MIT Technology Review: La ventaja en IA empresarial viene no del modelo, sino de la capa operacional

En la IA empresarial, la ventaja a largo plazo no procede del modelo en sí, sino del control sobre la capa a través de la cual la inteligencia llega a los procesos de negocio reales. Es ahí donde se decide qué datos ve el sistema, quién confirma decisiones controvertidas, cómo se tienen en cuenta las correcciones humanas y si las respuestas individuales exitosas se convierten en una práctica operativa sostenible.

En un artículo para MIT Technology Review, esta capa se describe como un conjunto de software de workflow, recopilación de datos, bucles de retroalimentación y reglas de gobernanza situado entre el modelo y el trabajo real. La discusión pública sigue girando en torno a comparaciones entre GPT, Gemini y otros modelos foundation, pero para las grandes empresas esta ya no es la cuestión principal.

Si la inteligencia se invoca a través de API como un servicio único, puede ser muy potente, pero permanece débilmente acoplada al entorno operativo diario y apenas acumula estado de caso en caso. Lo que importa mucho más es esto: ¿se restablece el conocimiento con cada nueva solicitud o el sistema realmente aprende mientras funciona.

De ahí la distinción clave entre dos enfoques. El primero trata la IA como un servicio bajo demanda: hay una tarea, hay una llamada al modelo, hay una respuesta. El segundo integra la IA en la capa operativa de la empresa, donde cada excepción, corrección, aprobación y decisión controvertida se convierten en una señal de aprendizaje y una razón para refinar reglas.

En tal arquitectura, el valor se crea no solo por la calidad del modelo, sino por la profundidad con la que la empresa puede instrumentalizar sus propios procesos, recopilar datos sobre el progreso del trabajo y convertir las decisiones de los empleados en políticas reutilizables.

En este contexto, los autores cuestionan la tesis popular de que los startups AI-native inevitablemente superarán a los incumbentes. Si considera la IA como puramente una carrera de modelos, ese escenario parece plausible. Pero en el entorno empresarial, el desafío suele ser sistémico: integraciones, derechos de acceso, evaluación de calidad, gestión de cambios, SLA, control de costos y cumplimiento normativo.

Aquí, la ventaja no va a quienes simplemente conectan un nuevo modelo más rápido, sino a quienes ya están integrados en procesos de alto volumen y alto riesgo y pueden convertir esa posición en un bucle de aprendizaje continuo.

De esto se deduce una inversión de la lógica de trabajo familiar. Tradicionalmente, las empresas de servicios especializados se estructuran así: las personas utilizan software para realizar trabajo complejo, mientras que la tecnología es meramente el entorno. Una plataforma AI-native funciona de la manera opuesta: acepta un caso, aplica conocimiento de dominio acumulado, ejecuta autónomamente lo que le confía y entrega a los humanos solo subtareas estrechas donde aún se requiere criterio, contexto o responsabilidad.

Esencialmente, la IA ejecuta y las personas arbitran.

Particularmente importante es la tesis sobre tres activos que las grandes empresas incumbentes ya poseen. Estos son datos operativos proprietarios, un gran grupo de expertos de dominio que generan diariamente señales de entrenamiento, y conocimiento implícito acumulado sobre cómo el trabajo se realiza realmente en condiciones complejas.

Pero estos activos por sí solos aún no crean un foso defensible. Comienzan a funcionar solo cuando la empresa sabe cómo traducir decisiones dispersas, excepciones y heurísticas en señales legibles por máquina, y luego devolver el resultado al sistema operativo.

Se da como ejemplo la gestión del ciclo de ingresos en sanidad. El enfoque Ensemble consiste en primero llenar el sistema con conocimiento de dominio explícito, luego a través de la interacción diaria con operadores identificar brechas, hacer preguntas dirigidas y verificar cruzadamente respuestas de múltiples expertos para capturar no solo el consenso general sino también los matices de los casos límite.

Esto forma una base de conocimiento viva que refleja no solo la decisión final, sino la lógica detrás de la acción del experto. Cuando el sistema se vuelve suficientemente limitado y manejable, cada decisión de un empleado experimentado se convierte en un ejemplo potencialmente etiquetado para mejora futura.

La conclusión práctica para CIOs, CPOs y líderes de plataforma es bastante severa: el debate sobre quién tiene el mejor modelo base determina cada vez menos el resultado de la carrera empresarial. La cuestión principal ahora es quién es propietario de la capa operativa de IA dentro de la empresa — quién controla los datos, los derechos de acceso, el costo, el enrutamiento, la auditoría y los bucles de aprendizaje.

La ventaja sostenible irá a las organizaciones que puedan convertir su conocimiento, decisiones y experiencia cotidiana en infraestructura que mejora con el uso.