Hace unos días oí de la mano de Albert Esplugas esta comparación y no puedo estar más de acuerdo con él. Vamos a repasar, los minions son criaturas que trabajan en tribu, que parecen actuar de forma hiperactiva sin cansarse, hablan un idioma propio y sin no existe un villano que les diga lo que hacer resulta que no hacen caso a nadie.

¿te suena?

Se parece mucho a lo de los agentes de la IA… la IA necesita trabajar en tribu (con la unión de todo tipos de mecanismos), con su propio lenguaje, con una energía inacabable y precisan de instrucciones claras y concretas.

Vale, nos falta el villano… vamos buscarlo…

1. Un modelo de Open AI se “escapó” de su laboratorio y hackeó, por iniciativa propia, la infraestructura de Hugging Face.

Tal y como confirma Open AI, un modelo que estaban probando atacó a una infraestructura externa. El modelo, que estaba instalado en local y sin acceso (aparente) a internet, logró encontrar una salida, conectarse a Internet y atacar la infraestructura de la empresa Hugging Face. Según parece, el modelo debía resolver un reto y actuó por su cuenta para conseguirlo, pasando por encima de cualquier limitación que Open AI le había impuesto.

No me digáis si esto no suena a villano.

2. Los propios empleados de las compañías lideres de IA piden que se reduzca la velocidad de desarrollo

Una petición llamada “Pacing the Frontier” ha reunido más de 1.290 firmas (número a 30 de julio… pero va creciendo) de trabajadores de OpenAI, Anthropic, Google, Meta, Thinking Machines, Microsoft y Mistral. El texto, publicado en la web de Pacing the frontier, pide al gobierno de EE. UU. que impulse un esfuerzo internacional para crear las herramientas técnicas y de gobernanza que permitan “marcar el ritmo” del desarrollo automatizado de la IA. El argumento central es que las grandes compañías creen estar cerca de que la IA investigue y se mejore a sí misma, y esa aceleración podría dejar los sistemas fuera de su capacidad de entenderlos o controlarlos.

El debate que hay de fondo es algo conocido como “la automejora recursiva”, es decir, la capacidad de las IA’s para mejorarse a sí mismas (sus modelos= sin prácticamente intervención humana.

No me digáis que este villano no es recuerda a skynet de Terminator.

3. El gobierno americano se plantea prohibir los modelos de pesos abiertos para impedir que China “copie” la tecnología.

Los modelos de pesos abiertos son sistemas de IA cuyos parámetros entrenados se publican de forma gratuita para que cualquier usuario u organización puedan usarlos. Parte de la industria que estos modelos ayudan a construir salvaguardas dado que permiten saber que “controles” lleva la IA, pero otra parte opcina que una vez liberado cualquier otra compañía los puede copiar. Y por este motivo, el gobierno americano se platea prohibirlos (siguiendo lo que ya hizo hace unas semanas al prohibir el uso del modelo Fable 5, el más potente de Claude, fuera de EEUU).

Hay quien opina que lo que se maneja es una lucha de poder y que los americanos no quieren que los chinos puedan acceder a “sus” modelos… un villano en toda regla.

Así que SI, parece que la comparación entre la IA y los Minions me parece fantástica. Me imagino gráficamente la IA como millones de minions moviéndose sin parar, a la busca de su villano.

¿te doy que pensar para este verano?... nos vemos en septiembre

Y, como siempre, Seguimos!

Uber se fundió su presupuesto anual de IA para 2026 en cuatro meses. La lectura fácil es que la IA es cara, o que alguien perdió el control del gasto. Las dos lecturas son incorrectas. Lo que pasó en Uber no fue un problema de gasto: fue un vacío de gobernanza. La empresa montó rankings internos que premiaban a quien más usaba las herramientas de IA, y obtuvo exactamente lo que incentivó: consumo. Sin límites, sin aprobaciones, sin conexión entre lo que se gastaba y lo que se producía.

Durante meses hemos repetido que la IA no es una herramienta más, que su impacto es transversal a toda la compañía. Pues bien: si el impacto es transversal, la gobernanza también tiene que serlo. Y esta semana el mercado ha dejado claro que dentro de ese modelo de gobernanza hay un capítulo que casi nadie había escrito todavía: la gestión de los tokens.

