Databricks explica por qué la IA empresarial pasó de la emoción a la seguridad

En TechCrunch Disrupt 2026, un cofundador de Databricks hizo una observación que explica mucho: la IA empresarial entra en una fase radicalmente nueva. Las compañías han madurado en su relación con la tecnología. Hace unos dos años la pregunta era sencilla: «¿Esto es mágico? ¿Podremos aplicarlo?». Ahora es otra: «¿Es seguro? ¿Funcionará en condiciones reales? ¿Cuánto cuesta de verdad?».

El fin del salvaje oeste de los pilotos

Es un punto de inflexión para la industria. En 2024-2025 las empresas avanzaron en oleada: salió ChatGPT, todos querían IA, así que lanzaron un piloto. Los presupuestos eran generosos y el escepticismo, mínimo. Databricks, OpenAI y Anthropic no vendían productos, sino posibilidades. Los proveedores explicaban: esto puede transformar su empresa, esto puede ahorrarle dinero. Los pilotos salían adelante. Las demos eran vistosas. El modelo funcionaba con 100 ejemplos y todos quedaban encantados. Pero llegaba el momento de preguntar: ¿cómo lo ponemos en producción? Y entonces todo se detenía.

Databricks lo ve directamente en sus negociaciones. Se prepara para Disrupt 2026 con medio centenar de casos de éxito, y en cada uno aparece la misma frase: «El acuerdo se paralizó en la fase de revisión de cumplimiento». O: «La compañía esperaba respuesta a la pregunta: ¿cómo se actualiza el modelo?». O: «Se fueron tres meses discutiendo qué pasa si el modelo alucina en una situación real».

Qué mata realmente los acuerdos

Resulta que el principal enemigo de la IA empresarial no es la competencia entre proveedores, sino la realidad del gobierno corporativo:

• Cumplimiento y regulación — GDPR, HIPAA, PCI DSS. Un banco no puede simplemente enviar datos de clientes a la nube donde vive el modelo. Una aseguradora no puede confiar en un modelo que puede infringir HIPAA. No es un riesgo abstracto: significa multas de millones de dólares.
• Integración con sistemas heredados — la mayoría de las empresas de Fortune 500 funcionan sobre bases de datos más antiguas que los propios ingenieros. Un nuevo pipeline de IA debe integrarse sin romper un flujo de trabajo de 20 años.
• Costes reales — el piloto costó $200K. Pero la producción cuesta de $500K a $2M al año. Hacen falta MLOps, ingenieros, reentrenar el modelo, monitorizarlo y revertir versiones.
• Fiabilidad a escala — el piloto funcionó con 100 ejemplos. En producción son 100K ejemplos al día. El modelo puede fallar de forma inesperada en casos límite que no estaban en la muestra de prueba.
• La cuestión de la fuente de verdad — ¿de dónde salen los datos? Si el modelo habla con 10 API distintas, ¿cuál es la fuente de verdad? ¿Y si entran en conflicto?

Databricks lanzó su plataforma precisamente para esto: un espacio de trabajo unificado de datos + IA donde se puede entrenar un modelo, ejecutarlo en producción y monitorizarlo, todo en un mismo sitio, sin integrar 15 proveedores.

Qué significa para el mercado

A los proveedores ya no les bastan las demos llamativas y las promesas. Las empresas quieren garantías. Quieren una arquitectura que no exija reescribir toda la infraestructura. Quieren pruebas: aquí está el audit trail, aquí el registro de cumplimiento, aquí el versionado de modelos.

El segmento de IA empresarial se ralentiza. Pero no es una mala noticia, sino una buena. Las compañías dejan de hacer pilotos absurdos con un ROI atribuido a posteriori. Preguntan: ¿dónde está el valor? ¿Quién va a mantenerlo? Es bueno para el mercado, porque implica inversiones acertadas. Y malo para los proveedores que solo vendían cuentos de AGI.