Enrique Dans

He pasado los últimos meses escribiendo sobre lo que considero el problema central de la inteligencia artificial empresarial. No los modelos. No los prompts. No las ventanas de contexto. Ni siquiera los agentes: la arquitectura.

A lo largo de una serie de artículos, he defendido que los grandes modelos de lenguaje nunca fueron diseñados para dirigir empresas. Las empresas operan mediante memoria, contexto, estado, restricciones, permisos, incentivos, workflows y bucles de retroalimentación. Los modelos de lenguaje operan prediciendo el siguiente token.

Ese desajuste explica una cantidad sorprendente de lo que vemos hoy. Explica por qué la adopción de inteligencia artificial empresarial está tan extendida mientras la transformación del negocio sigue siendo esquiva. Explica por qué las organizaciones informan de ganancias de productividad mientras luchan por generar un impacto operativo significativo. Explica por qué tantos despliegues siguen dependiendo de consultores, integradores de sistemas y, cada vez más, de ingenieros desplazados al cliente e integrados dentro de las organizaciones. Explica por qué la inteligencia artificial empresarial parece al mismo tiempo revolucionaria e incompleta.

Tomadas por separado, cada una de estas observaciones resulta interesante. Pero tomadas en conjunto apuntan a algo más grande: sugieren que la inteligencia artificial empresarial se está acercando a una discontinuidad. Y no dentro de mucho tiempo. Pronto.

Mi predicción es sencilla: antes de que termine este año, alguien lanzará un producto que cambiará fundamentalmente la manera en que las empresas entienden la inteligencia artificial. No un chatbot mejor. No un copilot más capaz. No un agente con una ventana de contexto más larga.

Una nueva capa.

Y cuando aparezca, gran parte del panorama actual de la inteligencia artificial empresarial empezará a parecer una fase transitoria.

Internet funcionaba antes de la web

Una de las razones por las que las transiciones tecnológicas son difíciles de reconocer es que la tecnología subyacente suele aparecer años antes que la arquitectura que la vuelve útil.

En 1991, internet ya funcionaba. TCP/IP movía paquetes. El correo electrónico conectaba instituciones. FTP transfería archivos. Universidades y organizaciones técnicamente avanzadas podían utilizar la red de manera eficaz. Pero internet aún no era la web.

El gran avance no fue una red mejor. Fue la aparición de una capa que hizo que la red fuera comprensible, utilizable y construible para organizaciones normales. Las URL, el HTTP, el HTML, los navegadores y los servidores transformaron una infraestructura en una plataforma.

El mismo patrón aparece una y otra vez en la historia del software empresarial. Las bases de datos relacionales se volvieron transformadoras cuando Edgar F. Codd formalizó el modelo relacional. Los ERP surgieron cuando las operaciones empresariales adquirieron una representación común. Los CRM aparecieron cuando las relaciones con los clientes dejaron de ser un conjunto de interacciones dispersas para convertirse en un sistema gestionable.

Las tecnologías subyacentes eran enormemente importantes, pero el avance que definió cada categoría llegó cuando alguien descubrió la abstracción que las organizaba.

Cada vez estoy más convencido de que la inteligencia artificial empresarial se acerca a un momento similar.

Los modelos no son el producto

Esto no significa que los modelos dejen de importar. Todo lo contrario. Los modelos de frontera desarrollados por OpenAI, Anthropic, Google, Meta, xAI y otros mejoran a un ritmo extraordinario. Cada nueva generación amplía la cantidad de inteligencia disponible para las organizaciones.

Pero esa observación conduce a una conclusión distinta de la que suele alcanzar la mayoría.

Cuando una tecnología mejora más rápido de lo que las organizaciones son capaces de absorberla, la atención acaba desplazándose desde la tecnología en sí hacia la arquitectura que la organiza.

