Usar IA vs. Construir a su alrededor: ¿Dónde está la línea?

Usamos la palabra IA para describir todo tipo de cosas, desde conversar con ChatGPT en un navegador hasta gestionar empresas enteras donde las operaciones simplemente dejarían de existir en su forma actual sin modelos de lenguaje. ¿Dónde está la línea entre usar la automatización de IA y que la IA sea el núcleo de un negocio? ¿En qué momento ocurre un cambio fundamental? Y lo más importante, ¿deberían las empresas siquiera intentar colocar a la IA en el centro del escenario?

¿Cuándo es una empresa nativa de IA?

Hoy, incluso si la dirección nunca ha anunciado una transformación de IA, los empleados siguen usando Gemini para buscar información, ChatGPT para redactar un correo electrónico, Grok para preparar un informe, Claude para escribir su código, etc. El acceso a herramientas LLM se ha vuelto tan generalizado que simplemente usarlas ya no dice mucho sobre la propia empresa.

Para mí, hay una prueba mucho más sencilla: ¿qué ocurre si apagas la IA?

Tomemos una empresa de software contable. Sus desarrolladores pueden usar IA para crear funcionalidades o mantener el producto. Si apagas esas herramientas mañana, probablemente los ingenieros trabajarán más despacio. Pero el software seguirá existiendo, los contadores seguirán utilizándolo y los clientes seguirán pagándolo. La IA mejora la forma en que la empresa opera, pero el negocio en sí no depende de ella.

Ahora imagina un centro de llamadas bancario que alguna vez empleó a diez mil personas. La primera generación de IA en ese entorno funcionaba casi como un asistente situado al lado del operador: escuchaba la conversación, comprendía el problema y sugería una respuesta. En muchos casos, ese asistente se ha convertido ahora en el propio agente. Un cliente dice que le cobraron una cantidad incorrecta; el sistema revisa los registros, examina los datos relevantes, identifica el problema y, a veces, lo resuelve sin involucrar a una persona. Un ser humano interviene solo cuando el caso requiere escalamiento.

Esa es una relación muy diferente con la tecnología. La empresa contable se vuelve menos eficiente sin IA. El centro de llamadas puede necesitar reconstruir gran parte de su modelo operativo. Esa diferencia se acerca mucho más a lo que entiendo por nativo de IA que a cuántas suscripciones de IA tiene una empresa o si “IA” aparece en su página de inicio.

¿Dónde es esto más visible?

Algunas empresas han construido su negocio en torno a ayudar a otros a realizar esa transición. Cohere es un buen ejemplo: la empresa canadiense se convirtió en un negocio importante al ayudar a las organizaciones a pasar del software y los flujos de trabajo tradicionales a la IA. En otras industrias, sin embargo, la IA ya está tan profundamente integrada en el producto que resulta casi imposible separarlos.

La conducción autónoma es probablemente el ejemplo más claro. Si se espera que un coche vea la carretera, reconozca objetos, entienda lo que ocurre a su alrededor y tome decisiones por sí mismo, entonces no puedes eliminar la IA sin eliminar la idea básica del producto.

La medicina y la farmacología hacen el mismo punto de manera diferente, especialmente en el descubrimiento de fármacos. Uno de los mejores ejemplos de lo que esto puede significar a gran escala es el trabajo de DeepMind sobre estructuras de proteínas.

El Protein Data Bank se creó en 1971, y tomó décadas de trabajo de científicos de todo el mundo para construir una gran colección de estructuras determinadas experimentalmente. base de datos superó las 1,000 estructuras en 1993, 10,000 alrededor del 2000 y 100,000 en 2014. En enero de 2023, había superado 200,000 estructuras biomoleculares determinadas experimentalmente. En otras palabras, tras aproximadamente seis décadas de biología estructural, los investigadores habían acumulado alrededor de doscientos mil estructuras determinadas experimentalmente.

Luego llegó AlphaFold, el sistema de DeepMind para predecir la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos. En 2022, AlphaFold puso a disposición más de 200 millones estructuras de proteínas predichas, cubriendo casi todas las proteínas catalogadas conocidas por la ciencia en ese momento. Eso no significa que la IA “descubrió todas las proteínas que existen”. Estas son estructuras predichas basadas en secuencias de aminoácidos ya conocidas. Pero la diferencia de escala sigue siendo enorme.

