Llevo unos meses observando cómo las empresas se acercan a la inteligencia artificial, y hay un patrón que se repite tanto que ya no puedo ignorarlo: mucha gente está corriendo en una dirección que no les va a dar los resultados que esperan.
No lo digo desde la superioridad. Lo digo desde la trinchera, viendo ofertas de empleo, conversaciones con founders y planes estratégicos que mezclan ambición con una idea bastante difusa de lo que la IA puede hacer hoy por un negocio real. Y creo que vale la pena ordenar un poco lo que estoy viendo, porque las decisiones que se toman ahora van a marcar los próximos años.
El espejismo del modelo propio
El primer síntoma lo encuentro en cómo se contrata. Veo empresas buscando perfiles para «adoptar la IA» y, al leer la oferta, muchas piden experiencia entrenando LLMs o dejan entrever una fantasía concreta: la de sacar, casi por arte de magia, su propio modelo de inteligencia artificial.
Aquí toca ser honesto. Entrenar un modelo propio desde cero no es un proyecto de un trimestre con un par de ingenieros motivados. Hablamos de invertir, como mínimo, una centena de millones de dólares solo en el entrenamiento, sin contar el talento especializado, la infraestructura y el coste de equivocarte por el camino.
Y la realidad es que casi ninguna empresa necesita eso para apalancar el crecimiento de su negocio con IA. Confundir «usar IA» con «fabricar IA» es como pensar que para tener web propia hay que construir primero tu propio navegador. La capa que mueve la aguja del negocio está mucho más cerca, y es mucho más barata.
El sueño de los agentes autónomos
El segundo síntoma es el contrario, pero igual de problemático. Otras empresas escuchan hablar de agentes de IA y se imaginan robots completamente autónomos haciendo, de principio a fin, el trabajo de una persona.
Que quede claro: no digo que el futuro no nos lleve hacia ahí. Probablemente sí. Pero aún hay mucho camino por recorrer, y construir tu estrategia de hoy sobre una capacidad que todavía no es fiable es la forma más rápida de quemar presupuesto y confianza interna.
Los agentes funcionan, pero funcionan acotados: tareas con límites claros, con supervisión humana, con procesos donde un error no es catastrófico. La diferencia entre «un agente que me ahorra horas» y «un agente que sustituye a mi equipo» no es de grado, es de naturaleza. Y mezclarlas en un plan estratégico genera expectativas que luego nadie puede cumplir.
Entonces, ¿qué sí tiene sentido?
Si los dos extremos —el modelo propio y el robot autónomo— son trampas, ¿por dónde se empieza? Esto es lo que, a día de hoy, creo de verdad:
Probablemente no necesitas una LLM propia
Lo repito porque es el error más caro. Antes de plantearte entrenar nada, exprime lo que ya existe. Los modelos comerciales son hoy una commodity potentísima, y el valor para tu negocio no está en el modelo, está en cómo lo conectas a tus procesos y tus datos.
Apaláncate en automatizar lo que la IA hace fácil
Aquí está el verdadero retorno a corto plazo. Hay decenas de procesos en tu empresa —soporte, documentación, análisis de datos, generación de borradores, clasificación, resúmenes— que la IA hace hoy más rápido y más barato. No es glamuroso, pero es lo que paga las facturas y libera tiempo de tu gente.
Da acceso y formación a tus empleados
De nada sirve tener las mejores herramientas si tu equipo no sabe usarlas en el día a día. La ventaja real no la marca la herramienta, la marca la fluidez con la que tu gente la integra en su trabajo. Acceso, formación y permiso para experimentar. Esa es la inversión con mejor ratio coste-beneficio que vas a encontrar.
Planifica los costes, y asume que van a subir
Hay que planear los costes desde el principio, y tener muy claro que tienen tendencia a crecer al menos durante unos años. A medida que integras IA en más procesos, el consumo escala. No es un problema, es una característica del modelo. Pero si no lo presupuestas, te llevarás un susto.
Evalúa headcount vs. coste de tokens
Esta es la decisión incómoda que casi nadie quiere mirar de frente. En muchos contextos sigue siendo más ventajoso pagar a juniors que apostar el 100% a la IA. La clave es diversificar, como en cualquier inversión: no metas todo tu presupuesto en tokens ni todo en cabezas. El equilibrio depende de tu negocio, tu margen y tu fase, pero apostar al absoluto —en cualquier dirección— suele salir caro.
El blitzscaling, tal como lo conocíamos, ya no encaja
Y este punto es el que más me hace pensar. El blitzscaling en scaleups como lo entendíamos hace unos tres años ya no encaja en este mundo con IA. La lógica de crecer a cualquier coste, quemando caja para ganar mercado antes que nadie, choca con un escenario donde la eficiencia ha vuelto a ser rey y donde las herramientas que tienes hoy te permiten hacer más con menos. Las reglas del juego de scaling han cambiado, y conviene asumirlo antes de diseñar el plan de los próximos dos años.
¿Y si de verdad necesitas tu propia LLM?
Que conste que no es un «nunca». Hay negocios concretos donde un modelo propio o un fine-tuning serio sí tiene sentido: datos muy específicos, regulación particular, una ventaja competitiva que vive justo en esa capa.
Si ese es tu caso, no estás solo: tanto Nvidia como AWS ofrecen servicios pensados para ayudarte a entrenar tus modelos sin tener que levantar tú toda la infraestructura desde cero. Pero llega a esa conclusión por necesidad real del negocio, no por la fantasía de tener «IA propia».
Las verdades están cambiando, y eso está bien
Si algo tengo claro es que estamos en un momento donde las verdades cambian constantemente, y las buenas prácticas también. Lo que escribo hoy puede quedar a medias dentro de seis meses, y no pasa nada.
Por eso, mi única recomendación es esta: no tomes nada como una máxima inmutable. Mantente abierto a los cambios y dispuesto a corregir la dirección cuando los datos te digan que te has equivocado. En tecnología, terminar aferrado a una certeza vieja sale mucho más caro que rectificar a tiempo.
¿Y vosotros, qué estáis viendo en vuestras empresas? ¿Reconocéis alguno de estos patrones, o estáis encontrando caminos distintos para integrar la IA sin caer en los extremos?
