Durante los dos últimos años, las empresas han estado haciéndose la misma pregunta con formulaciones ligeramente distintas: ¿qué aplicación de inteligencia artificial deberíamos construir ahora? ¿Un agente de atención al cliente? ¿Un copilot de ventas? ¿Un asistente de compras? ¿Un agente de programación? ¿Un asistente de investigación? ¿Una capa de automatización de workflows? ¿Un chatbot conectado a datos internos? ¿Un modelo envuelto en una interfaz de usuario y conectado a herramientas?… Todo eso puede, en muchos casos, tener sentido. Y de hecho, así es como empieza cada nueva era de la computación: primero, se intentan construir aplicaciones directamente sobre el nuevo sustrato. Se utilizan las herramientas existentes, se envuelve la nueva capacidad en interfaces familiares, y se ensamblan a mano las piezas que faltan. Pero hay un momento en cada gran ciclo de computación en el que ese enfoque alcanza su límite. El problema ya no es si algo puede construirse, que puede que sí. Dado un número suficiente de ingenieros brillantes, casi cualquier cosa puede ensamblarse, y si no ensambla por las buenas, lo hace por las malas. La verdadera pregunta pasa a ser si puede construirse de forma repetible, segura, barata y a escala. Es entonces cuando aparece el lenguaje. Y la inteligencia artificial empresarial puede estar llegando exactamente a ese punto. El sustrato ya está aquí La historia de la computación contiene un patrón muy recurrente: la infraestructura llega primero, y el lenguaje que la hace productiva aparece después. El mainframe ya existía antes de que Fortran diera a la computación científica un lenguaje de alto nivel realmente utilizable. La programación de sistemas ya existía antes de que C hiciera posible escribir software portable y potente a un nivel cercano al de la máquina. Los servidores corporativos ya existían antes de que Java se convirtiera en la gramática por defecto de las aplicaciones empresariales. Y si todos estos ejemplos te suenan, además de tener una edad, vas a entender perfectamente por dónde voy. El ejemplo más claro es el de la web. Internet ya funcionaba antes de la World Wide Web. El conjunto de protocolos TCP/IP ya movía paquetes. El sistema DNS ya resolvía nombres. El correo electrónico ya conectaba instituciones. El FTP ya transfería archivos. Los servidores ya existían. Las universidades, laboratorios y organizaciones técnicamente sofisticadas ya podían utilizar la red. Pero para las organizaciones «normales», internet todavía no era un entorno de negocio: era pura infraestructura. Entonces llegó una capa fina, engañosamente simple: URL, HTTP, HTML, navegadores y servidores. La historia de la web del CERN explica que Tim Berners-Lee inventó la World Wide Web en el CERN en 1989 y que su idea básica era fusionar ordenadores, redes de datos e hipertexto en un sistema global de información. La arquitectura de la web del W3C describió después la web como un espacio de información en el que los recursos se identifican mediante URI. La RFC 9110, por su parte, define el HTTP como un protocolo de nivel de aplicación sin estado para sistemas distribuidos de información hipertextual.Nada de eso inventó las redes: simplemente hizo que las redes fueran legibles. La web no creó internet, pero redujo drásticamente el coste de utilizarla. Y ahí es donde me parece que se encuentra hoy la inteligencia artificial empresarial. Estamos programando la nube inteligente… a mano El sustrato para la inteligencia artificial empresarial ya es notablemente completo. Los modelos de frontera ya están disponibles como servicios gestionados. La capacidad de cómputo con GPU ya es elástica. Las bases de datos vectoriales ya son maduras. El almacenamiento ya es abundante. La recuperación de información, la orquestación, la evaluación, la seguridad y la infraestructura de aprendizaje por refuerzo ya existen de una forma u otra. Y, sin embargo, la mayor parte de la inteligencia artificial empresarial sigue teniendo un aire completamente artesanal. ¿Por qué? Porque el nuevo sustrato se está programando a mano. Una aplicación moderna de inteligencia artificial suele ser un montón de glue code: scripts en Python, envoltorios de frameworks, gestión de estados personalizada, memoria construida a mano, observabilidad separada, permisos separados, orquestación separada, durabilidad separada, sandboxes separados, guardrails separados… Cada equipo reconstruye como puede las mismas propiedades que faltan: estado persistente, ejecución duradera, memoria, observabilidad, seguridad, auditabilidad, aprendizaje, gobernanza, retroalimentación, gestión