Global Blog

Imaginemos a un director financiero revisando el gasto trimestral de cloud. El equipo de AI presenta un gráfico convincente: los costes de inferencia por token han bajado un 75% con respecto al año anterior. Los modelos son más rápidos, las API son más baratas y el proveedor ofrece descuentos por volumen. Todo apunta a un ahorro. Entonces llega la factura real, y el total es más alto que el del trimestre anterior.

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.

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 soluciones AI de larga duración en 2026 aprenderán a su costa. Solo unas pocas obtendrán ventajas reales. La diferencia se reducirá a tres factores: dónde las implementen, cómo las gestionen y si comprenden lo que realmente significa "autónomo" en la práctica.

A finales de 2025, una técnica con el ridículo nombre "Ralph Wiggum" se volvió viral entre los practicantes. El nombre proviene de un personaje de Los Simpson, deliberadamente tonto, porque la idea central es casi vergonzosamente simple.

En marzo de 2025, una organización de investigación llamada METR publicó un hallazgo que recibió menos atención de la que merecía. Habían estado midiendo algo que no estaba de moda: cuánto tiempo podían trabajar los sistemas AI en tareas antes de fallar. No se trataba de lo que podían hacer en una sola interacción. METR quería saber cuánto tiempo podían mantener un esfuerzo coherente y útil.

Vivimos una época de inmensas posibilidades tecnológicas. En todos los sectores, los líderes se sienten inspirados por lo que AI puede lograr, aunque son conscientes de que para obtener ese valor no basta con instalar un nuevo software. Para salvar la brecha entre una prueba de concepto satisfactoria y un valor empresarial escalable, debemos adoptar una mentalidad orientada a la reinvención de los procesos. Los proyectos que tienen éxito son aquellos que consideran AI no solo como una herramienta, sino como un catalizador de la evolución cultural.

En la última década, la sostenibilidad ha pasado de ser un aspecto secundario de la reputación corporativa a convertirse en un elemento central del rendimiento empresarial. El nuevo libro electrónico de Artefact, «ESG in Action: Cómo integrar los criterios ambientales, sociales y de gobernanza (ESG) data en inteligencia empresarial, documenta esta transición a través de entrevistas semiestructuradas con altos directivos de empresas globales como Accor, Legrand, Tarkett, Ardian, Heineken, Siplec y Schenker, así como de las perspectivas de la OCDE y de los expertos en sostenibilidad y data de Artefact.

Cuando OpenAI presentó Atlas, su nuevo navegador basado en ChatGPT, no se limitó a lanzar otro producto. Abrió una puerta que conduce a la próxima era de la interacción entre humanos y ordenadores y, inevitablemente, a una nueva frontera para la publicidad.

La mayoría de las empresas no están preparadas para sustituir una pila de data de la era de los paneles de control por una pila de AI. El último informe «State of Data & Analytics» de Salesforce indica que el 84% de los responsables de data y análisis afirman que sus estrategias requieren una revisión completa antes de que las ambiciones en materia de AI puedan tener éxito. Los líderes estiman que el 26,1 % de su data no es fiable, solo el 43,1 % cuenta con marcos formales de data governance y alrededor del 50,1 % no confía en su capacidad para generar y ofrecer información oportuna. Al mismo tiempo, el 70 % cree que los insights más valiosos se encuentran en datos no estructurados. La conclusión es clara: el obstáculo no es el entusiasmo, sino los cimientos, y esos cimientos deben cambiar antes de que los sistemas de agencia puedan escalar.