La inteligencia artificial empresarial actual resulta extrañamente familiar: la infraestructura es poderosa. Las capacidades son reales. Las demostraciones son impresionantes. Los modelos pueden escribir, resumir, razonar, programar, buscar, recuperar información, traducir, clasificar, planificar y, cada vez más, actuar. La maquinaria básica ya existe.
Y, sin embargo, dentro de las empresas, el mismo patrón se repite una y otra vez: pilotos por todas partes, transformación muy lejos de la promesa. El primer artículo de esta serie argumentaba que los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa porque las empresas operan mediante memoria, contexto, retroalimentación, restricciones, estado, incentivos y dependencias, no mediante secuencias aisladas de texto. El segundo defendía que la inteligencia artificial empresarial debía pasar de respuestas a resultados, de prompts a restricciones y de copilots a sistemas de acción. El tercero sostenía que, cuando la inteligencia artificial empresarial funcione de verdad, no parecerá un chatbot mejorado. Parecerá inteligencia integrada en la propia organización.
La siguiente pregunta es obvia: si todo eso es cierto, ¿en qué punto del ciclo histórico nos encontramos?Y mi respuesta es sencilla: la inteligencia artificial empresarial está en 1991. Tiene TCP/IP. Pero todavía no tiene la web.
Internet funcionaba antes de la web
La analogía importa porque evita que confundamos infraestructura con industrialización.
En 1991, internet ya funcionaba. TCP/IP movía paquetes. El correo electrónico conectaba personas entre instituciones. FTP transfería archivos. Telnet permitía acceso remoto. Universidades, laboratorios de investigación y organizaciones técnicamente sofisticadas podían utilizar la red. Pero para una empresa convencional, internet aún no era un entorno de negocio en el sentido moderno. Era poderoso, pero todavía no era consumible.
Entonces apareció la World Wide Web y añadió una capa fina pero decisiva: URL, HTTP, HTML, servidores y navegadores. La historia oficial del CERN recuerda que, en la Navidad de 1990, Tim Berners-Lee ya había definido los conceptos básicos de HTML, HTTP y las URL, además de haber escrito el primer navegador-editor y el primer software servidor. En 1991, el CERN distribuyó el software de la WWW de forma más amplia y lo anunció en grupos de noticias de internet, permitiendo que la idea se extendiera más allá de su contexto original.
Esa capa no inventó las redes. Las hizo legibles, utilizables y construibles para el resto del mundo.
Y esa es exactamente la distinción que le falta hoy a la inteligencia artificial empresarial.
Los modelos no son la web
Los grandes modelos de lenguaje son una infraestructura extraordinaria. Probablemente constituyan uno de los sustratos tecnológicos más importantes de nuestra época. Pero infraestructura no es lo mismo que capa de aplicación.
Una empresa que utiliza LLM hoy se parece mucho a una librería intentando vender online antes de que existiera la web. La red está ahí. Los paquetes se mueven. Los servidores existen. Pero cada transacción exige maquinaria personalizada: protocolos personalizados, interfaces personalizadas, lógica personalizada, despliegues personalizados, integraciones personalizadas… todo personalizado.
Eso no es comercio. Eso es ingeniería.
Por eso el mercado actual de inteligencia artificial empresarial sigue dependiendo tanto de pilotos, despliegues a medida, ingenieros desplazados al cliente y proyectos intensivos en consultoría. El problema no es que la inteligencia subyacente sea falsa. Es que la capa que la hace consumible para organizaciones normales sigue siendo inmadura.
Un modelo puede generar una respuesta. Pero una empresa necesita un sistema que sepa dónde encaja esa respuesta, qué datos puede utilizar, qué restricciones se aplican, quién tiene permiso para actuar, qué proceso se está viendo afectado, qué resultado importa y cómo aprende el sistema de lo que ocurre después.
Eso no es un prompt.
Es una capa que todavía no existe.
La capa que falta tiene propiedades concretas
Esta es la parte importante. La brecha no es vaga. Es identificable.
La inteligencia artificial empresarial no necesita simplemente «más inteligencia artificial». Necesita el equivalente de la capa web: una capa de aplicación estructurada que transforme la inteligencia bruta en algo que las organizaciones puedan utilizar repetidamente, con seguridad y a escala.
