L

a IA nos ha catapultado a una era que podría describir como de extrema opacidad respecto al futuro. Teniendo en cuenta todo lo que podría cambiar a causa de la IA, parece como si se hubiera extendido una niebla que nos impide ver el futuro. Y, en este momento, ese es su efecto económico más importante (y quizá también el más infravalorado).

Sin la capacidad de predecir con seguridad hacia dónde nos dirigiremos a partir de ahora, y considerando el alto costo de comprometerse demasiado pronto en entornos volátiles, creo que la mejor estrategia es optimizar para lo desconocido.

El dilema del capital humano

Para las empresas que dependen de trabajadores calificados, la “niebla de la IA” supone un problema sin precedentes en la planificación de la fuerza laboral. Los líderes deben decidir cuántas personas contratar, en qué puestos y con qué salarios, en un contexto en el que la vida útil de cualquier conjunto de habilidades es incognoscible. La misma incertidumbre que disuade a las personas de invertir en formación también dificulta que los líderes contraten e inviertan en su personal, particularmente en regiones con restricciones regulatorias para reducir su plantilla. Si los agentes de IA pueden redactar memorandos, escribir código, realizar tareas administrativas básicas, llevar a cabo investigaciones y construir modelos financieros más rápido y a menor costo que los empleados de nivel inicial, entonces las empresas ajustarán sus planes de contratación en consecuencia.

Las matemáticas corporativas

La incertidumbre del futuro también pone en duda la forma en que se valora a las empresas y, por lo tanto, si consiguen atraer capital y cómo lo hacen, así como la forma en que comunican su valor a inversionistas y otras partes interesadas. Para los líderes, esto significa que la niebla de la IA influirá en el costo del capital, en las condiciones bajo las cuales se financia el crecimiento y en si un plan estratégico cumple con las expectativas de analistas e inversionistas. El mecanismo de este cambio inducido por la niebla es sencillo, pero sus implicaciones son radicales.

El valor de las acciones se determina por la cantidad de efectivo que una empresa generará en el futuro. Si la niebla de la IA pone en duda la viabilidad a largo plazo del producto o servicio principal de una empresa, entonces también debemos cuestionar si logrará alcanzar su valor terminal. A su vez, si dudamos del valor terminal, la valoración se derrumba.

Otra forma de entender esta consecuencia de la niebla es que la IA está desafiando la preservación de las ventajas competitivas de las empresas. Cualquier negocio cuya ventaja competitiva dependa principalmente del software, los procesos, el capital humano o el contenido es ahora vulnerable frente a un competidor capaz de replicar esas características más rápido y a menor costo.

Dentro de la empresa, la misma niebla

La niebla envolvente también afecta los mercados internos de capital.

Imaginemos una empresa de fabricación por contrato de tamaño medio que produce componentes mecanizados de precisión para clientes de los sectores aeroespacial y de defensa. El equipo de operaciones propone una inversión de 30 millones de dólares en una nueva línea de producción. La ampliación de la planta está dimensionada para hacer frente a la cartera de pedidos prevista de la empresa. El equipo financiero elabora un modelo en el que compara los ingresos previstos para los próximos diez años con el desembolso de capital.

Gracias a su equipo especializado, largas series de producción y operarios cualificados, la nueva línea está optimizada para el paradigma actual de fabricación. Pero si los sistemas robóticos de uso general reducen drásticamente los costos de instalación que históricamente han protegido a los fabricantes especializados, la ventaja competitiva que respalda la proyección a 10 años de la empresa deja de ser confiable. La proyección original de ingresos se desvanece.

Optimizar para lo desconocido

Frente a la niebla de la IA, la repentina invisibilidad del futuro significa que la única opción verdaderamente convincente es la opcionalidad en sí misma.

Los líderes empresariales deben incorporar la opcionalidad tanto en sus modelos de asignación de capital como en sus diseños organizacionales.

En primer lugar, ha llegado el momento de pasar de compromisos de capital plurianuales a inversiones por etapas, con puntos de decisión explícitos. Del mismo modo, es momento de (re)considerar los sistemas de presupuestación base cero, para eliminar parte de la inercia incorporada en la asignación de recursos.

En segundo lugar, en vez de aferrarse a estructuras organizacionales optimizadas para un futuro estable, piense en cómo organizarse para la llegada de la IA agéntica. Los equipos modulares, los cambios frecuentes en los procesos y diseños organizacionales, el diseño de puestos de trabajo con flexibilidad incorporada y capas delgadas y adaptables de coordinación (ya sean humanas o mediante agentes de IA) ayudarán a preservar la capacidad de maniobra.

