y lo evalúa: el registro acumulado de decisiones humanas correctas en tu dominio específico. Un mejor modelo fundacional solo hace que tu capital rinda más, porque parte de mejor materia prima. Nunca te descapitaliza.
// 04 · balance
Si esto es capital, necesita un libro de registro. En QMetrika, ese libro no es una hoja de cálculo separada — es el mismo tablero operativo leído a través de una lente diferente. Un sistema, dos vistas: el Agent Board gobierna la acción; el Capital Board lee esa misma acción como capital que se acumula.
Kanban en vivo: cada agente es una tarjeta que avanza por columnas. Ves qué toca cada uno, su modelo, sus tokens y su coste en tiempo real. Las acciones con efectos secundarios no se ejecutan solas: aterrizan en Needs Input y esperan aprobación humana con un token de operador.
La decisión sobre qué está permitido es código — política determinista allow/ask/deny — no juicio del modelo. El control vive en la herramienta, no en el prompt.
El mismo sustrato — auditoría, libro de costes, aprobaciones — leído como capital que se acumula. Coste por proveedor (fundacional vs local). Decisiones por resultado del gate. Uso de tokens local vs fundacional. Y en la parte superior, capital capturado por semana: etiquetas de juicio humano + entradas de auditoría para evaluaciones.
Donde la vista operativa pregunta "¿qué está pasando ahora?", la vista de acumulación pregunta "¿cuánto foso he construido esta semana?".
// 05 · espiral_de_acumulación
El motor de la empresa es un ciclo Design–Build–Test–Learn (DBTL). Cada vuelta convierte el gasto fundacional de hoy en capacidad local de mañana, dejando un depósito de capital más lleno. La espiral gana impulso: cada vuelta cuesta menos y rinde más.
Un negocio de servicios normal gasta lo mismo en la tarea 1.000 que en la tarea 1. La empresa Capital Q no: la tarea 1.000 se ejecuta casi gratis en local porque las 999 anteriores dejaron el juicio para afinarla. El coste marginal decae mientras el foso crece — las dos curvas van en direcciones opuestas, y esa tijera es el modelo de negocio.
La pata Learn no es una metáfora: es un pipeline concreto que convierte los Depósitos 1 y 2 (juicio humano capturado + auditoría verificable) en Depósito 3 (modelos locales afinados). La trazabilidad no es un requisito separado del fine-tuning — es lo que hace que el dataset de fine-tuning sea fiable.
Los datos emitidos por el gate ya tienen la forma de un ejemplo de entrenamiento — contexto → acción propuesta → veredicto — así que no hay que fabricar etiquetas: la operación las produce como residuo. Esos datos se explotan de tres formas:
Los pares (contexto → acción aprobada) se convierten en el comportamiento "gold": el modelo local aprende a proponer lo que el humano habría aprobado. El enfoque más simple — ideal al arrancar.
KTO encaja casi perfectamente: funciona con señal binaria suelta — aprobar / denegar — que es literalmente lo que el gate emite. DPO usa pares aprobado-vs-denegado cuando se tienen.
Se agregan decisiones para entrenar un modelo que puntúe acciones futuras. Se convierte en un pre-filtro: eleva el listón de lo que el gate deja pasar sin preguntar.
La cadena de hash da al pipeline cuatro cosas que un setup de fine-tuning normal no tiene: procedencia (prueba de que cada etiqueta vino de una decisión humana real), inmutabilidad (nadie envenena el conjunto silenciosamente), linaje (puedes reconstruir qué decisiones entrenaron qué versión del modelo — lo que el AI Act de la UE y los dossiers SaMD exigen), y deduplicación por hash (sabes qué decisiones se han "gastado" en ciclos de entrenamiento previos).
A medida que el modelo local mejora, menos casos llegan al gate — y se generan menos etiquetas nuevas. El ciclo puede asfixiarse a sí mismo. La cura es active learning: enviar deliberadamente una fracción de casos a revisión humana, para mantener vivo el flujo de juicio y detectar deriva. La captura nunca debe caer a cero por completo.
// 06 · principios_operativos
Ocho reglas que distinguen a una empresa Capital Q de una que simplemente "usa IA." No son aspiraciones — son decisiones arquitectónicas que o se toman al construir, o no se toman.
Trata cada gasto fundacional como una inversión que debe dejar un depósito lleno (etiqueta, evaluación, modelo). Si un token se consume sin capturar nada, fue puro coste.
El ratio de trabajo local frente a fundacional es la métrica de salud. Cada vuelta de la espiral debe desplazarlo hacia local. Más local = más margen, más autonomía.
La decisión sobre qué se ejecuta es código determinista en el gate, no juicio del LLM. El efecto es inalcanzable sin cruzar el gate, independientemente de qué modelo lo invoque.
Cada aprobación es un dato de oro. Diseña para que el juicio experto se registre, etiquete y sea reutilizable. La etiqueta es el insumo más caro de la IA; aquí es un subproducto del trabajo.
Cadena verificable de todo lo que hacen los agentes. No es solo cumplimiento: es el dataset de evaluación y la confianza demostrable que ningún genérico puede alquilar.
La profundidad en una vertical es donde el capital se compone. Un agente excelente en un caso específico supera a uno mediocre que lo intenta todo. Ensanchar solo cuando la profundidad da retornos.
Los modelos caducan; el juicio capturado y las evaluaciones de tu dominio no. Un mejor modelo fundacional solo hace que tu capital rinda más — nunca te descapitaliza.
El Canvas antes del código. La ambigüedad sobre para quién es el agente y qué autonomía tiene se paga en tokens quemados. Resuélvela primero, en papel, donde es barato.
Una empresa Capital Q es una máquina para convertir cómputo en conocimiento propio, gobernada para que cada acción deje capital detrás, afilada en una vertical donde ese capital se vuelve defendible.
En QMetrika, esa vertical es la termodinámica del RNA — pero el modelo es general. Energía que se transforma en conocimiento, en dos capas, componiéndose vuelta tras vuelta.
El token no es un coste a minimizar. Es la materia prima de un nuevo tipo de capital — uno que se compone cuando se gobierna y se evapora cuando no.