Cuando la inteligencia artificial empresarial funcione de verdad, no parecerá inteligencia artificial
En un artículo de hace un par de semanas, argumenté que el fracaso de la inteligencia artificial empresarial no tenía realmente que ver con el entusiasmo, la adopción o incluso la capacidad de los modelos. Era un problema arquitectónico: los grandes modelos de lenguaje nunca fueron diseñados para dirigir una empresa. Las empresas funcionan con memoria, contexto, retroalimentación y restricciones, mientras que los LLM siguen siendo, en esencia, sistemas para predecir texto.
En un segundo artículo, defendí que la respuesta no eran «mejores prompts«, sino un cambio más profundo: pasar de herramientas a sistemas, de respuestas a resultados, de copilots a sistemas de acción y de prompts a restricciones. La inteligencia artificial empresarial no puede basarse en sesiones. Tiene que recordar.
Ese argumento necesita ahora un tercer paso, porque algo importante está empezando a ocurrir: los sistemas que empiezan a funcionar en la inteligencia artificial empresarial no se parecen a mejores chatbots, mejores copilots ni siquiera a mejores cadenas de prompts. Se parecen a algo completamente distinto. Y, si se observa con atención, la evidencia ya está a la vista.
El cambio de herramientas a sistemas ya no es teórico
Durante los dos últimos años, la industria de la inteligencia artificial se ha dedicado sobre todo a optimizar la capa visible: modelos más grandes, mejores interfaces, copilots más pulidos y, ahora, agentes más ambiciosos. Pero las señales más claras de valor no provienen solo de esa capa visible: vienen de organizaciones que están rediseñando flujos de trabajo, integrando inteligencia artificial dentro de procesos y tratando la inteligencia no tanto como una herramienta sino como una infraestructura. La última encuesta global de McKinsey lo dice claramente: el uso de inteligencia artificial es amplio, pero la mayoría de las organizaciones aún no la ha integrado lo suficiente en sus procesos y workflows como para generar beneficios materiales a nivel empresarial. También concluye que el rediseño de workflows es uno de los factores que más contribuyen a un impacto real en el negocio.
Eso importa porque confirma el argumento central de mis dos artículos anteriores: el problema nunca fue sólo si los modelos podían responder bien. El problema era dónde los estábamos colocando. Las organizaciones que avanzan más no son simplemente las que «usan más inteligencia artificial». Son las que están rediseñando la compañía alrededor de ella.
Los sistemas que funcionan no empiezan con prompts
Aquí es donde empieza el verdadero cambio. Los sistemas de inteligencia artificial empresarial más interesantes que están emergiendo hoy no parten de un prompt en sentido estricto. Parten del contexto: un contexto persistente, estructurado y gobernado. El propio equipo de ingeniería de Anthropic describe ahora la ingeniería de contexto como la evolución natural de la ingeniería de prompts, argumentando que el verdadero reto ya no es solo cómo formular instrucciones, sino cómo gestionar todo el estado contextual alrededor del modelo: instrucciones del sistema, herramientas, datos externos, historial de mensajes y entorno.
Es un cambio profundo. Significa que el centro de gravedad se está desplazando desde «¿qué debo preguntar al modelo?» hacia «¿qué entorno, estado y restricciones debería conocer ya el sistema antes siquiera de formular la pregunta?» Anthropic refuerza la misma idea en sus recomendaciones para agentes de larga duración, donde enfatiza la gestión del entorno y la necesidad de preparar a los futuros agentes con el contexto que necesitarán para trabajar eficazmente a través de múltiples ventanas y horizontes temporales largos.
Esto empieza a acercarse mucho a lo que planteaban mis dos artículos anteriores. Una empresa no es una sesión: es un sistema dinámico con memoria. La inteligencia artificial empresarial que reconstruye contexto desde cero en cada interacción parte ya de una premisa equivocada.
El mayor cambio no es la inteligencia. Es la desaparición
Esta es la parte que mucha gente sigue sin ver: la próxima fase de la inteligencia artificial empresarial no estará necesariamente definida por sistemas que parezcan más obviamente inteligentes. Estará definida por sistemas que resulten menos visibles. Cuando la inteligencia se integra en workflows, se conecta a sistemas de registro, se alinea con reglas y se actualiza continuamente a partir de resultados, deja de comportarse como una capa separada a la que el usuario «acude». Pasa a formar parte de cómo funciona la propia organización.
El Work Trend Index 2025 de Microsoft apunta precisamente en esa dirección cuando afirma que las empresas están pasando de organigramas rígidos a estructuras de trabajo más dinámicas y orientadas a resultados, impulsadas por humanos y agentes colaborando en torno a objetivos en lugar de funciones. No es solo una afirmación sobre nuevas herramientas. Es una afirmación sobre un nuevo sustrato organizativo.
Accenture plantea algo parecido desde otro ángulo, describiendo la inteligencia artificial como una fuerza que empieza a aplanar estructuras y crear formas de trabajo más adaptativas y auto-organizadas, en lugar de limitarse a añadir inteligencia sobre jerarquías antiguas.
Así que el cambio más profundo no es que los modelos se vuelvan más inteligentes. Es que la inteligencia empieza a desaparecer dentro del tejido mismo de la empresa.
Por qué los copilots y los agentes siempre fueron transicionales
Nada de esto significa que la ola anterior fuera irrelevante. Los copilots, asistentes y agentes fueron formas transicionales importantes. Hicieron tangible la inteligencia artificial. Enseñaron a las personas a interactuar con estos sistemas. Ayudaron a las organizaciones a descubrir casos de uso. Pero también anclaron la conversación en la capa de interfaz.
