No todo en la IA empresarial es GPT vs Gemini: la batalla real está en la capa operativa
¿Cuántas veces has leído debates interminables comparando modelos de lenguaje? GPT aquí, Gemini allá, puntuaciones de razonamiento subiendo un mísero 1% que parece una milla… Lo típico. Pero la verdad dura y cruda es que esa pelea es casi de escaparate. El meollo, la verdadera guerra invisible, está en quién controla la capa operativa, esa mezcla de software, captura de datos, retroalimentación y gobernanza que hace que la inteligencia no solo resuelva un problema puntual sino que aprenda y mejore con cada uso.
OpenAI y Anthropic venden inteligencia como si fuera luz o agua: tú llamas a una API, te saca algo, y fin. Esta IA es del tipo ‘de usar y tirar’, generalista, sin memoria real del contexto donde se aplican las decisiones diarias. Al contrario, las grandes empresas ya asentadas no quieren solo respuestas rápidas, quieren un sistema que absorba su día a día, que aprenda de cada corrección, excepción o aprobación, y que potencie la inteligencia como un bucle eterno.
Si resumimos: una IA que se reinicia a cada pregunta es útil y flexible, pero la que acumula conocimiento dentro de una estructura operativa sólida es quien realmente va a dominar el juego empresarial. Y si crees que las startups AI-native —esas que nacen en código y hype— van a desbancar a los gigantes sólo con modelos mejores, te estás dejando la mitad de la historia.
Startup versus gigante: ¿quién gana si la IA es un problema de sistemas?
La narrativa común dice que la agilidad vence a la experiencia. Las startups empiezan de cero, con arquitecturas limpias, cero legado, y supuesta rapidez para innovar. Pero en la mayoría de sectores empresariales importantes, la IA no es solo un modelo para mejorar. No. Aquí la respuesta está en sistemas complejos: integración con software existente, gestión de permisos, evaluación constante, y cambio de procedimientos.
Aquellos que ganan no son solo los que lanzan la última versión del modelo, sino quienes llevan años —décadas incluso— metidos en la operación diaria, que conocen dónde están los cuellos de botella, las fallas, y cómo transformar miles de decisiones humanas en datos útiles (¡datos que no están en ningún benchmark!).
Por eso, los incumbentes pueden convertir su posición en la industria en un monopolio invisible: acumulan conocimiento taciturno, obtienen señales valiosas de su personal experto, y aplican gobernanza para transformar ese caos en aprendizaje automatizado que mejora con el tiempo. Esa es la ventaja que no es fácil de replicar ni con dinero ni con hype.
Invertir la ecuación: de “humanos que usan software” a “IA que ejecuta y humanos supervisan”
Las empresas tradicionales tienen una arquitectura simple: humanos usan software para hacer trabajo experto. Navegan, deciden, procesan casos. La tecnología es solo la herramienta; el juicio humano, la estrella. Pero la IA nativa rompe con esa regla. En vez de esperar a que el humano actúe, la plataforma –cuando está bien armada– ejecuta con confianza automáticamente, y solo para los casos ambiguos es cuando tira el balón a un experto para decidir. Y ojo, eso no es un simple cambio de interfaz. Requiere un montón de material bruto: datos operativos, experiencia acumulada y conocimiento del dominio, todo embebido en el sistema.
¿Dónde está el problema? Las startups AI-native pueden moverse rápido, montar modelos genéricos potentes, pero no tienen, ni de lejos, ese caudal de datos operativos, ni un ejército de expertos generando miles de señales diarias, ni décadas de sabiduría tácita que no se escribe en ningún manual. Las grandes tienen ese tesoro, pero tienen que ser capaces de transformarlo en señales legibles para máquinas, optimizarlo, y hacer que retroalimente la operación.
Propietarios de datos operativos, mano de obra experta, conocimiento tácito acumulado. Te suena a moats, ¿no? Pero solo disponer de ellos no basta. El juego real está en convertir todo eso en inteligencia útil, en distilar la experiencia en señales reproducibles, comprensibles y, sobre todo, explotables por la IA.
