1. El mito de la carrera por el último modelo (un producto básico 3%)
Las enormes inversiones de los gigantes tecnológicos estadounidenses, cuyo gasto en infraestructuras alcanzará los 700 mil millones de dólares el próximo año, sustentan un discurso estratégico muy concreto: la idea de que las empresas deben adquirir sin falta sus últimos modelos de código cerrado para seguir siendo competitivas.
En realidad, en 2026, los modelos de IA subyacentes se han convertido en un producto básico. La diferencia media de rendimiento entre un modelo gratuito (de código abierto) y uno de pago (de código cerrado) es de tan solo unos 3%. Sin embargo, la mayoría de las empresas actuales solo aprovechan el 0,0011 TP47T de las capacidades reales de estas herramientas. Hoy en día, el verdadero factor diferenciador no es el modelo que se alquila a los gigantes estadounidenses, sino más bien el 1 TP41T propio y el contexto de su organización.
Vincent Luciani, cofundador y presidente ejecutivo de Artefact, ya anticipó este cambio en 2014, cuando aún tenía que definir el término “IA” en cada reunión con los clientes. Hoy en día, con 2.500 empleados, Artefact es la mayor consultora independiente de data e IA de Europa, y su conclusión es tajante: sin datos limpios de data, incluso el modelo más potente carece de valor.
“No es la inteligencia artificial lo que marca la diferencia, sino la calidad del data que ya existe en la empresa”, afirma Vincent Luciani, cofundador y presidente ejecutivo de Artefact.
2. La trampa del “Token Maxing”, o la ilusión de la productividad
El núcleo de la mentira reside en una práctica cultural que resulta sumamente lucrativa para Silicon Valley: el “token maxing”. Los gigantes tecnológicos ejercen una presión inmensa sobre los desarrolladores para que consuman en exceso unidades de computación (tokens). Vincent Luciani señala específicamente a Jensen Huang, fundador de Nvidia, quien afirmó públicamente que un desarrollador que cobra 500 000 dólares al año debería consumir tokens por un valor de al menos 250 000 dólares. Esta cultura se ha vuelto tan tóxica que los rumores sugieren que se ha despedido a desarrolladores simplemente por no gastar suficientes tokens, mientras que las startups ofrecen herramientas para utilizar tokens de forma artificial con el fin de simular una elevada actividad.
Para las empresas de la economía real, las consecuencias financieras son desastrosas:
- Aumentos presupuestarios descontrolados: Empresas consolidadas como Uber han agotado todo su presupuesto anual destinado a la inteligencia artificial en tan solo cuatro meses.
- El peligro de los bucles autónomos: Las arquitecturas modernas de inteligencia artificial permiten a los agentes autónomos crear subagentes para resolver un problema. Si no se supervisan, estos scripts se ejecutan en bucle durante toda la noche. Vincent Luciani menciona el caso de un cliente que recibió una factura inesperada de 150 000 dólares en una sola noche debido a una única consulta analítica mal formulada.
- La paradoja de la productividad: Silicon Valley alaba a los equipos técnicos que producen entre 7 y 8 veces más líneas de código gracias a la inteligencia artificial. Sin embargo, un estudio del MIT demuestra lo vacía que es esta métrica: estas empresas no están generando más ingresos ni lanzando al mercado un número significativamente mayor de productos. El “token maxing” no suele ser más que una transferencia masiva de riqueza desde las arcas de las empresas hacia los servidores de Silicon Valley.
3. La ilusión del conocimiento y el cuello de botella en la toma de decisiones
Este espejismo de productividad enmascara un deterioro cognitivo que Vincent Luciani ilustra mediante un estudio realizado con estudiantes. Cuando se enfrentan a un trabajo (ya sea de historia, matemáticas o programación), el grupo de estudiantes con acceso a la IA obtiene sistemáticamente notas mucho mejores. Sin embargo, cuando la prueba se repite unos días más tarde sin IA, su rendimiento se desploma por completo (pasando de un 10 a un 1), ya que el simple copiar y pegar elude el esfuerzo mental necesario para la retención de la información.
Exactamente el mismo fenómeno se da en el mundo empresarial. Situar la inteligencia artificial al inicio de un proceso creativo o estratégico fomenta la pereza intelectual. Por eso ha cambiado el cuello de botella operativo: ya no se trata de producir, sino de decidir y validar.