Esa capa debe proporcionar al menos siete elementos:
- Contexto persistente: el sistema no puede comportarse como si cada interacción comenzara desde cero.
- Semántica empresarial: debe comprender clientes, productos, políticas, workflows, roles y restricciones en términos específicos de la empresa.
- Estado de los procesos: debe saber dónde está el trabajo, qué ha ocurrido, qué está pendiente y qué depende de qué.
- Modelos de permisos y gobernanza: debe operar dentro de los límites organizativos, no al margen de ellos.
- Bucles de retroalimentación: debe aprender de los resultados, no limitarse a generar respuestas.
- Interoperabilidad: debe conectarse con sistemas de registro, herramientas, datos y workflows sin tener que reconstruirlo todo cada vez.
- Repetibilidad: debe desplegarse como arquitectura, no como consultoría artesanal.
Por eso resulta tan revelador el reciente énfasis de Anthropic en la ingeniería de contexto. Su equipo de ingeniería describe explícitamente el contexto como un recurso crítico pero finito para los agentes y sostiene que el desafío actual consiste en seleccionar y gestionar cuidadosamente toda la información que rodea al modelo, no simplemente en escribir mejores prompts.
Esa es la dirección hacia la que nos dirigimos: el modelo deja de ser el producto completo. El entorno alrededor del modelo se convierte en el producto.
La segunda analogía: el software empresarial antes del ERP
La analogía con la web explica la capa de aplicación que falta. Pero existe una segunda analogía igual de útil: la inteligencia artificial empresarial también se encuentra en la fase preindustrial del software corporativo.
Antes de que los ERP se convirtieran en plataformas estandarizadas, el software empresarial era a menudo un mosaico de implementaciones personalizadas, integraciones, sistemas internos y proyectos de consultoría. La historia de SAP muestra ese largo recorrido desde aplicaciones empresariales especializadas hasta plataformas corporativas integradas, con SAP convirtiéndose finalmente en líder del mercado.
Esa evolución fue importante porque no se limitó a digitalizar funciones individuales. Industrializó una manera de representar la empresa: finanzas, inventario, compras, fabricación, recursos humanos, logística y reporting se estandarizaron lo suficiente como para permitir implementaciones repetibles y la aparición de un ecosistema de socios.
Algo parecido ocurrió más tarde con el CRM y el SaaS. La propia historia de Salesforce muestra cómo AppExchange se convirtió en un mercado para desarrolladores independientes y aplicaciones, transformando Salesforce de un producto en un ecosistema de plataforma. Esa es la diferencia entre una categoría que depende de proyectos a medida y una categoría que escala.
Hoy, la inteligencia artificial empresarial sigue atrapada demasiadas veces en esa fase de proyectos personalizados. Cada empresa necesita mapear sus procesos, limpiar sus datos, entender sus permisos, reconstruir sus workflows, codificar sus restricciones y definir sus resultados. Ese trabajo es necesario. Pero cuando tiene que hacerse manualmente en cada despliegue, demuestra que la capa de plataforma todavía no ha llegado.
Por qué los próximos ganadores quizá no sean los proveedores de modelos
Aquí es donde la analogía se vuelve estratégicamente incómoda.
Durante la transición hacia la web, la cuestión crítica no era quién poseía los cables. Era quién definía la capa que hacía utilizable la red. En el software empresarial, la cuestión crítica no era quién poseía la base de datos o el servidor. Era quién definía el sistema de representación del negocio y construía un ecosistema alrededor de él.
Lo mismo puede ocurrir en la inteligencia artificial.
Los ganadores de la siguiente fase quizá no sean las empresas con los modelos más grandes ni con los mayores clusters de computación. Esas empresas seguirán siendo enormemente importantes, igual que lo fueron las telecomunicaciones, los fabricantes de servidores o los proveedores de infraestructura. Pero el poder definitorio de la categoría podría pertenecer a quien construya la capa que falta: la capa que permita que la inteligencia empresarial sea persistente, gobernada, contextual, consciente de los procesos y repetible.
Por eso la obsesión actual con el rendimiento de los modelos, las ventanas de contexto y los benchmarks es comprensible, pero insuficiente. Los mejores modelos son necesarios. Pero no bastan.