En tercer lugar, los líderes necesitan mejores sistemas de detección. Deben establecer un pequeño equipo cuyo trabajo a tiempo completo sea supervisar las capacidades de IA de vanguardia y traducir el progreso técnico en implicaciones de gestión para la empresa.

Estamos entrando en un cambio de paradigma en cuanto a cómo apostamos por el futuro. La incertidumbre ya está aquí. Ya no se trata de transformar la forma en que invertimos, contratamos, construimos y planificamos. La pregunta verdaderamente urgente es: ¿Rediseñaremos nuestras instituciones para adaptarlas a la opacidad antes de que se paralicen todo tipo de inversiones?

L

a IA agéntica (sistemas autónomos, orientados a objetivos, conscientes del contexto, capaces de llamar a otras herramientas de software, tomar decisiones complejas y ejecutar acciones) está generando una disputa por el control en la alta dirección. La cuestión de quién controla la IA es el tema crítico en el organigrama al inicio de la era de la IA, e influirá en la estrategia de una empresa, en sus niveles de inversión y en la distribución del poder y la influencia entre sus líderes.

Esta lucha por la influencia no es un problema nuevo. Uno de los marcos más reveladores para comprenderla fue desarrollado por el sociólogo Andrew Abbott en “The System of Professions”. Él observó que las profesiones ganan las disputas jurisdiccionales al plantear los problemas de tal manera que su experiencia se vuelve indispensable. Eso es lo que está ocurriendo hoy en día en la alta dirección.

El argumento del director de sistemas de información (CIO) se basa en la infraestructura. Es necesario desarrollar agentes de IA, integrarlos en los sistemas existentes, protegerlos frente a nuevas vulnerabilidades y mantenerlos a gran escala. La creación y el funcionamiento de estos sistemas requieren competencia técnica y una gestión responsable.

El director de operaciones (COO) considera que la IA agéntica forma parte de las operaciones centrales de la empresa. Los agentes se integrarán en los flujos de trabajo, y los flujos de trabajo son operaciones. El COO sostiene que los agentes existen para ejecutar procesos empresariales y que la optimización de dichos procesos es la razón de ser de esa función.

La afirmación del director de recursos humanos (CHRO) resulta conceptualmente provocadora. En la práctica, los agentes constituyen una nueva categoría de trabajadores. Es necesario entrenarlos con conocimientos específicos de la empresa, integrarlos en la cultura corporativa, supervisarlos durante su implementación, evaluar su rendimiento y emparejarlos con colegas humanos, de modo que se preserve la moral, la cultura y el conocimiento institucional. Además, complicarán muchos aspectos de la gestión del personal humano, creando obstáculos que el departamento de recursos humanos tendrá que gestionar.

El argumento del director financiero (CFO) se basa en la responsabilidad económica. Los agentes acabarán modificando las aprobaciones, los precios, la utilización de los activos y el gasto de la empresa de formas que afecten a las cifras. Los agentes que están autorizados a comprometer a la empresa en un pago, un contrato, una decisión crediticia o un reembolso deben rendir cuentas desde el punto de vista financiero.

Los responsables de riesgos y asuntos jurídicos consideran que los sistemas autónomos suponen una nueva forma de riesgo de fallo, responsabilidad civil y exposición regulatoria. Cuando los agentes de IA niegan una solicitud de préstamo o de empleo, rechazan una reclamación de seguro o se ven implicados en un accidente automovilístico, pueden derivarse litigios y un escrutinio regulatorio.

Por último, el director de datos (CDO) señala que todas las demás funciones dependen de los datos. Dado que los agentes procesan la información, la fiabilidad de sus resultados depende de la de sus datos de entrada. El hecho de quién tiene acceso a qué datos y bajo qué normas de gobernanza determinará si un agente funciona, y si lo hace de forma segura.

Cada una de estas reclamaciones es razonable.

Cuando múltiples líderes tienen reclamaciones legítimas sobre la misma jurisdicción, las organizaciones suelen recurrir a una de cuatro respuestas:

— Asignarlo al líder más capacitado.

— Cederlo a quien ejerce más presión.

— Delegarlo a un comité.

— Transferirlo a quien ya cuenta con presupuesto.