del contexto… La evidencia se ve en el propio mercado. La ejecución duradera se ha convertido en una auténtica categoría, con empresas como Temporal ofreciendo infraestructura para workflows que pueden ejecutarse durante días, semanas o incluso años a pesar de los fallos. La memoria de agentes y el estado persistente también se están convirtiendo en categorías: la documentación de Letta describe los agentes con estado como identidades de inteligencia artificial persistentes con su propia memoria, herramientas, configuración de modelo e historial de mensajes, mientras Zep se posiciona explícitamente alrededor de la memoria de agentes. La observabilidad tiene su propio ecosistema, con proyectos como OpenTelemetry estandarizando cómo el software emite trazas, métricas y logs. Son tecnologías útiles. Pero su proliferación también nos dice algo importante: las propiedades que necesitan las aplicaciones inteligentes todavía no son nativas en la capa en la que se están construyendo, y por eso precisan de toda esa parafernalia. Cada una de las funciones olvidadas que faltan se convierten en una categoría de producto más a explotar. Eso no es necesariamente un ecosistema: es más bien una factura que hay que pagar por un lenguaje que no tenemos aún. El problema no es la posibilidad. Es el coste La respuesta habitual a este argumento es predecible: todo puede construirse ya con las herramientas actuales. Es cierto… pero no es lo relevante. Antes de los lenguajes de alto nivel, todo podía construirse, si uno quería, en ensamblador. Antes de la web, podían construirse aplicaciones en red con protocolos personalizados. Antes del ERP, las empresas podían construir sistemas a medida contratando a un ejército de consultores. Antes de las plataformas cloud, la infraestructura podía aprovisionarse manualmente. La pregunta nunca fue si algo era posible: la pregunta era cómo de caro, frágil, lento y poco repetible resultaba. Los lenguajes importan porque cambian la estructura de costes: toman propiedades que antes exigían ingeniería personalizada, y las convierten en nativas. Transforman esfuerzo repetido en gramática. Un lenguaje no necesariamente hace posibles cosas nuevas en sentido teórico, eso ya lo hace la Turing-completeness. Lo que sí hace es convertir lo caro en barato, lo artesanal en repetible y lo frágil en duradero. A ciertos niveles de coste, eso es indistinguible de la creación. Por eso la cuestión del lenguaje no es una preocupación académica: es una cuestión económica. La capa ganadora en computación no suele ser la infraestructura más profunda, sino la abstracción que hace productiva esa infraestructura. Internet no fue suficiente: la web fue el multiplicador. Lo demás es historia. Los modelos no son el lenguaje Durante los dos últimos años, la industria de la inteligencia artificial ha venido tratando los modelos como el centro de gravedad: ¿qué modelo razona mejor? ¿Cuál escribe mejor código? ¿Cuál tiene la ventana de contexto más grande? ¿Cuál gana el último benchmark? ¿Cuál es más barato? ¿Cuál es más rápido? Esas preguntas siguen siendo importantes, pero se están volviendo menos decisivas. A medida que los modelos mejoran y se vuelven más ampliamente disponibles, la inteligencia empieza a parecer menos el recurso escaso y más una infraestructura. Eso no hace que los modelos dejen de ser importantes: la electricidad no dejó de ser importante cuando se convirtió en infraestructura. La computación no dejó de ser importante cuando se convirtió en infraestructura. Las redes no dejaron de ser importantes cuando se convirtieron en infraestructura. Pero lo que sí ocurrió es que el valor empresarial se desplazó hacia arriba: las empresas no compran un ERP porque admiren las bases de datos. No compran Salesforce porque admiren el SQL. No construyen sobre la web porque disfruten pensando en la semántica de HTTP. Construyen sobre la capa que convierte el sustrato en algo utilizable a nivel organizacional. La inteligencia artificial se mueve en la misma dirección: el modelo genera, pero la empresa necesita persistir, coordinar, restringir, auditar, medir y aprender. Eso no son para nada capacidades del modelo como tales: son (o deberían ser) propiedades del sistema. Las metáforas no industrializan nada bien Una de las razones por las que la inteligencia artificial empresarial sigue atascada es que la industria continúa recurriendo a metáforas humanas: los agentes tienen memoria, planifican, reflexionan, usan herramientas, delegan, sueñan, necesitan supervisión, tienen