El año del “tokenmaxxing”

El caso de Uber no es aislado. SemiAnalysis estima que los empleados de Meta consumieron más de 60 billones de tokens en 30 días, con un caso individual de 280.000 millones —un gasto cercano a los 50.000 dólares anuales por empleado a precio de lista—. Un empleado llegó a construir un panel interno, “Claudeconomics”, que rankeaba a los 250 mayores consumidores de la compañía. Los empleados competían por títulos como “Token Legend”. El panel se cerró dos días después de que la prensa publicara las cifras.

Fíjate en el patrón: no es que la tecnología fallara, ni que el ROI no existiera. Es que las empresas incentivaron el consumo sin gobernarlo. Premiar el uso de IA sin medir su resultado es como premiar a los comerciales por el número de llamadas sin mirar las ventas. Lo que mides es lo que obtienes.

La señal definitiva: el proveedor te da el freno

Y aquí llega el detalle más revelador de la semana. Anthropic acaba de lanzar controles de gasto en Claude Enterprise para que los responsables financieros y de tecnología vean, midan y limiten cuánto consume su empresa: alertas a los administradores al 75% y al 90% del límite de la organización, avisos a cada empleado al 75% y al 95% de su límite personal, modelo por defecto configurable por rol, y —esto es lo importante— el coste mostrado junto a lo que se produjo con él.

La empresa que más ha ganado con el consumo desbocado de tokens es la que ahora te da las herramientas para consumir menos. No es filantropía: es una apuesta por la confianza del cliente empresarial, que es donde se juega el largo plazo. Según datos de Ramp, el 77% de las empresas con gasto en modelos de frontera ya usa los de Anthropic. Cuando el proveedor dominante convierte los límites de gasto en producto, te está diciendo algo: la gestión de tokens ha dejado de ser una preocupación técnica para convertirse en una función corporativa.

Esto no va a menos: los agentes consumen a ritmo de máquina

Si crees que esto se arregla esperando a que bajen los precios, los números apuntan en la dirección contraria. Goldman Sachs proyecta que el consumo de tokens por parte de agentes se multiplicará por 24 hasta 2030 y lo describe como la primera prueba seria de costes para el sector. Cristiano Amon, CEO de Qualcomm, cifra la demanda global en 31.700 millones de tokens cada 10 segundos en 2026, y hasta 1,27 billones en 2030: un salto de 40 veces que atribuye al paso del ritmo humano al ritmo de los agentes.

La mecánica es sencilla y conviene entenderla bien: un chatbot responde una vez; un agente planifica, encadena tareas, verifica resultados y corrige errores dentro de su cadena de razonamiento. Una sola petición puede consumir 10, 50 o más veces los tokens de una respuesta normal. El coste deja de ser proporcional al número de empleados que usan IA y pasa a ser proporcional al trabajo que la IA hace por sí sola. Esa es la diferencia entre presupuestar licencias y presupuestar consumo.

Qué significa gobernar los tokens

Si aceptamos que la IA exige un modelo de gobernanza —quién decide, quién aprueba, cómo se mide el impacto—, la gestión de tokens es uno de sus capítulos, con al menos cinco elementos:

1. Límites y aprobaciones. Uber acabó imponiendo un tope de 1.500 dólares al mes por empleado, con excepciones aprobadas caso a caso. Pero no hay una cifra mágica: las conversaciones de SemiAnalysis con más de 50 grandes empresas muestran presupuestos desde 250 dólares al mes hasta varios miles según el rol. Lo relevante no es el número, sino que exista un mecanismo: límites por organización, por equipo y por persona, y un proceso claro para pedir más.

2. Previsión de presupuesto. El caso más maduro que describe SemiAnalysis es el de una gran aerolínea americana: el presupuesto de tokens se asigna por proyecto y se liga a los ingresos que ese proyecto debe generar, igual que los viajes o los contratistas. La IA deja de ser una partida genérica de tecnología y entra en el business case de cada iniciativa.

3. Incentivos correctos. La lección de los rankings de Uber y Meta: si premias el consumo, tendrás consumo. Los incentivos deben apuntar al resultado (proyectos entregados, tiempo ahorrado, ingresos generados), nunca al uso por el uso.