Sin embargo, ninguna de estas opciones funcionará para la IA agéntica. Es necesario cambiar la discusión de la propiedad total hacia la creación de derechos de decisión granulares y explícitos. Una cosa es que el CIO diga “yo soy responsable del stack tecnológico”. Otra muy distinta es especificar que el CIO es el responsable de la selección del modelo base, por ejemplo.

Para lograr este cambio de propiedad a derechos de decisión, las empresas deberán implementar un mapa de decisiones y rendición de cuentas. Esto implica identificar las decisiones críticas y asignar cada una a un ejecutivo específico. Reducir las fricciones jurisdiccionales requerirá derechos de decisión claros y una asignación inequívoca de responsabilidades. Pero un mapa es tan bueno como el proceso que lo mantiene, lo que significa que alguien debe ser responsable de la capa de coordinación en sí misma.

E

l lanzamiento del modelo R1 de DeepSeek a finales de enero de 2025 provocó un fuerte descenso de las valoraciones del mercado en toda la cadena de valor de la IA, afectando tanto a los desarrolladores de modelos como a los proveedores de infraestructura. Los inversionistas vieron en R1 un competidor poderoso (y económico) frente a los modelos de IA estadounidenses, lo que puso en duda las proyecciones de crecimiento extraordinario que habían justificado las valuaciones elevadas. Sin embargo, para aquellos que han estado atentos, la llegada de DeepSeek (o algo parecido) era inevitable.

Aun así, este es un momento útil para reflexionar sobre hacia dónde se dirige la IA. Más que considerar a DeepSeek R1 como un punto de inflexión, es más útil verlo como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

He aquí cinco lecciones que los líderes empresariales deberían extraer de este momento.

1. Del reconocimiento de patrones a la resolución de problemas

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se robaron el protagonismo en 2023 y 2024, pero en 2025 quedaremos asombrados por los sistemas de IA capaces de razonar, planificar y operar de manera autónoma. Esto se debe a que dos tendencias interrelacionadas dominarán el panorama de la IA este año: el auge de los modelos de razonamiento y la llegada de agentes de IA listos para el uso generalizado. Estas capacidades dependen en gran medida del aprendizaje por refuerzo (RL, por sus siglas en inglés), un método para entrenar a un agente inteligente para que tome una secuencia de decisiones óptimas. Piense en ello como aprender a jugar un videojuego: Cuando acierta en el blanco, salta sobre un abismo o adivina una palabra, gana puntos. A medida que juega, aprende a realizar acciones que son recompensadas.

La última generación de modelos, como GPT-4, era asombrosa para identificar patrones: Se entrenaban con enormes volúmenes de información, la contextualizaban y nos dejaban sin palabras con sus predicciones precisas del siguiente término en una conversación.

DeepSeek R1 es un modelo de razonamiento gratuito, al igual que los modelos ChatGPT o3-mini de OpenAI y Copilot o1 de Microsoft. Estos modelos representan un cambio crucial de la simple predicción de la siguiente palabra a la resolución metódica de problemas que se basa en gran medida del aprendizaje por refuerzo. Gracias a esta capacidad de razonamiento, estos modelos pueden desempeñarse mucho mejor que sus predecesores en tareas específicas, como resolver problemas matemáticos.

Con la capacidad de desglosar y razonar los problemas, los agentes de IA son capaces de aprender a navegar dinámicamente por flujos de trabajo complejos, adaptándose a nueva información a medida que surge en el proceso de realización de tareas, en lugar de limitarse a scripts rígidos y predefinidos. Esto es justo lo que hacemos los humanos en nuestro trabajo diario, como cuando los agentes de servicio al cliente responden consultas, los empleados administrativos organizan horarios y planifican viajes, o los analistas de datos recopilan información, la analizan y redactan un informe.

2. El punto de inflexión económico de la IA

Uno de los grandes titulares en torno a DeepSeek R1 es su supuesto costo de desarrollo de 5.5 millones de dólares. Esta cifra es engañosa. Probablemente solo refleje el costo de una única prueba de entrenamiento, sin incluir los gastos de infraestructura, ingeniería e implementación. Una cifra total que incluyera esos gastos sería mucho más alta, aunque significativamente inferior a las estimaciones de los costos de desarrollo de OpenAI, Anthropic, Google y otros modelos con los que compite R1.

En lugar de centrarnos únicamente en estas cifras, deberíamos prestar más atención a los costos de inferencia, es decir, los gastos asociados al uso real de los modelos una vez que han sido entrenados. El entrenamiento requiere una inversión inicial sustancial, pero los costos de inferencia son cruciales para las aplicaciones empresariales. DeepSeek R1 y otros modelos recientes, incluida la serie de modelos Llama de Meta, han logrado reducciones significativas en estos costos.

