H

oy en día, el desarrollo de la inteligencia artificial está controlado por un pequeño grupo de empresas. Compañías como OpenAI, Alphabet, Amazon, Meta y Microsoft dominan el mercado gracias a sus vastos recursos computacionales, sus enormes bases de datos propias, su gran cantidad de talento técnico, sus prácticas de extracción de datos, su mano de obra barata y su capital, que les permiten realizar experimentos continuos y una rápida implementación.

Este dominio trae consigo problemas: violaciones de privacidad y estrategias laborales orientadas a minimizar costos, altos costos ambientales derivados de los centros de datos y sesgos evidentes en los modelos que pueden reforzar la discriminación en la contratación, la atención médica, la puntuación crediticia, la vigilancia policial y más.

Sin embargo, está surgiendo un modelo diferente, sin mucho alboroto, pero con un potencial real. Las cooperativas de IA (organizaciones que desarrollan o gestionan tecnologías de IA basadas en principios cooperativos) ofrecen una alternativa prometedora. El movimiento cooperativo, con su presencia global y diversidad de modelos, ha tenido éxito en la banca y la agricultura, así como en los seguros y la manufactura. Las empresas cooperativas, que son propiedad de sus miembros y están gobernadas por ellos, llevan mucho tiempo gestionando infraestructuras para el bien público.

Un puñado de cooperativas de IA ofrece los primeros ejemplos de cómo la gobernanza democrática y la propiedad compartida podrían dar forma a usos de tecnología más responsables y centrados en la comunidad. Esto es lo que pueden hacer las cooperativas.

1. Democratizar la gobernanza de datos

Las cooperativas de IA aún son pequeñas y están en desarrollo, pero las que existen dan una idea de cómo podría ser un tipo diferente de infraestructura y gobernanza de datos, y cómo pueden cambiar la forma en que se controlan y se accede a ellos. MIDATA es una cooperativa suiza sin fines de lucro dedicada a los datos de salud, que pone a los ciudadanos al mando de su propia información médica. Los miembros abren una cuenta de datos segura y encriptada, y pueden conceder de forma selectiva a los investigadores acceso a sus datos personales de salud, todo mientras gobiernan la cooperativa de forma democrática a través de su asamblea general. Construida sobre infraestructura de código abierto del ETH Zurich y la Universidad de Ciencias Aplicadas de Bern, MIDATA respalda la creación de cooperativas hermanas regionales o nacionales, permitiendo una investigación justa, transparente y coordinada a nivel global sin sacrificar el control individual.

2. Llevar la investigación a la sociedad civil

Los debates más importantes sobre la IA se desarrollan en círculos elitistas (congresos académicos, centros de pensamiento, laboratorios financiados por capital riesgo). Pero las decisiones que se toman allí tienen consecuencias cotidianas. El movimiento cooperativo está en una posición única para socializar estos debates, llevando la IA a los ayuntamientos, centros comunitarios y asambleas ciudadanas.

3. Impulsar la educación

Cerrar la brecha de conocimiento sobre la IA no es solo una cuestión de traducción, sino también de poder. La Alianza Cooperativa Internacional (la principal organización que representa a los mil millones de personas que participan en cooperativas en todo el mundo) podría liderar el uso de la IA para la educación cooperativa a nivel global. Las cooperativas pueden crear plataformas de aprendizaje multilingües basadas en audio y dotadas de IA, que ofrezcan formación profesional a sus miembros.

4. Construir modelos alternativos de propiedad

La propiedad da forma a la dirección. OpenAI comenzó como una organización sin fines de lucro “para la humanidad”, luego cambió a un modelo de ganancias limitadas para atraer capital de riesgo, un movimiento que fue tanto ideológico como legal. Las cooperativas, por el contrario, utilizan reservas indivisibles y una gobernanza democrática para mantenerse alineadas con sus objetivos a largo plazo.

5. Adaptar críticamente la ia para fines cooperativos

No toda la IA se adapta naturalmente a los modelos cooperativos. Pero en aquellos casos donde sí lo hace (como las cooperativas de plataformas, los bienes comunes de datos y las herramientas de gobernanza), existe un espacio real para construir. El desafío consiste en rediseñar el propio desarrollo de la IA, no simplemente “usar mejor la IA”. Eso significa invertir en infraestructura, marcos legales y formas organizacionales que garanticen la rendición de cuentas desde el principio.

La IA no es simplemente un salto tecnológico: es un reinicio sistémico, uno que definirá cómo operan las instituciones y a quién sirven. Los experimentos cooperativos que se están desarrollando hoy no escalarán de la noche a la mañana. Pero, mediante principios alineados, coordinación global y asociaciones concretas entre los sectores público y privado, pueden ayudar a remodelar el panorama.

¿

Con qué frecuencia debería restablecer la estrategia corporativa? Algunos dicen que anualmente. Otros dicen que los tiempos dinámicos exigen cambios más frecuentes, incluso radicales. Sin embargo, establecer una nueva estrategia corporativa debería ser un evento poco común.

Primero, definamos qué entendemos por estrategia corporativa. Si una misión describe el propósito de una organización, y una visión pinta la imagen de cómo vemos a la organización en el futuro, entonces una estrategia es un plan de acción para cumplir la misión y evolucionar hacia la visión. Las unidades de negocio, los equipos e incluso las personas pueden desarrollar e implementar estrategias. Sin embargo, la estrategia corporativa tiende a estar mucho más involucrada, considerando la complejidad de dirigir a toda una empresa a través de incógnitas, impactos futuros y respuestas competitivas. Por lo general, requiere orquestar un extenso sistema de programas y, a menudo, son necesarios muchos pasos y años para implementarla por completo.

