Las empresas llevan meses probando agentes de inteligencia artificial en procesos aislados y los resultados no pasan del piloto. El problema no está en los grandes modelos ni en la infraestructura: falta una capa de aplicación estandarizada que haga la IA corporativa consumible y repetible, como la web hizo con internet en los 90. Aquí tienes la lección para founders dispuestos a construir ese puente.
El piloto eterno: por qué la IA empresarial no arranca en las compañías
La paradoja actual es irritante. Los modelos de lenguaje pueden resumir, razonar, programar, buscar y clasificar con una eficacia que hace dos años parecía ciencia ficción. Sin embargo, dentro de las empresas, la misma imagen se repite: decenas de pilotos, cero transformación real. Los departamentos prueban chatbots, asistentes de código y analizadores de contratos, pero la inteligencia no llega a los procesos centrales.
La razón no es la calidad del motor, sino la ausencia de una capa que lo haga utilizable por la organización corriente. Un modelo puede generar una respuesta brillante, pero una compañía necesita un sistema que sepa dónde encaja esa respuesta, qué datos puede usar, qué restricciones aplican, quién tiene permiso para actuar y cómo se aprende del resultado. Eso no lo resuelve un prompt más largo ni un contexto de un millón de tokens.
Las firmas de consultoría lo están detectando. El análisis de McKinsey sobre adopción de IA en 2025 señala que las empresas que más valor extraen no son las que despliegan herramientas aisladas, sino las que rediseñan flujos de trabajo e incrustan la inteligencia en los procesos. Deloitte, en su trabajo sobre IA agéntica, añade que muchas organizaciones chocan contra un muro porque intentan automatizar tareas pensadas para humanos en lugar de repensar cómo debería hacerse el trabajo.
Traducido: la botella se ha movido hacia arriba. Ya no es un problema de capacidad de cómputo, sino de arquitectura de consumo. Y esa arquitectura aún no está estandarizada.
El verdadero cuello de botella no está en los modelos, sino en la inexistencia de un estándar que convierta la inteligencia en procesos de negocio repetibles.
La lección de 1991: la web convirtió internet en negocio, no los cables
Para entender lo que falta, conviene mirar un espejo histórico. En 1991, internet ya funcionaba: TCP/IP movía paquetes, el correo electrónico conectaba instituciones y FTP transfería archivos. Universidades y laboratorios usaban la red, pero para una empresa normal no era un entorno de negocio. Era potente, pero no consumible.
Luego llegó la World Wide Web. Tim Berners-Lee añadió una capa finísima pero decisiva: URL, HTTP, HTML, servidores y navegadores. Como recoge la historia oficial del CERN, en diciembre de 1990 ya tenía listo el primer navegador y el software de servidor; en 1991 liberó el código al dominio público. Esa capa no inventó la red, la hizo legible, usable y construible para el resto del mundo. El comercio electrónico, las plataformas y los negocios digitales nacieron sobre esa capa, no sobre los cables.
La analogía con la IA empresarial es directa. Los grandes modelos de lenguaje son una infraestructura extraordinaria, probablemente uno de los sustratos tecnológicos más importantes de nuestra era. Pero la infraestructura no es la capa de aplicación. Una empresa que hoy intenta operar con modelos de IA se parece a una librería que en 1990 hubiera querido vender en línea sin la web: cada transacción exigiría protocolos a medida, interfaces personalizadas y un ejército de ingenieros incrustados. Eso es ingeniería, no comercio.
El resultado de esa inmadurez es la dependencia actual de despliegues artesanales, pilotos aislados y consultoras que hacen de puente manual. La industria está atrapada en la fase previa a la estandarización, exactamente como el software empresarial antes de los ERP.
📦 Caso de estudio: Anthropic y la ‘context engineering’
- El reto: Los agentes de IA necesitan contexto persistente, pero la ventana de tokens es finita y se diluye con interacciones largas.
- La jugada: El equipo de Anthropic ha puesto el foco en la ingeniería del contexto: curar y gestionar la información que rodea al modelo en lugar de solo mejorar los prompts.
- El resultado: Sus sistemas empiezan a comportarse de manera más fiable en tareas complejas porque entienden roles, restricciones y estados del proceso.
- La lección: El modelo ya no es el producto completo; el entorno alrededor del modelo se convierte en el producto. Esa es la dirección de la capa que falta.
El siguiente ganador no será el mejor modelo sino quien construya la capa de consumo
La historia se repite. En la transición de internet, la pregunta crítica no fue quién poseía los cables, sino quién definía la capa que hacía usable la red. En el software empresarial, el valor no estuvo en el hardware de servidores, sino en quien creó el sistema de representación del negocio y el ecosistema a su alrededor. SAP industrializó finanzas, inventarios, compras y RR.HH. en una plataforma repetible. Salesforce construyó un marketplace de aplicaciones sobre su CRM y convirtió un producto en un ecosistema.
Con la inteligencia artificial ocurrirá lo mismo. Los proveedores de modelos seguirán importando, igual que los operadores de telecomunicaciones, pero el poder de definir la categoría pertenecerá a quien construya esa capa intermedia que permita que la inteligencia empresarial sea persistente, gobernada, contextual, consciente del proceso y repetible. En otras palabras, la capa que convierta los pilotos en producto.
Las siete propiedades que esa capa debe proporcionar son identificables: contexto persistente, semántica de negocio, estado del proceso, permisos y gobernanza, bucles de retroalimentación, interoperabilidad con sistemas de registro y repetibilidad arquitectónica. Ningún modelo, por sí solo, las resuelve. Es una capa que hay que diseñar.
Cuando esa capa aparezca, el camino del piloto a producción se acortará drásticamente y la IA dejará de ser algo que las empresas experimentan para ser algo sobre lo que se construyen.
Para los founders que operan en el ecosistema español, donde el tejido empresarial está compuesto mayoritariamente por pymes con procesos menos digitalizados, la oportunidad es doble: construir herramientas que encapsulen esa lógica de despliegue acelerado puede ser tan rentable como desarrollar otro modelo más. La ventana está abierta.
🚀 Hoja de Ruta para Emprender
- Identifica un dominio de negocio huérfano: Busca sectores donde los procesos sigan siendo manuales pero repetibles (logística, cumplimiento normativo, atención al cliente regulado) y diseña la capa que lea su estado y restricciones.
- No empieces por el modelo, empieza por el flujo: Mapea el viaje completo de una decisión o una transacción dentro de la empresa y construye el armazón de contexto, permisos y retroalimentación antes de conectar la IA.
- Haz que la repetibilidad sea tu ventaja: Evita el despliegue artesanal. Invierte en plantillas de dominio, conectores estandarizados y un motor de reglas que permita replicar la solución sin volver a codificar desde cero.