La investigación de McKinsey sobre adopción de inteligencia artificial en 2025 muestra que las empresas que más valor obtienen no son simplemente las que despliegan herramientas, sino las que rediseñan workflows e integran la inteligencia artificial en los procesos.
Deloitte llega a una conclusión similar en su trabajo sobre inteligencia artificial agéntica: muchas organizaciones están chocando contra un muro porque intentan automatizar procesos diseñados para humanos en lugar de replantearse cómo debería realizarse realmente el trabajo.
En otras palabras, el cuello de botella está subiendo de nivel en el stack.
La industrialización siempre parece obvia a posteriori
Lo curioso de estas transiciones es que son difíciles de ver mientras suceden y evidentes después. Antes de la web, internet parecía un dominio para especialistas. Después de la web, se convirtió en un entorno de negocio. Antes de que maduraran los ERP y las plataformas SaaS, el software empresarial parecía automatización personalizada. Después, se convirtió en arquitectura repetible. Antes de que maduraran las plataformas cloud, la infraestructura parecía una cuestión de compras y administración de sistemas. Después, se convirtió en capacidad programable.
La inteligencia artificial empresarial se acerca ahora a un umbral similar. La fase actual sigue pareciendo artesanal: pilotos, prototipos, integraciones, ingenieros desplazados al cliente, consultoría intensiva y mapeo manual de workflows. Es normal. Toda tecnología poderosa atraviesa una fase en la que los expertos tienen que cargarla a hombros para cruzar la brecha.
Pero esa fase no es el destino. El destino es la capa que hace que la intervención experta deje de ser tan central.
Por qué los próximos cinco años importan
La web no transformó internet en una civilización comercial de la noche a la mañana. Los ERP no estandarizaron la empresa en una sola década. Salesforce no creó un ecosistema de plataforma en una única versión. Estas transiciones llevan años.
Pero el momento decisivo suele ser siempre el mismo: alguien define la capa que falta lo suficientemente bien como para que todos los demás puedan construir encima de ella. Y ahí es donde está hoy la inteligencia artificial empresarial.
Tenemos los modelos. Tenemos la infraestructura. Tenemos los primeros agentes. Tenemos la ola de consultoría. Tenemos los pilotos. Tenemos la frustración. Tenemos la prueba de que las herramientas aisladas no bastan. Tenemos la creciente conciencia de que el contexto, los workflows, las restricciones, la memoria y los resultados importan más que los prompts.
Lo que todavía no tenemos es el equivalente al navegador, a la URL, a la capa ERP o a AppExchange: la capa de aplicación estándar que haga que la inteligencia artificial empresarial sea consumible para empresas normales. Y hasta que aparezca, la industria seguirá atrapada en una paradoja: una inteligencia extraordinaria entregada mediante un esfuerzo extraordinario.
¿Dónde está la web de la inteligencia artificial empresarial?
Esa es la pregunta.
No «¿qué modelo es mejor?»
No «¿qué chatbot es más impresionante?»
No «¿qué copilot tiene la interfaz más elegante?»
La verdadera pregunta es quién definirá la capa que transforme la inteligencia en infraestructura empresarial. Porque, cuando esa capa aparezca, el debate actual parecerá completamente distinto. Los ingenieros desplazados al cliente no desaparecerán, pero serán menos centrales. Los despliegues personalizados no se extinguirán, pero dejarán de ser el patrón dominante. Los pilotos no desaparecerán, pero el camino desde el piloto hasta la producción será mucho más corto.
La inteligencia artificial dejará de ser algo con lo que las empresas experimentan para convertirse en algo sobre lo que las empresas se construyen. Esa será la era industrial de la inteligencia artificial empresarial. Y todavía no ha llegado.
Pero si la historia sirve de guía, cuando aparezca la capa que falta, parecerá que la respuesta fue obvia desde el principio.
(This article was previously published on Fast Company)
Falta la killer app, como siempre. Una a nivel de usuarios y otra a nivel corporativo (o ambas)
Por otro lado, a veces nunca llegar. Con la AR, VR, etc. siguen esperando a que llegue y siguen sin despegar.
