Durante los dos últimos años, la inteligencia artificial ha tenido algo de extrañamente plana. Los grandes modelos de lenguaje se difundieron a una velocidad sin precedentes, pero al mismo tiempo, borraron buena parte de los gradientes conocidos competidores. Ahora, todo el mundo tiene acceso a los mismos modelos, a las mismas interfaces y, cada vez más, a las mismas respuestas. Lo que al principio parecía una revolución tecnológica ha comenzado rápidamente a parecerse a una utilidad: potente, impresionante y en gran medida intercambiable, una dinámica ya visible en el rápido avance de la comoditización entre la mayoría de los modelos fundamentales entre proveedores como OpenAI, Google, Anthropic y Meta, en una carrera que ya es hasta difícil seguir.
Ese aplanamiento no es accidental. Los LLMs son extraordinariamente buenos en una cosa, aprender a partir de textopero estructuralmente incapaces de otro: entender cómo se comporta el mundo real. No modelan la causalidadNo aprenden de la retroalimentación física u operativa y no construyen representaciones internas de los entornosunas limitaciones importantes que incluso sus defensores más destacados reconocen ya abiertamente.
Predicen palabras, sin consecuencias. Una diferencia que se vuelve dolorosamente evidente en cuanto se les pide que operen fuera de dominios puramente lingüísticos.
La falsa dicotomía que frena la estrategia de inteligencia artificial
Gran parte de la estrategia actual en inteligencia artificial está atrapada en un pensamiento binario. O las empresas se dedican simplemente a «alquilar inteligencia» a modelos genéricos, o intentan construirlo todo por sí mismas: infraestructura propietaria, pilas de computo a medida y tuberías de IA personalizados que casi intentan imitar a los hiperescaladores.
Ese cuadro es poco realista y, además, históricamente miope.
En su lugar, adoptaron plataformas compartidas y construyeron sistemas altamente personalizados sobre ellas, sistemas que reflejaban sus procesos específicos, sus restricciones y sus incentivos.
La inteligencia artificial seguirá el mismo camino.
Los modelos del mundo no son proyectos de infraestructura.
Los modelos mundiales o modelos del mundo, sistemas que aprenden cómo se comportan los entornos, incorporan retroalimentación y permiten predecir y planificar, tienen una larga historia intelectual en la investigación en inteligencia artificial.
Recientemente, han resurgido como una dirección central de progreso precisamente porque los LLM se estancan cuando se enfrentan a la realidad, la causalidad y el tiempo.
A menudo se describe como si requirieran integración vertical en cada capa. Esa suposición es errónea.
La mayoría de las empresas no construirán centros de datos a medida ni pilas de cómputo propietarios para ejecutar modelos del mundo. Esperar que lo hagan repite el mismo error que ya vimos en narrativas anteriores como «La IA primero» oh «nativo de la nube»donde la ambición en infraestructura se confundía con la necesidad estratégica.
Lo que realmente ocurrirá es algo más sutil y más poderoso: los modelos del mundo se convertirán en una nueva capa de abstracción dentro del pila empresarialconstruida sobre plataformas compartidas del mismo modo que hoy lo están las bases de datos, los ERP o la analítica en la nube.
La infraestructura será común. La comprension no.
Por qué las plataformas convertirán los modelos del mundo en ubicuos
Igual que las plataformas nube democratizaron el acceso a la computación a gran escalalas plataformas emergentes de inteligencia artificial harán que el modelado del mundo sea accesible sin obligar a las empresas a reinventar todo el pila. Se encargarán de motores de simulación, tuberías de entrenamiento, integración con sensores y sistemas, y de la pesada carga computacional, exactamente en la dirección que ya se observa en plataformas de aprendizaje por refuerzoes robótica o es inteligencia artificial industrial.
Esto no comoditiza los modelos del mundo. Hace lo contrario.
Cuando la capa de plataforma es compartida, la diferenciación se desplaza hacia arriba. Las empresas no compiten por quién posee el hardwaresino por lo bien que sus modelos del mundo reflejan la realidad: qué variables incluyen, cómo codifican las restricciones, cómo diseñan los bucles de retroalimentación y con qué rapidez corrigen sus predicciones cuando el mundo las contradice.
Dos compañías pueden operar sobre la misma plataforma y, aún así, tener niveles de comprensión radicalmente distintos.
De la inteligencia lingüística a la inteligencia operativa
Los LLM aplanaron la adopción de la inteligencia artificial porque universalizaron la inteligencia lingüística. Pero los sistemas entrenados únicamente con texto carecen de anclaje contextual profundo, razonamiento causal y comprensión temporal, limitaciones ampliamente documentadas en la investigación sobre modelos fundamentales. Los modelos del mundo volverán a inclinar el terreno al reintroducir contexto, causalidad y tiempo, precisamente las propiedades ausentes en los sistemas puramente textuales.
En logística, por ejemplo, la ventaja no vendrá de preguntar a un chatbot sobre optimización de la cadena de suministro. vendrá de un modelo que entienda cómo se propagan los retrasos, cómo interactúan las decisiones de inventario con la variabilidad de la demanda y cómo pequeños cambios generan efectos en cascada durante semanas o meses.
Dónde residirá realmente la ventaja competitiva
La verdadera diferenciación será epistémica, no infraestructural: procederá de la disciplina con la que una empresa gestiona la calidad de sus datosdel rigor con el que cierre los bucles de retroalimentación entre predicción y resultado (recordemos esta idea: el comentario lo es todo) y de lo bien que sus incentivos organizativos estén alineados con el aprendizaje en lugar de con la comodidad narrativa. Los modelos del mundo recompensan a las empresas dispuestas a ser corregidas por la realidad y penalizan a las que no lo están.
Las plataformas serán extremadamente importantes. Pero las plataformas estandarizan capacidades, no conocimiento. Una infraestructura compartida no produce comprensión compartida: dos empresas pueden operar en la misma nube, utilizar la misma plataforma de inteligencia artificial e incluso desplegar las mismas técnicas subyacentes, y aún así terminar con resultados radicalmente distintos, porque la comprensión no está incrustada en la infraestructura. Emerge de cómo cada empresa modela su propia realidad.
La comprension vive en una capa superior del pilaen decisiones que ninguna plataforma puede tomar por ti: qué variables importan, qué compensaciones son reales, qué restricciones son vinculantes, qué significa el éxito, cómo se incorpora la retroalimentación y cómo se corrigen los errores. Una plataforma puede permitirte construir un modelo del mundo, pero no puedes decirte cuál es tu mundo.
Pensemos en ello así: no todas las empresas que usan SAP tienen la misma visión operativa. No todas las que funcionan sobre AWS poseen el mismo nivel de sofisticación analítica. La infraestructura es compartida, pero el modelo mental no. Lo mismo ocurrirá con los modelos del mundo.
Las plataformas hacen posibles los modelos del mundo. La comprension los hace valiosos.
El próximo pila empresas de inteligencia artificial
En la siguiente fase de la inteligencia artificial, la ventaja competitiva no vendrá de construir infraestructura propia. Vendrá de construir mejores modelos de la realidad sobre plataformas que harán fácil e ubicuo el modelado del mundo.
Es un desafío mucho más exigente que comprar capacidad de cómputo. Y es uno que ninguna cantidad de ingeniería de indicaciones podrá resolver.
(Este artículo fue publicado anteriormente en Fast Company)