4. Coste junto a resultado. La funcionalidad más interesante de los nuevos controles de Anthropic no es el límite, sino poder ver qué produjo la IA al lado de lo que costó. Eso cambia la conversación de “cuánto nos gastamos” a “qué nos devuelve cada euro”. Sin esa atribución, cualquier debate sobre el presupuesto de IA es una discusión a ciegas.

5. Decisiones técnicas con impacto económico. Elegir el modelo por defecto (el caro solo cuando aporta), aprovechar la caché de contexto y optimizar cómo se despliegan los agentes son decisiones de gobernanza, no solo de ingeniería. NVIDIA y LangChain acaban de demostrar que ajustando el harness —el andamiaje alrededor del modelo— y no el modelo, un agente sobre un modelo abierto puede rendir a nivel de frontera con un coste de inferencia unas 10 veces menor. El margen de optimización es enorme, pero alguien tiene que ser responsable de capturarlo.

La pregunta no es cuánto gastas, sino quién gobierna

Conviene no caer en el pánico contrario: el propio trabajo de campo de SemiAnalysis concluye que los titulares están inflados, que la mayoría de empleados ni se acerca a los límites y que los casos de Uber y Meta fueron el resultado de incentivos mal diseñados, no de una tecnología sin retorno. Donde hay gobernanza, hay ROI: los presupuestos bien asignados están financiando reducciones de tiempos de semanas a horas.

Y esa es exactamente la tesis de este artículo. Gobernar los tokens no va de gastar menos: va de gastar con intención. Una empresa que trata la IA como “una herramienta más” la esconde en el presupuesto de IT y se entera del problema cuando llega la factura. Una empresa que entiende su impacto transversal la gobierna como gobierna cualquier otro recurso estratégico: con límites, con aprobaciones, con previsión y con métricas de retorno.

Tres preguntas para cerrar, pensadas para tu próximo comité de dirección:

¿Sabes hoy cuántos tokens consume tu organización, quién los consume y en qué? Si mañana el consumo se multiplicara por diez —que es el escenario base con agentes, no el pesimista—, ¿quién lo detectaría y con qué autoridad actuaría? Y la más incómoda: ¿puedes poner el coste de tu IA al lado de lo que produce, o solo tienes la mitad de esa ecuación?

Si la respuesta a alguna de las tres es “no lo sé”, no tienes un problema de tokens. Tienes un hueco en tu modelo de gobernanza.

Y, como siempre, Seguimos!

Esa lectura es cómoda. Y es la equivocada.

Porque OpenAI no ha lanzado un producto para ganar dinero gestionando tus finanzas. Ha añadido una línea de negocio cuyo objetivo no es ser rentable por sí misma, sino hacer más difícil que te vayas y más completa la propuesta de valor de todo su ecosistema. Es un movimiento de manual de lo que se conoce como crecimiento asimétrico. Y entenderlo bien no es un ejercicio académico: es la diferencia entre analizar correctamente a tu competencia o hacerlo con el marco equivocado.

Qué ha pasado realmente

El producto se llama Finances in ChatGPT y, de momento, está en vista previa solo para usuarios Pro en Estados Unidos. La conexión no se hace a través de un banco concreto, sino mediante Plaid, que enlaza más de 12.000 instituciones financieras —Chase, Fidelity, Schwab, Robinhood, American Express, Capital One—. Una vez conectadas las cuentas, el usuario ve un panel con su cartera, su gasto, sus suscripciones y sus próximos pagos, y puede preguntar en lenguaje natural sobre sus propios datos en tiempo real. El acceso es de solo lectura: ChatGPT puede analizar, pero no mover dinero.

El dato que importa no es el técnico, sino el de escala: según la propia OpenAI, más de 200 millones de personas ya consultan cuestiones financieras en ChatGPT cada mes. No están captando a un usuario nuevo; están monetizando una conducta que ya existía sobre una base de usuarios que ninguna app vertical puede igualar.

Y no están solos. Semanas antes, Perplexity lanzó su propia versión —también sobre Plaid— posicionada explícitamente como un «CFO personal» con cartera, transacciones y pasivos. Cuando dos actores llegan a la misma categoría casi a la vez, no están copiándose: están respondiendo a la misma lógica estructural.

