Busque nuevas formas de crear valor al implementar la IA generativa
A
unque las empresas invierten grandes recursos en IA generativa, las ganancias de productividad resultantes parecen verse neutralizadas por la competencia, ya que se trasladan a los clientes o proveedores en lugar de quedarse en manos de las empresas (una señal temprana de la mercantilización). Por lo tanto, los datos sugieren que los beneficios de la IA generativa no residirán en utilizar la tecnología simplemente para realizar las actividades existentes de forma más rápida o eficiente.
Más bien, los líderes empresariales que buscan aprovechar la IA generativa para obtener ventaja deberían enfocarse en otro impacto de las nuevas tecnologías: la apertura de nuevas fuentes de valor.
Al reconocer los cambios que la IA generativa impulsará en el mercado en general, los líderes pueden reposicionar a su empresa como un nodo valioso dentro de este ecosistema emergente. Tres estrategias ilustran cómo este desarrollo puede impulsar cambios en las fuentes de valor.
1. El rediseñador: Replantear las ofertas para adaptarlas a las decisiones impulsadas por la IA generativa
Dado que las decisiones se basan cada vez más en agentes de IA (y es posible que, en un futuro próximo, estos las tomen directamente), las empresas deben rediseñar sus ofertas para que puedan ser procesadas por máquinas. Esto implica revisar la forma en que se proporciona la información, por ejemplo, ofreciendo datos estandarizados sobre las características y la compatibilidad de los productos, y permitiendo que los agentes interactúen directamente con sus ofertas.
Este nuevo enfoque complementará las estrategias de marketing tradicionales centradas en la percepción humana, las cuales pueden perder efectividad a medida que los agentes se basan en datos objetivos y verificables en lugar de la confianza emocional o el reconocimiento de marca.
- El supervisor: Validar la precisión de la IA generativa
A medida que los modelos de IA generativa y los agentes autónomos se multiplican y comienzan a actuar como actores económicos por derecho propio, surge una necesidad creciente de supervisión adecuada para aumentar la credibilidad y garantizar la confiabilidad.
Esta es una nueva fricción que las empresas pueden convertir en oportunidad, por ejemplo, comercializando capacidades que ya utilizan internamente. Mastercard Decision Intelligence ofrece interfaces de programación de aplicaciones para la evaluación del riesgo de fraude que ayudan a los agentes de pago a decidir cuándo aprobar o rechazar una transacción. Este enfoque de “cumplimiento como servicio” convierte la experiencia adquirida en verificación y regulación en una nueva fuente de ingresos. De manera similar, NewsGuard, que evalúa a los medios con base en su confiabilidad, credibilidad y posibles conflictos de interés, ha licenciado su tecnología a proveedores de LLM, quienes la utilizan para permitir que sus modelos puedan seleccionar fuentes adecuadas y autocorregir la información falsa.
En un sentido más amplio, cualquier empresa que disponga de datos propios y verificados (como resultados de ensayos clínicos, análisis financieros o manuales de ingeniería) podría transformar ese conocimiento en un servicio de validación para los modelos de lenguaje de gran tamaño, garantizando así que el contenido generado sea conforme a las normas y preciso.
- El proveedor: Suministrar insumos para la IA generativa
Los modelos de IA generativa también necesitan insumos para su entrenamiento (una necesidad creciente, ya que se prevé que los datos de texto creados por humanos disponibles públicamente se agoten para 2028), así como acceso a datos que les permitan responder consultas en tiempo real.
La necesidad de contar con fuentes seleccionadas y de alta calidad (en particular conocimientos especializados en ámbitos específicos en los que los desarrolladores de modelos deseen que sus LLM tengan experiencia) está abriendo las puertas a otro posible modelo de negocio para las empresas ya establecidas. Por ejemplo, Thomson Reuters concede licencias para que sus noticias y datos de mercado en tiempo real se incorporen a los flujos de trabajo de los LLM, mientras que LexisNexis proporciona las ontologías legales estructuradas y la jurisprudencia verificada de las que dependen los LLM especializados en el ámbito jurídico.
