El argumento a favor de las empresas nativas de IA

Por qué fracasa el intento de encajar la IA en estructuras tradicionales

El enfoque estándar para la adopción de la IA falla por la misma razón que falló la televisión en sus inicios: los primeros locutores ponían a presentadores de radio a leer guiones radiofónicos frente a una cámara. El medio cambió; el formato no.

La mayoría de las empresas actuales están insertando la IA en jerarquías diseñadas en torno a un principio formulado en 1937. La Ley de Coase, llamada así por el artículo del economista Ronald Coase "The Nature of the Firm", sostenía que los costes de coordinación y ejecución son más baratos dentro de una empresa que fuera de ella. Esa suposición justificó cada nivel de aprobación humana, cada comité y cada sistema de tickets construido desde entonces. Ahora es obsoleta.

Hoy en día es más barato desarrollar una funcionalidad de producto que tener la reunión para decidir su creación. Los costes de ejecución fuera de la organización, utilizando herramientas de IA, son inferiores a los costes de ejecución internos. Cuando se inyecta IA en una estructura tradicional, no se eliminan los cuellos de botella: se aceleran los traspasos entre ellos. El procesamiento de facturas es un caso claro: en un sistema tradicional, una factura pasa por contabilidad, operaciones, legal y vuelve a contabilidad, con una aprobación humana en cada nodo. Automatizar cada nodo individualmente sigue dejando la estructura intacta. Se tienen colas más rápidas alimentando las mismas puertas de control.

Cómo es realmente una arquitectura nativa de IA

Una organización genuinamente nativa de IA sustituye el bucle de aprobación centrado en el ser humano por un motor de retroalimentación impulsado por agentes. Salim Ismail, fundador de OpenExO y autor de The Organizational Singularity, describe una pila de seis capas como el núcleo:

Un marco de gobernanza envuelve toda la pila: cada agente requiere conjuntos de evaluación, una cola de revisión humana, trazabilidad de registros y recuperación ante fallos. Los agentes, al igual que los empleados novatos, pueden perder el contexto o desviarse, y la arquitectura debe tener eso en cuenta.

La propiedad crítica de este diseño es el bucle de aprendizaje. Cada ciclo a través de la pila genera una pregunta estructurada: ¿cómo puedo ejecutar esto de forma más rápida, barata y fiable la próxima vez? A nivel de flujo de trabajo, se trata de una forma práctica y alcanzable de automejora recursiva que se potencia con el tiempo. Un sistema de procesamiento de facturas que ejecute este bucle pasa de gestionar mil facturas al mes a unas 100.000.

Cuál es la magnitud real de la brecha de rendimiento

La cifra de 100 veces proviene de observar a empresas nativas de IA operando plenamente bajo este modelo frente a organizaciones tradicionales que ejecutan herramientas de IA sobre estructuras antiguas. En flujos de trabajo equivalentes, la brecha es aproximadamente de un orden de magnitud sobre otro.

Ese número tiene un precedente en la investigación organizacional. Un estudio de siete años que comparó empresas de Fortune 100 con el marco de Organizaciones Exponenciales descubrió que las diez empresas más flexibles y adaptables ofrecieron 40 veces más rentabilidad a los accionistas que las diez menos flexibles durante el mismo periodo. La diferencia de rendimiento entre las organizaciones adaptables y las rígidas no es marginal. Es estructural y se amplía a medida que el entorno externo se acelera.

La misma lógica se aplica con mayor fuerza hoy en día, porque el coste de la IA se ha desplomado. Se pueden gastar 20 dólares al mes o un millón de dólares al mes y obtener una capacidad de modelo ampliamente equivalente. Esa asimetría significa que la ventaja del diseño nativo de IA está ahora al alcance de cualquier organización, no solo de aquellas con los mayores presupuestos de I+D.

💡 Diseñe en torno al bucle, no a la herramienta: La diferencia entre la adopción de la IA y la operación nativa de IA radica en si su flujo de trabajo tiene un bucle de aprendizaje que mejora cada vez que se ejecuta. Añadir una herramienta de IA a un proceso existente es adopción. Reconstruir el proceso para que la IA cierre el bucle y se pregunte cómo reducirlo en el siguiente ciclo es arquitectura. El segundo enfoque se potencia; el primero se estanca.

¿Existe un camino para las organizaciones tradicionales?

Sí, pero requiere construir en la periferia en lugar de transformar el núcleo. Toda gran organización tiene un sistema inmunitario: sus estructuras están diseñadas para la eficiencia y la previsibilidad, no para la adaptabilidad, y cualquier iniciativa disruptiva dentro del núcleo será rechazada. La respuesta no es luchar contra ese sistema inmunitario, sino esquivarlo.

Nespresso es el ejemplo al que vuelve Ismail. Nestlé la incubó como una línea de negocio dentro de la empresa operativa estándar durante diez años, donde no encajaba en ninguna parte, antes de que el CEO le asignara un edificio separado y le permitiera funcionar de forma independiente. El resultado se convirtió en una de las líneas con mayores márgenes de la compañía. La misma lógica impulsó la reestructuración de Google en Alphabet: descentralizar los extremos en lugar de coordinarlo todo desde el centro.

Para una organización tradicional, la secuencia práctica es:

1. Ejecutar un proceso de sistema inmunitario que evite que el núcleo tradicional ataque la nueva iniciativa.
2. Construir el motor nativo de IA en la periferia, comenzando con uno o dos flujos de trabajo: procesamiento de facturas, previsión de la demanda, gestión de contenidos.
3. Dejar que el bucle de aprendizaje se potencie. Una vez establecida la automejora recursiva a nivel de flujo de trabajo, la nueva periferia comienza a superar al núcleo tradicional en esas funciones.
4. Migrar gradualmente los flujos de trabajo del núcleo a la periferia hasta que la estructura antigua pueda ser retirada.

Para organizaciones de menos de 50 personas, donde el fundador conoce a todo el mundo, es posible una reconstrucción por fuerza bruta. Por encima de ese umbral, el problema del sistema inmunitario es lo suficientemente real como para requerir una intervención estructurada antes de que pueda comenzar la construcción en la periferia.

Qué significa esto para quienes se incorporan al sector ahora

La implicación práctica para cualquiera que esté desarrollando habilidades hoy en día es que los conocimientos de informática e ingeniería adquieren más valor en un mundo nativo de IA, no menos. Alguien con formación en sistemas de software tiene mejor criterio sobre lo que realmente están haciendo los agentes de IA, cómo guiarlos y dónde fallan, que alguien que solo ha utilizado la IA como usuario final.

El cambio está en la orientación: la tarea ya no consiste en escribir cada línea uno mismo, sino en diseñar sistemas donde los agentes se encarguen de la carga de trabajo cognitiva y el profesional tome las decisiones de juicio que se sitúan por encima del bucle. Ismail describe la redacción de su tercer libro en tres meses de lo que él llama «puro placer» en comparación con los tres años de dificultad del primero, porque la IA se encargó de todo el trabajo cognitivo estructural (dónde encaja esta cita, cómo se conecta este capítulo) mientras él se centraba en el juicio y la dirección creativa.

Ese mismo cambio se aplica a cada proyecto de software y a cada flujo de trabajo. La pregunta no es qué herramienta de IA utilizar. Es si el sistema que se está construyendo tiene un bucle de aprendizaje que lo hace mediblemente mejor cada vez que se ejecuta.

Para saber más sobre este tema, vea «Why AI-Native Companies Are 100X Better - And Yours Isn't One | Salim Ismail».