MIT Technology Review: en la IA empresarial, la ventaja no la da el modelo, sino la capa operativa

En la IA corporativa, la ventaja a largo plazo no la da el modelo en sí, sino el control de la capa por la que la inteligencia llega a los procesos de negocio reales. Ahí se decide qué datos ve el sistema, quién confirma las decisiones controvertidas, cómo se tienen en cuenta las correcciones de las personas y si las respuestas acertadas aisladas se convierten en una práctica operativa estable. En un artículo para MIT Technology Review, esta capa se describe como una combinación de software de flujos de trabajo, recopilación de datos, circuitos de retroalimentación y reglas de gobernanza, situada entre el modelo y el trabajo real.

El debate público sigue girando en torno a las comparaciones entre GPT, Gemini y otros modelos fundacionales, pero para las grandes empresas esa ya no es la cuestión principal. Si la inteligencia se invoca por API como un servicio puntual, puede ser muy potente, pero queda débilmente conectada con el entorno operativo diario y apenas acumula estado de un caso a otro. Importa mucho más si el conocimiento se pone a cero en cada nueva petición o si el sistema aprende de verdad a medida que se trabaja.

De ahí la diferencia clave entre dos enfoques. El primero trata la IA como un servicio bajo demanda: hay una tarea, una llamada al modelo y una respuesta. El segundo integra la IA en la capa operativa de la empresa, donde cada excepción, corrección, aprobación y decisión controvertida se convierte en una señal de aprendizaje y en un motivo para afinar las reglas. En esta arquitectura, el valor no depende solo de la calidad del modelo, sino de lo a fondo que la empresa sepa instrumentar sus propios procesos, recopilar datos sobre el desarrollo del trabajo y convertir las decisiones de los empleados en políticas reutilizables.

En este contexto, los autores discrepan de la tesis popular de que las startups nativas de IA superarán inevitablemente a las empresas establecidas. Si se considera la IA una carrera puramente de modelos, ese escenario parece verosímil. Pero en el entorno empresarial el problema suele ser sistémico: integraciones, permisos de acceso, evaluación de la calidad, gestión del cambio, SLA, control de costes y cumplimiento normativo. Aquí la ventaja no es de quienes simplemente conectaron antes un modelo nuevo, sino de quienes ya están integrados en procesos de alto volumen y alto riesgo y pueden convertir esa posición en un circuito de aprendizaje continuo.

De ello se deriva también una inversión de la lógica habitual del trabajo. Tradicionalmente, las empresas de servicios de expertos funcionan así: una persona usa software para realizar un trabajo complejo y la tecnología es solo el entorno. Una plataforma nativa de IA funciona al revés: recibe el caso, aplica el conocimiento de dominio acumulado, ejecuta de forma autónoma aquello de lo que está segura y solo entrega a la persona subtareas acotadas en las que aún se requieren criterio, contexto o responsabilidad. En esencia, la IA ejecuta y las personas arbitran.

Es especialmente relevante la tesis sobre los tres activos que las grandes empresas establecidas ya poseen: datos operativos propietarios, un amplio grupo de expertos de dominio que generan a diario señales de entrenamiento y el conocimiento tácito acumulado sobre cómo se hace realmente el trabajo en condiciones complejas. Pero por sí solos estos activos aún no crean un foso defensivo. Empiezan a funcionar solo cuando la empresa sabe traducir decisiones, excepciones y heurísticas dispersas en señales legibles por máquina y devolver después el resultado al sistema operativo.

Como ejemplo se cita la gestión del ciclo de ingresos en la sanidad. El enfoque de Ensemble consiste en llenar primero el sistema con conocimiento de dominio explícito y, después, mediante la interacción diaria con los operadores, detectar lagunas, plantear preguntas precisas y contrastar las respuestas de varios expertos, para fijar no solo el consenso general sino también los matices en los casos límite. Así se forma una base de conocimiento viva que refleja no solo la decisión final, sino la lógica que hay detrás de la acción del experto. Cuando el sistema es lo bastante acotado y manejable, cada decisión de un empleado experimentado se convierte en un ejemplo potencialmente etiquetado para seguir mejorando.

La conclusión práctica para CIO, CPO y responsables de plataformas es bastante dura: la disputa sobre quién tiene el mejor modelo base determina cada vez menos el desenlace de la carrera empresarial. La pregunta principal ahora es quién posee la capa operativa de la IA dentro de la empresa, es decir, quién controla los datos, los permisos, el coste, el enrutamiento, la auditoría y los circuitos de aprendizaje. La ventaja duradera será de las organizaciones que logren convertir sus conocimientos, decisiones y experiencia cotidiana en una infraestructura que mejora con el uso.