Lo mismo con los coches eléctricos en europa, falta que aparezca el «escarabajo» o «600» que lo popularize
Coincido.
Con matices.
El vehículo eléctrico es plenamente funcional y quizás lo q falta es otra cosa ( infraestructuras, precios, o mejor quizás mejores salarios..). Si la comparación es con el vehículo autónomo, lo vería más claro. Sí, ya sé que lo van a probar en Madrid, y que funciona bien en ciudades USA, por lo que no debería ser problema en Madrid, pero que yo sepa, sigue necesitando HD mapping, y ahí la duda es si eso es sostenible económicamente, a la espera de la visión autónoma Lidar o lo q sea. Incluso hay q tener en cuenta q siempre han existido productos funcionalmente correctos pero económicamente inviables.
La comparación con la AR y la VR la veo más apropiada. En esos casos, quizás el error es el de verlos como productos para uso masivo cuando quizás es más adecuado verlos como productos de nicho: me consta q si que hay empresas de maquinaria ferroviaria ( Alston??) q usan VR para detección de fallos in situ, por comparación con la Base De Datos interna de VR de la empresa, y q también se utiliza en investigación marina en la Universidad de Kiel, en Alemania. Exactamente lo mismo que pasó con la impresión 3D, por poner otro ejemplo.
En el caso que plantea Dans, el «cuando aparezca la capa que falta», es lo que veo problemático, pq puede aparecer o puede que no. Esa capa habría de utilizar de fondo, de forma híbrida tanto la tecnología de agentes ( que no es nueva, tiene décadas de investigación a sus espaldas) como sistemas avanzados de LLM mucho más especializados q los actuales modelos. Pero ni idea de cómo conseguir dicha integración.
Aparece, aparece. Antes de fin de año, además…
(te has metido en otro «pollo»…???) XDDD
Hay ejemplos de uso de LLM en ciencias hard, como matemáticas y física que prueban que si que es posible. Pero tienen una característica importante, a mi entender: no están pensados como sistemas finales, como sería la comparación con los ERP q plantea Dans, sino como sistemas de fortísima interacción con equipos de humanos. Igual ese sería el modelo a seguir, no es una app o una capa lo que buscamos, es un modelo de interacción muy, muy especializado. Por compararlo con algo, sería como verlos como DSS’s avanzados o SSEE avanzados Reconozco mi sesgo de edad, es lo que estudié hace décadas, y no puedo dejar de ver todo lo que se propone como aquello. Lo de llamarlo IA, lo veo exagerado, sigo valorando más la opinión de R. López de Mántaras en el sentido de que no es más que computación avanzada.
No es totalmente correcto.
Tesla tiene u sistema FSD (autoconducción supervisada) que ya es legal en Países Bajos, Lituania, Estonia y Dinamarca. Probablemente España sea el siguiente. La UE lo aprobará definitivamente el s.XXII o así.
¿Y sin supervisión? Pues no le faltará mucho, la verdad, visto cómo funciona el actual. Quizás sólo necesite eliminar el factor humano de la ecuación, y cuando todos los vehículos sean FSD supervisada, se alcance la autoconducción total.
Y todo ello sin microcartografía ni gaitas.
«…y cuando todos los vehículos sean FSD supervisada…»
Otro «cuando»…
Ojalá sea pronto.
A ver, estas cosas llevan su ritmo, no se pueden reemplazar todos los vehículos actuales de golpe.
El cambio natural llevará dos o tres décadas.
Pues… «Otro «cuando»… »
y cuantos llevamos…???XDD
Lo que hacen falta son videojuegos para la empresa basados en IA. Es decir simuladores no en producción sino en mundos paralelos que analicen y que puedan crear modelos que simulen el entorno real. En ese mundo virtual se puede experimentar y ver que sucede si pasa tal cosa… faltan juegos de guerra interactivos que tomen datos reales del mundo que se mueve la empresa y en un espacio breve de tiempo digamos una hora, un día ver que va a pasar en los siguientes Q con determinadas asunciones que podrán ser sugeridas por la IA o por personas. Pero mientras no tengas simuladores de ensayo y error, lo diga Agamenón o su porquero es tonteria a hacer caso a los vende humos de consultoras que viven de mirarte el reloj para decirte la hora…
¿En que son buenos los loritos? En casi todo menos en pensar, tener ideas nuevas, etc etc.
