El departamento de Recursos Humanos está experimentando un cambio fundamental, pasando de ser un centro de costes reactivo a convertirse en un motor proactivo de valor. Sin embargo, muchas organizaciones siguen ancladas en un enfoque minimalista del análisis de datos sobre el personal. Aunque la tecnología generativa AI y los agentes autónomos están ganando terreno en toda la empresa, el uso que hace RR. HH. de la tecnología data sigue limitándose a menudo a la simple predicción de la rotación de personal.

Red Hat construyó un negocio de 1,4634 billones de dólares basado en Linux. IBM lo compró. Lo que el acuerdo validó fue una hipótesis que se había mantenido durante cuatro décadas: que las empresas que extraían un enorme valor del código compartido, en su propio interés, seguirían financiando los proyectos de los que dependían. Esa hipótesis se encuentra ahora en entredicho. No porque nadie 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, exploré cómo ocho equipos de investigación independientes llegaron a la misma conclusión: en lugar de construir sistemas de memoria en torno al modelo, entrenar al modelo en sí mismo para gestionar la memoria como una habilidad aprendida. El entrenamiento post-memoria — utilizando aprendizaje por refuerzo en la fase post-entrenamiento — produce agentes que deciden qué almacenar, eliminar, consolidar y recuperar, todo ello optimizado para la finalización de la tarea.

El entrenamiento post-memoria ha sido un hiperenfoque mío durante los últimos meses. Si has seguido mi escritura reciente sobre gestión de contexto, arquitecturas de memoria y la pregunta recurrente de por qué los agentes se degradan después del turno 50, este artículo es donde convergen esos hilos. El patrón original era lo suficientemente claro. Ocho equipos de investigación independientes llegaron a la misma conclusión: deja de construir sistemas de memoria alrededor del modelo y entrena al modelo en sí mismo 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: artificial intelligence y data ya no son herramientas experimentales relegadas a los márgenes de las organizaciones. Se han situado de forma decisiva en el núcleo del funcionamiento, la competitividad y la creación de valor de las empresas. El ritmo de adopción lo dice todo. A finales de 2025, aproximadamente una de cada seis personas en todo el mundo había utilizado herramientas generativas de IA, según el Informe de Difusión de IA de Microsoft. En las empresas, el impulso fue aún mayor, ya que casi el 70 % de las organizaciones globales habían implementado la IA generativa en 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 ámbito deportivo, data y AI se asocian principalmente con el rendimiento sobre el terreno de juego: análisis de jugadores, modelos tácticos y prevención de lesiones. La tecnología ha ampliado los límites de los logros deportivos, permitiendo a los atletas superar los límites anteriores. Entonces, ¿por qué no hay más organizaciones deportivas que apliquen el mismo enfoque al negocio del deporte? El deporte es una industria del entretenimiento intensamente competitiva en la que las mejoras marginales 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.