En el ámbito de la consultoría, por ejemplo, herramientas como Granola (conversión de voz a texto) y los scripts de IA pueden generar una propuesta comercial y unas diapositivas en menos de un minuto tras salir de una reunión con un cliente. Sin embargo, Artefact prohíbe a sus consultores hacerlo. La IA debe introducirse al final del proceso, únicamente para formalizar el profundo razonamiento humano realizado previamente; de lo contrario, no aporta más que una insulsa media estadística.
“El verdadero cuello de botella hoy en día ya no es la producción, sino la validación humana de las decisiones”, Vincent Luciani, cofundador y presidente ejecutivo de Artefact
4. El antídoto: “El arnés” y los cuatro pasos del método Data
Para escapar de esta trampa de beneficios, las empresas deben adoptar un marco de control estricto denominado “The Harness”. Esto implica establecer un sistema de gobernanza riguroso para supervisar los costes de computación, realizar un seguimiento de la deriva de los modelos técnicos y restringir los derechos de acceso a data.
Para desarrollar este marco y lograr que la IA resulte verdaderamente rentable, es necesario volver a los fundamentos pragmáticos, que se resumen en una hoja de ruta de cuatro pasos para sanear el modelo data:
- Compruebe la exactitud en la fuente: Revise las herramientas existentes. En la mayoría de las empresas, los datos básicos data o bien faltan o bien son incorrectos (por ejemplo, uno de cada dos comerciales se olvida de actualizar el CRM tras una llamada con un cliente).
- Unificar la taxonomía: Asegúrese de que las palabras tengan el mismo significado en todas partes. Si el término “cliente” significa “alguien que ha realizado un pedido” en Francia, pero “alguien que ha pagado” en España, la IA generará un data inexacto.
- Designar a los titulares de los dominios: El Data pierde su vigencia al instante. El Data debe ser actualizado continuamente por los responsables, quienes deben rendir cuentas directamente de su ámbito de competencia (CRM, RR. HH., Finanzas).
- Aplicar el principio de «una única fuente de verdad»: Prohíba de forma definitiva el uso de las docenas de archivos de Excel que circulan entre los equipos con diferentes versiones de la plantilla, y centralice todos los flujos en una única base de datos data, ordenada y en la que se puedan realizar consultas.
Solo cuando este activo informativo esté debidamente estructurado podrá integrarse la IA de manera eficaz. De este modo, podrá romper los silos de la empresa al conectar de forma horizontal los departamentos de finanzas, recursos humanos, ventas y selección de personal.
5. No se deje llevar por el revuelo: la lección de supervivencia de Artefact
Esta disciplina frente al canto de sirena de Silicon Valley es lo que permitió a Artefact superar sus propias crisis. En 2017, cuando no era más que una joven empresa de 50 personas, la compañía llevó a cabo una fusión inversa con Net Booster, una agencia de publicidad que cotiza en bolsa y que triplicaba su tamaño (600 empleados repartidos en 20 países).
La operación se convirtió al instante en una pesadilla operativa. Net Booster perdió clientes históricos a un ritmo vertiginoso, los directores de la filial del Reino Unido dimitieron al día siguiente del acuerdo y la filial alemana se vio afectada por una inspección fiscal sorpresa sobre el IVA. El EBITDA se desplomó hasta los 400 000 euros, situándose al borde de la quiebra reglamentaria. En los foros de Boursorama, las críticas eran diarias y la cotización de las acciones se desplomó hasta los 50 céntimos.
Para salir adelante, Vincent Luciani y sus socios tomaron una decisión radical: hacer caso omiso de las comunicaciones relativas a su negocio principal tradicional y apostar exclusivamente por el data empresarial y el aprendizaje automático. Recortaron gastos, cerraron las operaciones en los países que no resultaban rentables y aprovecharon la red internacional heredada para establecer células de consultoría de data.
Este rigor les permitió estabilizar la empresa y llevar a cabo su salida de la bolsa a 8 euros por acción —lo que supuso una transacción total de 300 millones de euros—, antes de que fuera valorada en más de mil millones de euros en rondas posteriores con los fondos Ardian y Cinven.
Vea el podcast en YouTube
