Red Hat construyó un negocio de 34 000 millones de dólares basado en Linux. IBM lo compró. Lo que el acuerdo confirmó fue una hipótesis que se había mantenido durante cuatro décadas: que las empresas que obtenían un enorme valor del código compartido seguirían, en su propio interés, financiando los proyectos de los que dependían. Esa hipótesis se encuentra ahora en entredicho. No porque alguien haya decidido dejar de financiar el código abierto, sino porque el sector que más lo financiaba —el SaaS— está siendo desmantelado por el sector que más depende de él: AI.

En un artículo anterior, analicé cómo ocho equipos de investigación independientes llegaron a la misma conclusión: en lugar de diseñar sistemas de memoria en torno al modelo, hay que entrenar al propio modelo para que gestione la memoria como una habilidad adquirida. El entrenamiento «post-memoria» —que utiliza el aprendizaje por refuerzo en la fase posterior al entrenamiento— da lugar a agentes que deciden qué almacenar, borrar, consolidar y recuperar, todo ello optimizado para la realización de la tarea.

El entrenamiento de la memoria posterior ha sido uno de mis principales intereses en los últimos meses. Si has seguido mis últimos artículos sobre la gestión del contexto, las arquitecturas de memoria y la recurrente pregunta de por qué los agentes pierden rendimiento a partir del turno 50, este artículo es donde convergen todos esos hilos. El patrón original era bastante claro. Ocho equipos de investigación independientes llegaron a la misma conclusión: dejar de construir sistemas de memoria en torno al modelo y entrenar al propio modelo para que gestione la memoria como una habilidad aprendida. Esa convergencia fue significativa.

Al echar la vista atrás al año 2025, una cosa queda clara: Inteligencia Artificial data ya no data herramientas experimentales relegadas a un segundo plano en las organizaciones. Se han situado de forma decisiva en el centro del funcionamiento de las empresas, de su capacidad para competir y de su generación de valor. El ritmo de adopción lo dice todo. A finales de 2025, aproximadamente una de cada seis personas en todo el mundo había utilizado AI generativa, según el Informe AI de Microsoft. En las empresas, el impulso fue aún mayor, ya que casi el 70 % de las organizaciones globales había implementado AI generativa AI al menos una función empresarial a mediados de año. Lo que comenzó como proyectos piloto aislados ha evolucionado rápidamente hasta convertirse en capacidades integradas que influyen en la toma de decisiones, la interacción con los clientes y la eficiencia operativa.

En el deporte, data AI asocian principalmente con el rendimiento sobre el terreno de juego: análisis de los jugadores, modelos tácticos y prevención de lesiones. La tecnología ha ampliado los límites del rendimiento deportivo, permitiendo a los atletas superar los límites anteriores. Entonces, ¿por qué no hay más organizaciones deportivas que apliquen este mismo enfoque al negocio del deporte? El deporte es una industria del entretenimiento altamente competitiva en la que las pequeñas mejoras en áreas como la implicación de los aficionados, los contenidos, las operaciones y la toma de decisiones comerciales pueden ser tan importantes como los resultados.

La tecnología es real, pero aún está en fase inicial. La trayectoria está clara, pero no así el calendario. La mayoría de las organizaciones que implementen AI de ejecución prolongada AI 2026 aprenderán lecciones que les costarán caro. Unas pocas obtendrán ventajas reales. La diferencia se reducirá a tres factores: dónde la implementen, cómo la gestionen y si comprenden lo que realmente significa «autónoma» en la práctica.