Por regla general, la caída de los precios tiende a estimular la competencia y a impulsar la adopción por parte de los usuarios. Basta pensar en la caída de los precios ajustados al rendimiento en mercados de productos electrónicos (teléfonos inteligentes, televisores, ordenadores portátiles) impulsada por el aumento de la eficiencia en la producción de semiconductores. Esta es la Ley de Moore, que impulsa la caída de los precios y el aumento de las tasas de adopción de demasiados productos finales. Lo mismo está sucediendo en la IA.

3. La IA de código abierto y la propietaria coexistirán

Una de las razones por la que deberíamos haber anticipado un desarrollo como DeepSeek R1 es la lógica económica del software de código abierto. Históricamente, los proyectos de código abierto han desafiado a las soluciones propietarias al reducir significativamente los costos, como sucedió con Unix/Linux en la informática empresarial, Android en los sistemas operativos móviles, MySQL en las bases de datos y, por supuesto, Llama en la IA. La ventaja en costos del software de código abierto está bien documentada. Era predecible que la IA siguiera una trayectoria similar.

Las empresas como OpenAI, Alphabet y Anthropic siguen estando a la vanguardia en cuanto a capacidades multimodales, seguridad (parece fácil vulnerar DeepSeek R1) y otros puntos de referencia. Aun así, los modelos de código abierto como DeepSeek R1 han reducido la brecha en el razonamiento basado en texto y han demostrado una eficiencia notable. Su potencial para aplicaciones empresariales se refleja en la decisión inmediata de Microsoft de integrar DeepSeek R1 en Azure. Dado su menor costo y mayor flexibilidad, los modelos abiertos como DeepSeek R1 serán muy atractivos para los usuarios, al igual que los modelos de lenguaje más pequeños como Phi-4 de Microsoft, que han demostrado un gran rendimiento en muchos casos de uso.

Por ahora, todo apunta a un mercado con una amplia gama de participantes, en lugar de un escenario donde un solo actor domine casi todo.

4. La escasez de chips impulsa la innovación algorítmica

Otro aspecto de la reacción ante DeepSeek R1 se ha centrado en la “sorprendente” noticia de que China parece haber alcanzado a Estados Unidos en cuanto a modelos de IA de vanguardia. Las restricciones estadounidenses a la exportación pretendían limitar el acceso chino a los semiconductores más avanzados y preservar el liderazgo estadounidense en la investigación de IA. El hecho de que este enfoque no haya tenido un éxito total no debería ser una gran sorpresa. La necesidad es la madre de la invención. Las limitaciones de chips han llevado a los investigadores chinos a priorizar la eficiencia algorítmica sobre la potencia bruta de cálculo, una estrategia que podría resultar profética a medida que se dispara el consumo de energía de los centros de datos.

5. DeepSeek R1 no lo cambió todo

Dicho todo esto, los principales laboratorios de IA y los gigantes tecnológicos de Occidente (incluidos Microsoft, Meta, Alphabet y Amazon) seguirán invirtiendo a niveles vertiginosos, asegurando que la demanda de GPU e infraestructura de IA de última generación siga siendo alta. Los modelos abiertos no reemplazarán por completo a los propietarios, y es probable que sigamos viendo un consumo inmenso de recursos computacionales en el entrenamiento e inferencia de modelos. Como resultado, la carrera por desarrollar los sistemas de IA más avanzados continuará impulsando la demanda de chips de alto rendimiento e infraestructura en la nube a gran escala, a pesar de que en estos momentos los costos de inversión superan con creces los ingresos de muchas empresas del sector.

Además, los grandes compradores de infraestructura de Occidente están indudablemente preocupados por el riesgo de suministro, ya que la mayoría de los semiconductores avanzados se fabrican en una planta de TSMC ubicada en Taiwán.

Podría decirse que el ritmo del avance de la IA, así como la importancia social y económica de este conjunto de tecnologías, no tiene precedentes históricos. Con el aprendizaje por refuerzo que permite avances en los modelos de razonamiento y los agentes de IA, que a su vez darán lugar a innumerables aplicaciones nuevas, 2025 estará repleto de momentos “DeepSeek”. Se esperan avances continuos, un aumento de los casos de uso en el mundo real y el verdadero inicio de una transformación económica a escala sísmica.