Los tres tesoros de los grandes y por qué no son barreras inevitables
El problema es que mucha de esta experiencia es taciturna: heurísticas no expresadas, intuiciones sobre casos poco comunes, conocimiento que se transmite mirando y no leyendo o escribiendo. Codificar todo esto no es sencillo. En Ensemble, por ejemplo, la técnica que usan se llama “destilación de conocimiento”: convertir el juicio experto en datos que la máquina pueda entrenar.
En su sistema de gestión de ciclo de ingresos en salud, empezaron con conocimiento explícito y mejoraron con interacciones diarias con operadores. El sistema detecta lagunas de conocimiento, hace preguntas precisas, recoge respuestas de varios expertos y las combina para tener en cuenta tanto el consenso como las excepciones. Esto crea una base de conocimiento “viva” que refleja el razonamiento situacional de nivel experto. Nada de heurísticas mágicas; todo documentado y cuantificado.
Una vez que el sistema ya tiene suficiente control para confiarle trabajos, ¿cómo lo hace mejor sin esperar un update manual anual? Fácil: cada decisión experta no es sólo una tarea completada, sino un ejemplo etiquetado. Piensa: procesar 50,000 casos por semana y obtener 3 puntos de decisión etiquetados por caso. Ni más ni menos, 150,000 ejemplos de aprendizaje semanal sin ni siquiera montar un sistema de captación de datos aparte.
Decisiones que alimentan un eterno circuito de aprendizaje: la máquina que se entrena sola
Lo más brutal es que el humano no está fuera del bucle, sino justo dentro. El sistema ofrece opciones, el experto corrige, redirige o valida. Cada intervención se convierte en señales de calidad para entrenar más allá del típico «correcto/incorrecto». Cuando el sistema detecta un escenario extraño, pide justo un resumen estructurado, sin marear al humano con logs interminables. Se afina la capacidad de resolución de ambigüedades. Esa es la clave para que la IA deje de ser un truco repetitivo y se convierta en una ampliación real de capacidad humana.
El objetivo final no es sólo automatizar —eso ya lo tenemos claro— sino amplificar todo el conocimiento expertísimo que reside en miles de personas. Que la plataforma potencie lo que puede hacer cada operador exponencialmente: máximo nivel de consistencia, throughput, y avances operativos que midas con cifras, y no solo con buenas intenciones.
¿Pero para qué tanto rollo? Alcanzar la amplificación experta
¿El beneficio? Que el humano pueda concentrarse en casos verdaderamente complejos y relevantes, mientras la IA maneja la jungla analítica con base en miles de casos similares pasados. Es la única forma de escalar calidad sin contratar a montones de gente o volverse loco perdiendo control.
Para los líderes empresariales la lección está clara: acceso al mejor GPT o al modelo más novedoso no te basta para ganar la carrera. Hay que saber cómo capturar, refinar y aprovechar lo que tu organización sabe hacer (datos, decisiones, garantías). La verdadera ventaja será para los que entiendan tanto el trabajo que puedan instrumentarlo, para crear sistemas que no sólo funcionan hoy, sino que mejoran cada día. O al menos, los que no se queden pegados en la capa superficial del modelo sin mirar lo que hay debajo.
Con todo este rollo, la gran incógnita sigue en pie: ¿están las empresas listas para levantar la capa operativa inteligente necesaria para hacer que la IA valga de verdad? Porque tener una API para llamar a un modelo cinco minutos no es nada frente a construir un sistema que evolucione con tu negocio, supervisado, gobernado y mejorado constantemente.
¿Y ahora? La pregunta que deja a todos incómodos
Parece que, una vez más, la tecnología no es el problema más complejo, sino entender qué mierda hay que hacer con ella (y con las personas). ¿Quién se atreve a dejar de hablar solo del hype y meterse en la faena real?
Parece que, una vez más, la tecnología no es el problema más complejo, sino entender qué mierda hay que hacer con ella (y con las personas). ¿Quién se atreve a dejar de hablar solo del hype y meterse en la faena real?