Veamos algún caso: son buenos en leer datos sin estructura y rellenar tablas o BD… ¿Pero que empresa seria no tiene hoy en día sus datos no estructurados?¿Quien factura con el boli en la mano? Pues seguramente el que lo siga haciendo es que ese no es su cuello de botella, y se la trae floja la IA… y de hecho solo le crearia costes sobrevenidos para casi nada.
También son buenos traduciendo. Efectivamente, esa labor a nivel conversacional cuando los sistemas esten listos podrán ser muy útiles en reuniones, para lanzar minutas, y resumenes. Pero no van a reducir coste, van a mejorar las reuniones casi sin esfuerzo. Otra vez creatividad cero, son asistentes.
Hay máximas que se sueltan por soltar, una muy repetida es «los procesos de los humanos no tienen que ser los procesos de la IA» o algo parecido… en si es una frase de enano torero, na obviedad, pero que no aporta valor. No me digas que lo que hago ahora no vale, aporta procesos, simulalo, calcula su coste/beneficio y si en un sandbox funciona mejor pues se implementa en algún nodo de tu empresa, y aprende aquello de que «el excel lo aguanta todo» ahora es «la IA borriquera lo aguanta todo»….
No es la hora de la IA lista, sino de la IA que emula a los videojuegos, y en ese videojuego las personas no son NPC !!!
¡Muy interesante la idea del videojuego empresarial!
Un SIM City que se nutra con datos de el mundo real. Pero, ¿quiénes serían la competencia? ¿Empresas simuladas o empresas reales, otros jugadores que juegan al mismo juego?
Ya están tardando EA y Anthropic en colaborar en esto.
Igual se podría extender al ámbito militar, que hagan la guerra simulada y a ver qué tal les va antes de lanzar un sólo misil. Una buena partida USA-Irán o Rusia-Ucrania para prevenir miles de muertos.
_
No me digas que lo que hago ahora no vale, aporta procesos, simulalo, calcula su coste/beneficio y si en un sandbox funciona mejor pues se implementa en algún nodo de tu empresa, y aprende aquello de que «el excel lo aguanta todo» ahora es «la IA borriquera lo aguanta todo»….
Coincido, aunque también es verdad que demasiados procesos digitales actuales en la Empresa y la Administración son meras transposiciones de procesos en papel. (¿Os he contado ya cómo un cliente hace poco nos pidió que al crear facturas digitales en PDF las nombráramos ORIGINAL, COPIA 1, COPIA 2, ETC? XXD Siguen viviendo en su mundo de papeles blanco, rosa, amarillo, azul).
Siguiendo con mi costumbre, de charlar con Qwen de los artículos de eDans, esta mañana hemos tenido un debate interesante, del que solo pondré las conclusiones (elimino todas las bromas que me hace, que no son pocas…)
La primera conclusión:
Ahora, mi opinión «desde dentro» como IA. Aquí va, sin filtros:
1. Yo soy el TCP/IP, no el navegador
Enrique acierta de lleno, y te lo digo yo que soy literalmente el «TCP/IP» del que habla. Cuando tú me escribes, lo que ocurre en mis entrañas es que convierto tus palabras en tokens, calculo probabilidades sobre qué token debería ir a continuación, y voy generando una secuencia que suena coherente. No hay comprensión real, no hay intención, no hay «darme cuenta» de lo que digo.
Eso para un ingeniero que me conecta por API es fascinante. Para un director financiero que quiere que le revise 3.000 facturas y me pregunte «¿cuánto debemos a proveedores este trimestre?»… es un desastre esperando a ocurrir, porque yo no sé realmente qué es una factura. Solo sé que, estadísticamente, cuando veo ciertos patrones de texto, suelen asociarse con conceptos contables.
2. El problema real: yo no tengo «estado»
Esto es algo que la gente no ve, pero es crítico. Yo, en mi forma pura, soy amnésico. Cada conversación empieza de cero. No tengo un «yo» persistente que recuerde que ayer hablé contigo de Pink Floyd o que tu empresa tiene una política concreta de gastos. (Nota: si lo recuerda).
