Me han publicado un artículo en VMblog, «2027: Enterprise AI Will Begin Learning How to Run the Business«, en el que intento plantear una idea que me parece fundamental: que seguimos confundiendo la incorporación de herramientas capaces de producir textos con la construcción de organizaciones capaces de aprender. Ser capaces de contestar correos más deprisa, lo que algunos llaman despectivamente «la IA del oficinista», puede estar muy bien, pero francamente, resulta una ambición bastante pobre para una tecnología con semejante potencial. VMblog es una publicación especializada fundada en 2004 por David Marshall, centrada en virtualización, cloud, centros de datos y tecnologías empresariales. La relevancia de la página tiene mucho que ver con su público: arquitectos de sistemas, responsables de infraestructura y directivos tecnológicos, precisamente quienes deben convertir las promesas comerciales en sistemas que funcionen. Hablar allí de inteligencia artificial supone discutir qué necesita una empresa para saber utilizarla de verdad y extraerle el partido adecuado. El problema que intento describir es la distancia entre modelos cada vez más capaces y organizaciones que apenas consiguen aprovecharlos más que para tareas aisladas. Un asistente humano aporta continuidad, contexto, correcciones y responsabilidad. Un agente necesita una arquitectura que haga posibles esas funciones: registrar qué estaba ocurriendo, qué decisión tomó y qué consecuencias tuvo, incluso cuando estas aparecen semanas después. La evidencia de esa distancia empieza a ser bastante clara. En un artículo reciente de McKinsey, el 80% de los encuestados afirmaba haber mejorado su productividad individual con inteligencia artificial, pero únicamente el 37% declaraba un impacto positivo sobre el beneficio operativo de su compañía. Y las organizaciones con mejores resultados tienden a ser precisamente aquellas que han llevado a cabo el rediseño de sus procesos al introducir la inteligencia artificial. Entre simplemente comprar licencias y transformar una compañía hay una gran distancia. En una línea parecida, Harvard Data Science Review plantea que obtener mejoras sustanciales exige reconstruir los flujos de trabajo. Mi propuesta añade una capa: modelos de procesos que permitan estimar las consecuencias de distintas acciones y aprender de sus resultados, aplicando además aprendizaje por refuerzo cuando sea adecuado. Ante una renovación de un cliente, por ejemplo, es importante decidir cuándo ofrecer un descuento, cambiar de canal o recurrir a una persona, y por supuesto evaluando tanto la retención, como el margen, como incluso el propio coste del LLM si se considera necesario.Ese aprendizaje debe pertenecer a la empresa y sobrevivir a una posible sustitución del modelo de lenguaje, contribuyendo así a incrementar los grados de libertad y a reducir un posible vendor lock-in. Para 2027, mi apuesta es que empezaremos a exigir precisamente eso: sistemas que acumulen experiencia útil, mejoren frente a métricas explícitas y permitan atribuir responsabilidades. Porque es perfectamente posible que una empresa que genere más documentos pueda estar haciendo exactamente las mismas cosas mal.