Eso siempre iba a ser temporal. Un copilot sugiere. Un agente puede planificar y ejecutar. Pero una empresa necesita continuidad, coordinación, gobernanza, permisos, umbrales de riesgo y bucles de retroalimentación. Por eso tantas implementaciones actuales siguen siendo impresionantes en las demos y frustrantes en la operación real. La inteligencia es visible, pero la arquitectura subyacente sigue siendo superficial. Ese patrón aparece ya no solo en los análisis previos sobre fracasos citados anteriormente, sino también en trabajos recientes de McKinsey y Deloitte, que apuntan exactamente al mismo problema: añadir inteligencia artificial encima de workflows heredados no es suficiente; las organizaciones tienen que rediseñar operaciones y arquitecturas alrededor de ella.
Deloitte lo plantea de forma especialmente clara en su reciente informe sobre estrategia de inteligencia artificial agéntica: muchas empresas están chocando contra un muro porque intentan automatizar procesos diseñados para humanos en lugar de replantear el propio trabajo. Su conclusión es prácticamente idéntica a la que venimos construyendo aquí: el valor surge del rediseño operativo y de arquitecturas compatibles con agentes, no de añadir agentes sobre workflows antiguos.
El verdadero cambio arquitectónico ya está en marcha
Por eso creo que este tercer artículo tiene que ir más allá de decir simplemente «necesitamos mejores sistemas». Tiene que afirmar algo más fuerte: esos sistemas ya están empezando a emerger.
Basta mirar hacia dónde se dirige la energía: Anthropic escribe sobre ingeniería de contexto y entornos de ejecución para agentes persistentes. IBM escribe sobre ingeniería de contexto para inteligencia artificial agéntica fiable, insistiendo en que las empresas necesitan trazabilidad, procedencia, auditabilidad, gobernanza en tiempo real y capacidad para inspeccionar y redirigir agentes en funcionamiento.
McKinsey encuentra que las organizaciones que más valor extraen son aquellas que rediseñan workflows, integran inteligencia artificial en procesos y construyen prácticas de gestión alrededor de validación, gobernanza, datos y modelos operativos.
Microsoft describe explícitamente una transición hacia empresas construidas alrededor de inteligencia bajo demanda, equipos híbridos humano-agente y estructuras dinámicas en lugar de jerarquías estáticas.
Deloitte advierte de que muchas implementaciones agénticas se están estancando porque los sistemas heredados no pueden soportar las exigencias de ejecución de la inteligencia artificial moderna y porque las empresas siguen intentando automatizar las cosas equivocadas.
No son observaciones aisladas. Todas apuntan en la misma dirección: el cambio de arquitectura ya no es hipotético.
La verdadera división no será «usa inteligencia artificial» frente a «no usa inteligencia artificial»
Esa división ya carece de sentido. Los datos de McKinsey muestran que casi nueve de cada diez organizaciones utilizan inteligencia artificial en al menos una función de negocio, y aun así la mayoría sigue atrapada en experimentos o pilotos, mientras solo aproximadamente un tercio ha comenzado realmente a escalar sus programas de inteligencia artificial. En otras palabras, el uso es masivo, pero la transformación sigue siendo desigual.
La división relevante está empezando a ser otra completamente distinta: la que separa a las empresas que tratan la inteligencia artificial como una capa visible de herramientas y aquellas que la tratan como una capacidad sistémica. Unas seguirán generando outputs. Las otras empezarán a cambiar resultados. Unas seguirán añadiendo asistentes e interfaces. Las otras integrarán memoria, restricciones, lógica de workflow y aprendizaje en el núcleo operativo de la organización. Esa es la discontinuidad hacia la que apuntaba ya mi artículo anterior.
Y cuando esa discontinuidad se haga visible, probablemente parecerá repentina, aunque los cimientos lleven meses construyéndose silenciosamente.
Cuando se haga visible, no parecerá progreso
Parecerá otra cosa. MIT Sloan lleva tiempo argumentando que los líderes necesitan replantear cómo gestionan personas, procesos y proyectos alrededor de la inteligencia artificial, en lugar de limitarse a añadir tecnología a rutinas existentes. Su enfoque es revelador: el verdadero reto es el rediseño organizativo, no simplemente el acceso a modelos.
Por eso los próximos ganadores en inteligencia artificial empresarial probablemente no parecerán, desde fuera, empresas con el asistente más espectacular o los productos más visiblemente «AI-powered». Parecerán empresas cuyos sistemas internos se han vuelto silenciosamente más adaptativos, más conscientes del contexto, más sensibles a restricciones y más capaces de actuar de forma coherente entre funciones.
En otras palabras, cuando la inteligencia artificial empresarial funcione de verdad, no se sentirá como otro ciclo de adopción tecnológica: se sentirá como si la propia empresa se hubiera vuelto más inteligente.
El futuro de la inteligencia artificial empresarial no es algo que uses
Es algo en lo que tu empresa se convierte. Ese es el cambio para el que mis dos artículos anteriores estaban preparando el terreno: el primero establecía que los LLM nunca fueron arquitectura empresarial. El segundo argumentaba que la inteligencia artificial empresarial debía pasar de herramientas a sistemas. El siguiente paso ya es evidente, porque esta transición ha dejado de ser teórica: la evidencia procedente de la investigación, la consultoría, la ingeniería de proveedores y el diseño organizativo apunta a que la verdadera frontera está varias capas por debajo del chatbot.
Y cuando esa capa se haga visible, no parecerá mejores prompts, mejores copilots ni mejores demos: parecerá una compañía completamente diferente.
(This article was previously published on Fast Company)