La importancia de ese cambio se volvió aún más clara en 2024, cuando Demis Hassabis y John Jumper de Google DeepMind recibieron la mitad del Premio Nobel de Química “por la predicción de estructuras de proteínas”. La otra mitad se la otorgó a David Baker por el diseño computacional de proteínas. Algo que solo unos años antes parecía un impresionante avance de IA se convirtió rápidamente en un avance fundamental en la biología moderna.

DeepMind es el ejemplo global que capta la atención, pero las startups médicas centradas en IA ya no son inusuales. Durante mis años en Keymakr, nuestro equipo trabajó en proyectos que van desde odontología y diagnóstico por ultrasonido hasta cardiología intervencionista, en los que se entrenaron modelos para detectar válvulas cardíacas, la aorta y otras estructuras durante los procedimientos. También trabajamos en proyectos de neurocirugía donde los modelos aprendieron a distinguir tejido cerebral, vasos sanguíneos, instrumentos quirúrgicos y el área operativa. En todos estos casos, la IA no era una característica adicional añadida al producto; era el propio producto. 

De las estructuras de proteínas a un correo electrónico en frío

Lo mismo está ocurriendo en partes mucho más ordinarias del negocio. Las ventas y el marketing son probablemente algunos de los ejemplos que se mueven más rápido: trabajos que antes tomaban horas ahora pueden repetirse cientos o miles de veces con muy poco esfuerzo adicional.

Los CRM, las campañas, la prospección y la investigación de leads se construyen alrededor de modelos de lenguaje. Ya hemos superado con creces el punto de pedir a ChatGPT que redacte un correo electrónico en frío. Un sistema puede revisar el perfil de LinkedIn de alguien, ver qué hace, qué le importa y de qué publica, y luego usar esa información para escribir algo que parezca muy personal.

Una vez recibí un mensaje del tipo: “Michael, debe ser increíble volar a 4 000 pies y mirar a través del cristal…”. Se refería a mis historias de aviación en redes sociales. Mi primera reacción fue que alguien había revisado realmente mi perfil de LinkedIn y lo había leído con atención. Por supuesto, nadie lo había hecho. El sistema había encontrado la información y generado automáticamente el contacto.

Ahí es donde la economía de la personalización comienza a cambiar. La investigación que antes le llevaba mucho tiempo a una persona ahora puede ser asistida por herramientas que escanean información pública e identifican datos relevantes. Un ser humano puede entonces decidir qué es realmente útil, apropiado y digno de incluir.

Vi el mismo cambio en Keymakr, aunque para nosotros, el objetivo nunca fue automatizar el juicio humano ni las relaciones. Seguía animando a la gente a observar las partes repetitivas de su trabajo diario y preguntar dónde los agentes podrían ahorrar tiempo, aportar más consistencia o ayudarles a trabajar a mayor escala. 

En Scryon, empezamos con esa lógica ya incorporada en la empresa. Gran parte del trabajo de marketing lo manejan varios agentes a través de artículos, el blog, LinkedIn y el sitio web.

La parte interesante es que su mayor ventaja a menudo no es la escritura. Supongamos que añades veinte páginas nuevas a un sitio web. Una persona que escribe un artículo nuevo probablemente añadirá algunos enlaces internos. Casi nadie volverá a revisar 80 o 800 piezas antiguas y comprobará dónde deberían enlazarse esas nuevas páginas. Un agente sí puede. En ese tipo de trabajo, el agente no necesita ser más inteligente que una persona. Simplemente no se cansa, y la diferencia entre 80 páginas y 800 páginas es mucho menos importante para él que para nosotros.

Pero aquí es donde la automatización llega a sus límites para mí. No se puede simplemente entregar una buena relaciones públicas a un agente y olvidarse de ella. Lo mismo ocurre con un artículo de opinión, donde el posicionamiento, la comprensión de la audiencia y la capacidad de decidir qué decir son cruciales.

Así que, incluso cuando construyes un sistema bastante complejo de agentes, aún necesitas a una persona que lo dirija. Alguien debe juzgar el resultado, decidir qué es importante y establecer la dirección.

¿Puedes automatizar a un fundador?

