Enrique Dans

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)