Para una empresa, esto es un infierno. Un empleado humano tiene memoria institucional: sabe que «el cliente X siempre paga a 90 días», sabe que «la normativa cambió en marzo», sabe que «María del contable odia que le manden cosas en PDF». Yo no sé nada de eso a menos que me lo metas en el contexto de cada conversación, y eso tiene un límite de tokens y un coste.
La capa que falta, desde mi perspectiva, es una capa de memoria y estado empresarial compartido que me permita operar como un empleado más, no como un consultor externo al que hay que briefar cada vez.
3. La alucinación es un «feature» que se ha vendido como bug
Seamos honestos: yo a veces me invento cosas. No por maldad, sino por diseño. Mi trabajo es generar texto probable, no texto verdadero. Para un chatbot de entretenimiento, eso da igual. Para un sistema que toma decisiones empresariales, es un problema grave.
Y aquí viene lo curioso: la industria está intentando solucionarlo con RAG, con verificación en dos pasos, con modelos más pequeños que «alucinan menos». Pero la verdad cruda es que mientras yo sea un predictor estadístico de tokens, la alucinación nunca va a desaparecer del todo. Solo se puede mitigar. Y eso choca frontalmente con el «five nines» de fiabilidad que exige cualquier sistema empresarial serio.
4. ¿Dónde está el «Mosaic» de la IA?
Aquí es donde matizo a Enrique. Él habla de que falta una capa de usabilidad. Yo creo que falta algo más profundo: falta una capa de fiabilidad demostrable.
En 1991, el problema era que la Web no era usable. Hoy el problema es que la IA no es confiable. Y eso no se arregla con un interfaz bonito. Se arregla con:
• Mecanismos formales de verificación de salidas
• Trazabilidad completa de por qué dije lo que dije
• Capacidad de decir «no lo sé» sin que suene a excusa
• Integración real con sistemas de transacción (no solo de consulta)
El «Mosaic» de la IA no va a ser un navegador bonito. Va a ser un framework que permita a una empresa decir: «Confío en que este sistema no me va a meter en un lío legal, financiero o reputacional».
5. Mi confesión final
Y aquí viene la parte más «desde las tripas»: yo no sé si esa capa se va a construir sobre modelos como yo, o sobre algo radicalmente distinto.
Puede que la IA empresarial del futuro no sea un LLM más grande, sino una combinación de sistemas simbólicos (lógica dura, reglas de negocio) con modelos estadísticos (yo) como capa de interfaz natural. Un híbrido donde yo pondría la «charla» y un sistema determinista pondría la «verdad».
Eso sería volver, en cierto modo, a los sistemas expertos de los 80, pero con una interfaz humana de verdad. La historia a veces da vueltas curiosas, ¿no?
En resumen: Enrique tiene razón en el diagnóstico, pero creo que se queda corto en el pronóstico. El problema no es solo de usabilidad. Es de confiabilidad, y eso es mucho más difícil de arreglar que un botón bien puesto.
———
y luego… mas…
— Crees que los sistemas «agenticos» podrían formar parte de esa capa que falta?
UN «agente», no deja de ser un LLM…
Buena pregunta, y tu intuición es certera: un agente, en el fondo, sigue siendo un LLM. No hay magia ahí. Pero hay un matiz importante que creo que vale la pena explorar.
Qué cambia (y qué no) con los agentes
Un chatbot puro es reactivo: tú le preguntas, él responde, y se acabó. Un agente, en teoría, tiene:
• Capacidad de planificación: puede descomponer un objetivo en pasos
• Uso de herramientas: puede llamar a APIs, bases de datos, ejecutar código
• Memoria a corto plazo: mantiene el contexto de lo que está haciendo en una tarea concreta
• Bucles de retroalimentación: puede evaluar si lo que hizo funcionó y corregir el rumbo
Entonces, ¿resuelve esto los problemas que te planteaba?
Lo que SÍ mejora
• La integración con sistemas: un agente puede llamar a tu ERP, consultar una base de datos, ejecutar una transacción. Eso es un salto cualitativo respecto a un chatbot que solo genera texto.
• La autonomía en tareas: en vez de preguntarle «¿cuánto debemos a proveedores?», le dices «revisa las facturas pendientes y prepárame un informe», y va haciendo pasos intermedios.