Las estrategias anteriores no son exhaustivas y no aplicarán a todas las organizaciones. Los líderes pueden identificar las más valiosas para su empresa en la era de la IA generativa haciéndose las siguientes preguntas:
— ¿Cuáles de nuestros activos o capacidades diferenciadoras actuales corren el riesgo de convertirse en productos genéricos debido a la IA generativa?
— ¿Qué nuevos obstáculos está provocando la tecnología de IA generativa en nuestros mercados o para nuestros clientes? ¿Resolverlos representa una oportunidad de valor?
Al abordar estas cuestiones de forma proactiva, los líderes pueden identificar qué estrategias corren el riesgo de convertirse en productos básicos y cómo conseguir una ventaja competitiva duradera.
© 2026 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Even as companies pour resources into generative artificial intelligence, the resulting productivity gains appear to be competed away, passed on to customers or suppliers rather than retained by firms — an early sign of commoditization. As such, the data suggests that the benefits of generative AI will not lie in using the technology simply to perform existing activities faster or more efficiently.
Rather, business leaders seeking to deploy generative AI for advantage should look toward another impact of new technologies: the unlocking of new value pools.
By recognizing the changes generative AI will drive in the broader market, leaders can reposition their firm as a valuable node in this emerging ecosystem. Three strategies illustrate how this development may drive shifts in value pools.
THE REPACKAGER: RETHINK OFFERINGS FOR GENERATIVE AI-POWERED CHOICES
As choices are increasingly informed by — and may in the near future increasingly be made directly by — AI agents, firms must repackage their offerings for machine consumption. This means revisiting how information is provided, for instance, by offering standardized data on product attributes and compatibility, and enabling agents to interact directly with your offerings.
This new approach will complement traditional marketing strategies focused on human perception, which may lose power as agents rely on objective, verifiable data rather than emotional trust or recognition.
THE SUPERVISOR: VALIDATE GENERATIVE AI’S ACCURACY
As generative AI models and autonomous agents proliferate and begin acting as economic actors in their own right, there is an increasing need for appropriate supervision to enhance credibility and ensure reliability.
This is a new friction that businesses can pivot to solving, for example, by productizing capabilities they already use internally. Mastercard Decision Intelligence provides fraud risk-scoring application programming interfaces that help payment agents decide when to approve or decline a transaction. This “compliance-as-a-service” approach converts hard-won verification and regulatory expertise into a new income stream. Similarly, NewsGuard, which rates publishers based on reliability, trustworthiness and potential conflicts of interest, has licensed its technology to large language model providers, which use it to enable their models to select appropriate sources and to self-correct false information.
More broadly, any companies with proprietary, verified data, such as clinical trial results, financial analysis or engineering manuals, could transform that knowledge into a validation service for LLMs, ensuring that generated content is compliant and accurate.
THE SUPPLIER: PROVIDE INPUT TO GENERATIVE AI
Generative AI models also need input for training — an increasing need, as publicly available human-created text data is predicted to run out by 2028 — as well as access to data that could help answer queries in real time.
The need for curated, high-quality sources, particularly domain-specific knowledge that a model developer may want their LLM to have expertise in, is unlocking another potential business model for incumbents. For example, Thomson Reuters licenses real-time news and market data into LLM pipelines, while LexisNexis provides the structured legal ontologies and verified case law that domain-specific LLMs depend on.
The strategies above are not exhaustive, and they will not apply to every organization. Leaders can identify the most valuable strategies for their company in the generative AI age by asking themselves the following questions:
— Which of our current differentiating assets or capabilities are at risk of becoming commoditized by generative AI?
— Which new frictions is generative AI technology causing in our markets or for our customers? Is solving them valuable?
By proactively engaging with these questions, leaders can identify which strategies are at risk of commoditization — and how to unlock durable advantage.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