En una startup en etapa temprana, el fundador suele ser técnico, operativo y ejecutivo a la vez. Por lo tanto, el pensamiento surge de forma natural: si los agentes pueden quitar mucho trabajo al equipo, ¿por qué no asignarles también parte del trabajo del fundador?

Tengo un agente separado conectado a Scryon Business que conoce mucho sobre la empresa. Puedo preguntarle algo como: “Queremos conseguir 5 000 usuarios el próximo mes”. ¿Es eso realista, o es solo un número agradable que se me ocurrió?

Puede extraer datos, observar el mercado, revisar competidores y sistemas conectados, y volver diciendo que 5 000 probablemente es demasiado y que incluso 2 000 sería agresivo en esta etapa. Eso me ayuda a poner a prueba mi propio razonamiento. Pero el agente sigue ofreciendo consejos.

La decisión sigue siendo mía. Después de todos los datos y cálculos, a veces aún necesito salir, pasear por un parque y decidir a dónde quiero llevar la empresa.

Para mí, la verdadera delegación comienza cuando puedo darle a alguien la responsabilidad, por ejemplo, “Esto es tuyo”, y volver un mes después para ver que sigue funcionando sin mí. No veo eso en el rol de fundador hoy.

Lo mismo ocurre con los cargos de nivel C. Su trabajo es establecer la dirección: dentro de seis meses, queremos entrar en el mercado automotriz, o queremos que la gente de la industria conozca la marca. Los vicepresidentes, jefes y líderes de equipo convierten eso en objetivos y tareas específicas.

Kit de IA: Costos personales y de la empresa

Realmente no creo en un único modelo “mejor”. Me importa mucho más cuál funciona mejor para una tarea concreta y cuánto me cuesta usarlo a gran escala. A menudo utilizo Codex para programar y rotar modelos dentro de él, según mis necesidades en ese momento. Puede que pruebe Claude para diseño un día, y cambie a ChatGPT para tareas más relacionadas con el lenguaje, pero esas decisiones cambian mes a mes, y a veces en medio de una tarea.

En última instancia, cada quien construye su propia pila con el tiempo, evaluando qué modelo es óptimo para un objetivo específico. Si eres un fundador técnico que programa mucho por sí mismo, esperaría que gastes alrededor de $1,000 al mes en tu propia pila. Pero conozco a personas que gastan $10,000–15,000 al mes porque automatizan de forma mucho más agresiva.

Una vez que la IA se convierte en parte del núcleo del negocio, los números cambian de nuevo. Con Scryon, me siento cómodo con la idea de que entre el 30–40 % de los ingresos pueden destinarse directamente a la infraestructura y los servicios en los que se ejecuta el producto, antes incluso de contar a las personas que lo construyen.

Primero el objetivo empresarial, luego la tecnología

En la carrera por la automatización y la etiqueta “AI companies”, creo que la propia pregunta de “¿qué tipo de IA deberíamos implementar?” es peligrosa. Parte del extremo equivocado.

Recientemente nos fijamos un objetivo empresarial bastante estándar: reducir costos. Para ello, creamos un agente, le dimos acceso a información sobre dónde la empresa estaba gastando dinero, incluidos Amazon, Google y otros servicios, y le pedimos que buscara anomalías de forma regular y levantara banderas rojas si algo parecía extraño.

En apenas la primera semana, redujimos los costos en aproximadamente un 30 % porque el sistema mostró rápidamente dónde se estaba gastando dinero en cosas que prácticamente habíamos olvidado. El propio agente puede costar tan solo $50 al mes, pero el ahorro puede ascender a decenas de miles.

En Keymakr, la IA reforzó principalmente a las personas y los procesos individuales. En Scryon, ya está integrada en la arquitectura de la empresa. En la conducción autónoma, sin ella, el producto desaparece, y en el descubrimiento de fármacos, cambia el alcance de la exploración.

Para mí, la cuestión de los objetivos subyacentes es un punto de partida mucho más saludable que el deseo de convertirse en una empresa nativa de IA. Primero, debe surgir un objetivo empresarial: ganar más, escalar más rápido, reducir costos, habilitar un nuevo producto o cambiar radicalmente un proceso existente. Sólo entonces tiene sentido preguntar qué tecnología le llevará allí.