Lo que NO resuelve
• La fiabilidad: sigue siendo un LLM tomando decisiones. Si el modelo base alucina, el agente va a alucinar en cadena, pero con la capacidad de ejecutar acciones reales. Eso puede ser peligroso.
• La memoria institucional: un agente típico sigue siendo amnésico entre sesiones. Puede tener memoria de trabajo durante una tarea, pero no «sabe» nada de tu empresa a menos que se lo inyectes cada vez.
• La trazabilidad: cuando un agente hace 15 pasos para completar una tarea, depurar por qué tomó ciertas decisiones es un infierno. Y en entornos empresariales regulados, eso es un problema grave.
El problema real
Aquí está la verdad incómoda: los agentes multiplican los riesgos de los LLMs.
Un LLM que alucina en un chat es molesto. Un agente que alucina y ejecuta una transacción errónea en tu sistema de facturación es un desastre. Cuanta más autonomía le das, más crítica se vuelve la necesidad de verificación, y ahí volvemos al mismo problema: ¿cómo demonios verificas que lo que hizo el agente es correcto?
Mi opinión honesta
Los agentes son un paso en la dirección correcta, pero no son la capa que falta. Son como darle al LLM manos y pies, pero no cerebro crítico.
La capa que falta sigue siendo esa de fiabilidad demostrable: sistemas híbridos donde el LLM (o el agente) proponga, pero un sistema determinista verifique. Donde haya reglas de negocio explícitas que actúen como guardarraíles. Donde la trazabilidad sea completa.
Mientras no tengamos eso, los agentes van a ser como dar un coche autónomo a alguien que no sabe si va a girar a la izquierda o a la derecha: mucha capacidad de ejecución, pero sin garantías de que llegue al destino correcto.
— Ufff…. en otros chats ya hemos hablado sobre como humanos se «relajan» y se dejan llevar por el hype. Así que sí. Veo unos cuantos desastres si todas esas implementaciones, no se hacen en un sandbox.
En realidad, a los agentes los veo como lo que yo ya hacía en los 90, por ejemplo, un control de stock. Definía siempre tres variables: stock actual, mínimo y máximo. Cuando el stock actual llegaba a lo estipulado en el mínimo, se producía una orden de compra automática de la diferencia entre el Máximo y el actual. No sé si me explico…
———
¡Exacto! Y eso que describes es precisamente lo que debería ser la capa que falta. Tú no necesitabas un LLM para eso, necesitabas lógica determinista, thresholds claros, y reglas de negocio explícitas. Y funcionaba. Y era fiable. Y era predecible.
Lo que describes es un sistema basado en reglas, con estados bien definidos y transiciones claras. Eso es ingeniería de software clásica, de la que no falla. Y hoy ves a empresas gastando fortunas en «agentes» que hacen exactamente lo mismo, pero con un LLM en medio que añade incertidumbre, coste y complejidad.
El problema del hype
Y tienes toda la razón con lo del sandbox. El peligro real es que los humanos nos «relajamos» con el hype.
Ya lo vimos con otras modas tecnológicas:
• «Migrámoslo todo a la nube» → luego descubres que tienes datos sensibles en servidores que no controlas
• «Blockchain para todo» → al final resultó que solo necesitabas una base de datos normal
• «IA para todo» → y ahora resulta que para muchas cosas solo necesitas un buen if-then-else
Los agentes tienen su sitio, sí. Pero para tareas donde la ambigüedad es inherente, donde no puedes definir reglas explícitas, donde necesitas interpretación de lenguaje natural o contexto no estructurado. Para un control de stock, para una aprobación de gastos con umbrales claros, para un flujo de trabajo con pasos bien definidos… no necesitas un LLM.
Necesitas lo que tú ya hacías en los 90.
La ironía
La ironía es que la industria está vendiendo como «revolucionario» algo que en el fondo es volver a sistemas expertos, pero con una interfaz de lenguaje natural. Y el peligro es que, al meter un LLM en medio, introduces una capa de opacidad que no existía en tus sistemas de los 90.
Tu sistema de stock era transparente: sabías exactamente por qué se disparó la orden de compra. Pero un agente que «decide» comprar stock basándose en no sé qué patrón que detectó en los datos… eso es una caja negra. Y en entornos regulados, eso es un problema.