Las empresas no compran un ERP porque estén fascinadas por las bases de datos. No compran Salesforce porque admiren SQL. No eligen plataformas cloud porque disfruten pensando en virtualización. La tecnología subyacente sigue siendo esencial, pero gradualmente se convierte en infraestructura. El valor empresarial se desplaza hacia arriba. Sospecho que eso es precisamente lo que está empezando a ocurrir con la inteligencia artificial.

La pregunta más importante está dejando de ser qué modelo es más inteligente y está pasando a ser cómo se organiza, despliega, gobierna, mide y mejora continuamente la inteligencia dentro de la empresa.

El gran avance será más simple de lo que parece

Lo interesante de las grandes abstracciones es que, una vez descubiertas, suelen parecer obvias.

Pensemos en ideas como “todo es un archivo”, “la web es una colección de recursos identificados por URL” o “las operaciones empresariales pueden representarse mediante procesos y transacciones”.

No fueron fáciles de inventar, pero sí fueron fáciles de explicar. Y, una vez explicadas, parecieron inevitables. Mi sospecha es que el próximo gran avance de la inteligencia artificial empresarial tendrá exactamente esa característica: no será sencillo de construir, pero sí de entender.

Las innovaciones más importantes rara vez llegan como una colección de funcionalidades. Llegan como abstracciones que, de repente, convierten un paisaje fragmentado en algo coherente.

La reacción no será: «qué extraordinario». Será más bien: «claro. ¿Cómo iba a funcionar de otra manera?»

Lo que cambia a continuación

Durante los dos últimos años, la conversación sobre inteligencia artificial empresarial ha estado dominada por prompts, copilots, agentes, ventanas de contexto, frameworks de orquestación, arquitecturas de memoria y benchmarks de modelos.

Son conversaciones importantes. Pero cada vez parecen más discusiones sobre componentes que sobre sistemas.

La siguiente capa se centrará en algo distinto:

• Estado persistente en lugar de sesiones
• Representaciones formales en lugar de metáforas
• Gobernanza en lugar de improvisación
• Optimización en lugar de generación
• Resultados en lugar de outputs

Las organizaciones que acaben ganando con la inteligencia artificial no serán necesariamente aquellas con acceso a los modelos más inteligentes: serán las que aprendan a organizar la inteligencia de la manera más eficaz.

Ese cambio ya aparece reflejado en investigaciones recientes de  McKinsey, Deloitte, MIT, Gartner, Microsoft y muchos otros. Con vocabularios distintos y en sectores diferentes, el mismo patrón se repite constantemente: conseguir ganancias aisladas de productividad es relativamente fácil. Transformar el rendimiento de una empresa es mucho más difícil.

Y la diferencia casi siempre se reduce a workflows, sistemas, medición, retroalimentación y arquitectura organizativa. La conversación se está alejando de la inteligencia en sí misma y acercándose a las estructuras que hacen útil esa inteligencia.

Por eso creo que el próximo gran avance no llegará haciendo que la inteligencia artificial sea más parecida a los humanos: llegará haciendo que la inteligencia empresarial sea más estructurada.

La predicción

Las predicciones son peligrosas, especialmente en tecnología. La mayoría merecen envejecer mal.

Pero después de pasar meses estudiando la evolución de la inteligencia artificial empresarial y tratando de explicarla a través de esta serie de ocho artículos, estoy cada vez más convencido de una cosa: antes de que termine este año, emergerá una nueva capa. Una capa que se situará por encima de los modelos en lugar de competir con ellos. Una capa que se beneficiará de cada mejora en la inteligencia subyacente. Una capa que convertirá la inteligencia en parte del tejido operativo de la empresa, en lugar de una herramienta separada a la que los empleados consultan ocasionalmente.

Cuando eso ocurra, muchas de las arquitecturas actuales no parecerán equivocadas. Simplemente parecerán incompletas. Y probablemente nos daremos cuenta de que la pregunta más importante de la inteligencia artificial empresarial nunca fue cómo hacer más inteligentes a los modelos.

Era cómo conseguir que la inteligencia se comportara como software.

(This article was previously published on Fast Company)