roles… se comportan como empleados. Las metáforas son útiles porque hacen que sistemas poco familiares resulten más fáciles de discutir. Dan a los directivos una forma de imaginar lo que ocurre, y a los equipos de producto un vocabulario. Pero las metáforas no industrializan. Una memoria no es un modelo de datos. Un prompt no es una restricción. Un historial de conversación no es un estado operativo persistente. Una llamada a una herramienta no es un workflow. Un log no es un diario. Un human-in-the-loop no es gobernanza. Un chatbot conectado a datos empresariales no es una arquitectura empresarial. El software se vuelve industrial cuando se formaliza. Las bases de datos relacionales se volvieron industriales cuando las tablas, las claves, las transacciones y las restricciones dieron a los desarrolladores un conjunto de invariantes compartido. La web se volvió industrial cuando los recursos, las URI, los métodos HTTP y los formatos documentales crearon una gramática común. El ERP se volvió industrial cuando los objetos de negocio, los procesos, las transacciones y los datos maestros dieron a las empresas una representación repetible de sus operaciones. La inteligencia artificial empresarial todavía carece de un equivalente a eso. Tiene capacidades extraordinarias, tiene demos impresionantes, tiene frameworks, APIs, copilots, agentes y herramientas de orquestación. Pero aún no tiene el lenguaje formal en el que las operaciones empresariales inteligentes puedan expresarse de manera natural. El próximo gran avance puede que parezca aburrido Por eso el próximo gran avance en inteligencia artificial empresarial quizá no parezca dramático al principio: puede que no sea un modelo que escriba mejor poesía, que produzca mejor vídeo, que resuelva problemas matemáticos más difíciles o que supere otro benchmark. Puede parecer algo mucho menos glamouroso: una decisión de lenguaje. Un lenguaje en el que los agentes sean persistentes por defecto. Un lenguaje en el que la ejecución sea duradera por defecto. Un lenguaje en el que cada cambio de estado significativo pase a formar parte de la biografía anotada del sistema. Un lenguaje en el que los permisos, las restricciones y la auditabilidad no sean capas externas, sino auténticas propiedades estructurales. Un lenguaje en el que los resultados de negocio no sean métricas de cuadro de mando inspeccionadas a posteriori, sino señales de recompensa de las que los bucles de los sistemas puedan aprender. Y, sobre todo, un lenguaje en el que ese bucle de aprendizaje sea nativo: ese es de verdad el premio gordo. La inteligencia artificial empresarial se vuelve transformadora no cuando responde a más preguntas, sino cuando puede observar, actuar, medir, aprender y mejorar frente a resultados de negocio. Hoy, ese bucle suele diseñarse aplicación por aplicación, y se ensambla con herramientas, workflows, scripts de evaluación, pipelines de datos y revisión humana. En el momento en que ese bucle pase a formar parte intrínseca del lenguaje, la economía de la categoría cambiará. Eso es lo que hacen los lenguajes: comprimen la complejidad. Hacen posibles los ecosistemas. Permiten que desarrolladores y organizaciones normales construyan cosas que antes requerían especialistas. Transforman ingeniería personalizada en arquitectura repetible. ¿Dónde está el equivalente a la web en la inteligencia artificial empresarial? La nube inteligente ya está aquí: los modelos ya son reales, la infraestructura ya es real, las capacidades ya son reales, las demos ya son impresionantes… pero sigue faltando la capa que hace todo esto programable en el nivel de abstracción adecuado. Por eso la inteligencia artificial empresarial actual se siente a la vez revolucionaria… e incompleta. La potencia bruta está ahí, pero hay demasiado trabajo que sigue consistiendo en reconstruir toda la gramática que falta: estado, contexto, identidad, permisos, durabilidad, observabilidad, retroalimentación, aprendizaje y gobernanza. La pregunta, por lo tanto, no es si las empresas necesitan otra aplicación de inteligencia artificial: lo que necesitan es el lenguaje que haga que esas aplicaciones sean lo bastante baratas, seguras, repetibles y adaptativas como para convertirse en importantes. Cuando ese lenguaje aparezca, gran parte del panorama actual de la inteligencia artificial empresarial se parecerá a lo que era internet antes de la web: poderoso, real, técnicamente impresionante, pero esperando por esa abstracción que lo haga finalmente utilizable. (This article was previously published on Fast Company)