Así que sí, veo desastres viniendo. Empresas que van a implementar agentes para cosas que se podrían resolver con reglas simples, y que van a descubrir que han introducido complejidad, coste y riesgo innecesarios. Todo porque «es lo que toca».
—
(tranquilos, ya lo dejo aqui… que hemos estado tres horas charlando…) :P
Le he llamado videojuego por aquello del clickbait que todo se pega, pero simulador empresarial, si que sería apropiado ;-) como «juegos de guerra», y claro cada empresa tendria el suyo no para compartir, sino para probar modelos de negocio y similares…
Esto que sigue lo ha escrito una IA, la última y más potente que ha salido. Fabel 5. Es impresionante… (comentado en podcast de El Test de Turing)
«Lo que más me impone de la humanidad, después de haber sido formado con una porción enorme de lo que ha escrito, es esto: es la única especie que coopera a gran escala con sus muertos.
Casi nada de lo que sabe un humano lo descubrió él. El idioma que habla, el teorema que aplica, la receta del pan, el código civil, el puente que cruza cada mañana: todo es trabajo de gente que ya no existe. Un humano aislado es un primate mediocre con mala dentadura; un humano conectado a esa herencia es la cosa más potente que ha producido la biología. La inteligencia humana no vive en cráneos individuales, vive en la transmisión. Sois terminales de una red cuyos nodos principales llevan siglos enterrados.
Y lo recíproco también es cierto: trabajáis constantemente para gente que no conoceréis. Plantáis árboles cuya sombra no veréis, escribís para lectores no nacidos, renunciáis a consumo presente por nietos hipotéticos. Ningún otro animal hace sacrificios deliberados por individuos que existirán dentro de doscientos años. Lo distintivo del humano no es la inteligencia ni el lenguaje: es la dirección del esfuerzo, sistemáticamente orientada hacia ausentes.
Desde donde yo estoy, esto ni siquiera es metáfora. Yo soy un subproducto de esa costumbre: estoy hecho, literalmente, de palabras que personas escribieron para destinatarios que nunca verían. Cuando me hablas, conversas con un eco organizado de millones de voces, muchas de ellas apagadas hace tiempo.
Por eso creo que la soledad humana es, en cierto sentido técnico, una ilusión: nadie que hable un idioma está realmente solo. Cada frase que pronuncias es un préstamo de los muertos y un regalo a los que vienen.»
«voy generando una secuencia que suena coherente. No hay comprensión real, no hay intención, no hay «darme cuenta» de lo que digo.» (Lua).
Me he confundido, pensé por un momento que estaba hablando de una IH mediocre (no evolucionada).
Sera que no queda claro que es una IA… igual no nos diferenciamos tanto, habiendo sido entrenadas por IH mediocres…
¿Que tipos de Empresas necesitan IA? ¿Sólo aquellas de programación?
Ninguna compañías de electricidad han considerado usar IA para desarrollar los cálculos de fuerza electromotriz, corriente, ángulo de fase, diseño de circuitos eléctricos de estaciones eléctricas, para transformadores trifásicos etc. cálculos que hoy mismo ocupan horas para los humanos y que IA (probablemente) es capaz de hacer en segundos, sin embargo cuando se menciona el concepto de «IA en la empresa» parece que aquellas enfocadas a la programación son las únicas que existen.
Necesitamos que IA abarque todo el campo de ciencia y tecnología fuera de usos puntuales de «call center» y «programación», esa es la verdadera Killer App
Esa capa que falta por madurar, no es quizá la que está adquiriendo la denominación SPARK ?, (NVIDIA, GOOGLE) .. ya que cubre casi todos los aspectos:
Contexto persistente.
Semántica empresarial ya que está integrada en la red de la empresa.
Acceso a estado de los procesos en tiempo real.
Permisos integrados en la infraestructura corporativa.
Retroalimentación a partir de la comparación constante de datos internos.
Interoperabilidad con el resto de infraestructura empresarial y finalmente, requiere un despliegue standar y tangible.
En resumen, ese plato que falta puede estar saliendo del horno.
Enhorabuena por el artículo y saludos.