Por lo tanto, si revisa frecuentemente su estrategia corporativa, debería preguntarse si alguna vez tuvo una en primer lugar. Participar en un mercado en crecimiento, replicar una oferta competitiva o aprovechar una tendencia puede generar dividendos por un tiempo y, a menudo, disfrazarse de estrategias. Sin embargo, estos son marcadores de posición oportunistas, a menos que vayan acompañados de acciones deliberadas destinadas a lograr una posición privilegiada en el mercado. La verdadera estrategia corporativa requiere teoría de juegos. También requiere una lluvia de ideas sobre una amplia gama de resultados. Y ciertamente requiere una gran cantidad de rigor en cuanto a cómo responderá y cómo se construirá en diferentes escenarios.

¿Cómo puede estar seguro de que su estrategia corporativa tiene el nivel adecuado de rigor, de modo que no caiga en la trampa de perseguir tendencias? Para comenzar, debe pensar en su plan y luego administrarlo en tres dominios: su núcleo, su ventaja y sus opciones.

— Su núcleo es lo que lo pone en el juego. Para las empresas maduras, la eficiencia despiadada y el enfoque cuidadoso en el cliente son apuestas en la mesa para presentarse y jugar nuevamente mañana.

— Su ventaja es donde aprovecha sus activos y capacidades para obtener ganancias. Esto se logra reformulando la relación con el cliente o explotando los subproductos del núcleo.

— Sus opciones son flexibilidades que diseña pensando en el futuro. Estas pueden abrir puertas a nuevas oportunidades cuando el mundo cambia.

Tomemos Alphabet. El núcleo de la compañía es su negocio de búsqueda. Su ventaja está en los servicios en la nube. Y sus opciones incluyen hacer uso de los datos que están recopilando, tal vez en algún modelo de negocio basado en inteligencia artificial que ni siquiera existe en la actualidad. A medida que el mundo alrededor de Alphabet ha cambiado, la empresa ha sumado innumerables iniciativas, como YouTube, Google Cloud y Waymo; sin embargo, la estrategia subyacente de la empresa: fomentar un sistema de autoconstrucción resiliente que cree y monetice una visión estadística profunda sobre los intereses y las elecciones humanas, permanece constante.

Johnson & Johnson, JPMorgan y Lockheed Martin también muestran (al menos abiertamente) estrategias corporativas de alto nivel que se parecen mucho a lo que podríamos haber observado hace años. Sin embargo, estas empresas han evolucionado gradualmente y han disfrutado de un sólido crecimiento de las ganancias, incluso cuando los gustos de los clientes, los movimientos competitivos y el avance tecnológico parecen cambiar el juego con cada año que pasa.

En mi experiencia, esto es típico de las grandes organizaciones con las estrategias corporativas más exitosas. A pesar del folclore gerencial, no están “reinventándose constantemente”. Sí, han estado atentos. Es cierto que ha habido mucho trabajo para ocupar a los gerentes y asesores haciendo un balance y calibrando nuevas iniciativas conforme surgen oportunidades. Sin embargo, no deberíamos confundir la innovación planificada con la falta de compromiso con un plan de largo plazo. Los caminos hacia la ventaja competitiva deben tener en cuenta lo inesperado; de esta manera, la estrategia tiene más que ver con la dirección y los principios, que con las elecciones tácticas específicas que emanan de ella.

Por supuesto, la misma propuesta de pensar a largo plazo puede invocar protestas, a menudo preocupadas por la rigidez de pensamiento que condujo a la caída de muchas empresas que alguna vez fueron grandes. Piense en Kodak y su dedicación a la fotografía impresa, la resistencia de Compaq a las ventas directas al consumidor o la incapacidad de Blockbuster para evolucionar. Sin embargo, tener una visión a largo plazo de la estrategia no es lo mismo que una propuesta de “configúrelo y olvídelo”.

Se trata más de pensar varios movimientos de ajedrez hacia adelante, mientras se evitan las distracciones. Es razonable hacer ajustes ocasionales, de la misma manera que un inversionista podría, por ejemplo, reequilibrar su cartera o hacer una recolección bien pensada de pérdidas fiscales. Sin embargo, los mejores inversores también le dirán que, cuanto más toque el dinero, es probable que tenga menos. Además, los mejores estrategas establecerán principios y umbrales que diferencien entre la calibración y los verdaderos cambios de dirección.

Recuerde, no se puede confiar en los pronósticos; lo único que podemos predecir con certeza es que la mayoría de los pronósticos resultarán erróneos. En su lugar, deberíamos poner a prueba los planes en diversos escenarios. En esencia, una buena estrategia corporativa obliga a debatir una variedad de escenarios por adelantado, de modo que esté mejor equipado para asumir rápidamente riesgos calculados, alineados con sus principios corporativos y objetivos a largo plazo, a medida que cambia el mercado.

Una regla general es que una gran estrategia es simple de articular, difícil de replicar y evidente en retrospectiva. También requiere un proceso de identificación de momentos para imponer la adaptación a través de alguna combinación de inteligencia de mercado y evaluación de riesgos. Las oportunidades que surgieron a través de este proceso necesitan una evaluación continua, con algunas destinadas a unirse a la cartera, mientras que otras se dejan de lado. En cualquier caso, el objetivo es el conocimiento de la situación para que pueda calibrar el negocio a lo largo de su camino evolutivo planificado. Críticamente, esto implica gestionar la estrategia, no reiniciarla.

La literatura gerencial está llena de consejos sobre la autodisrupción. En la práctica, es un movimiento muy arriesgado: No todas las empresas sobreviven a un reinicio de esa naturaleza. Para la mayoría, un mejor enfoque es administrar dinámicamente el plan. La estrategia corporativa, por otro lado, planifica resultados variados y establece las reglas mediante las cuales se toman decisiones en un proceso deliberado y continuo.

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.