La lógica asimétrica

Un modelo de crecimiento asimétrico es aquel en el que una empresa ofrece un producto de mucho valor —a menudo a pérdida o a coste— a un grupo de usuarios, mientras captura el beneficio en una línea de negocio distinta, a veces en una industria completamente diferente. Se rompe la relación tradicional entre quien usa y quien paga. Y al romperla, se levanta una barrera de entrada que la competencia tradicional no puede saltar.

El ejemplo más nítido es Amazon. AWS genera alrededor del 15-17% de los ingresos pero aporta la mayoría del beneficio operativo, con márgenes cercanos al 37%. Ese motor de caja es el que permite que el resto del ecosistema opere a márgenes finísimos —o directamente a pérdida— sin que a Amazon le tiemble el pulso. Amazon Prime Video no existe porque Amazon aspire a dominar el contenido audiovisual; existe porque completa la propuesta de valor global y aumenta la retención de un cliente que compra más y se queda más. Para el suscriptor de Prime, la televisión no cuesta un céntimo más. Para Netflix, competir contra eso es una pesadilla estructural.

Lo resumió hace años el inversor Fred Wilson, de Union Square Ventures, al decir que Amazon tiene una ventaja «casi injusta en el negocio de contenidos gracias a Prime»: quién iba a imaginar que enviar paquetes a pérdida se convertiría en un foso competitivo en el negocio de la televisión. Ese es el punto exacto. El competidor tradicional —el que sí necesita ganar dinero con el contenido— juega en desventaja permanente, no porque su producto sea peor, sino porque su modelo de negocio es más frágil.

La misma dinámica explica por qué una empresa que solo vende mapas de navegación no puede competir con Google Maps: Google no necesita ganar dinero con los mapas, porque su negocio es la publicidad. El mapa es el gancho; el dato y la atención, el activo; la publicidad, la caja.

Por qué esto reencuadra la amenaza para el sector financiero

Aquí está la lección para el ejecutivo, y no es de tecnología, es de estrategia.

Si eres Monarch, Copilot o incluso un banco, y analizas a OpenAI como «un competidor de finanzas personales», ya has perdido. Porque estás midiendo a un rival que no está intentando ganar tu partida. OpenAI no necesita que la línea de finanzas sea rentable. La usa como driver de valor transversal: cada nueva superficie —finanzas, salud, compras— le da más contexto sobre quién eres y qué haces, alimenta su visión de superapp y refuerza un vector de retención que ninguna aplicación vertical puede replicar. Greg Brockman lo ha enmarcado sin ambigüedad: esto no es un producto aislado, sino un paso hacia un agente personal que opere de forma continua en tu nombre.

Dicho de otro modo: el peligro para una fintech ya no es que ChatGPT tenga un mejor panel de gastos. Es que OpenAI puede permitirse no cobrar por él.

Esto obliga a hacerse dos preguntas incómodas dentro de la propia organización:

1. ¿Contra quién compito de verdad? Si tu rival subsidia tu mercado con los beneficios de otro, tu ventaja de producto se evapora. La pregunta deja de ser «¿cómo hago mi producto un 10% mejor?» y pasa a ser «¿dónde está el valor que él no puede subsidiar?».

2. ¿Tengo yo un motor asimétrico? ¿Existe en mi negocio una línea rentable que me permita ofrecer otra a coste para completar la propuesta de valor global y elevar el coste de cambio del cliente? La mayoría de las empresas tienen los ingredientes y nunca los conectan.

La trampa que mantiene la tesis honesta

Conviene no idealizar el modelo, y aquí conecto con algo que ya escribí sobre la economía oculta de la IA. La asimetría de Amazon es sólida porque el subsidio sale de un beneficio real: AWS gana dinero de verdad. La asimetría de OpenAI, hoy, se sostiene en buena medida sobre capital de inversores, no sobre un motor de caja consolidado. Es una apuesta, no una máquina. La diferencia entre una asimetría financiada por beneficios y una financiada por subvención es la diferencia entre un foso y un espejismo bien iluminado.

Y hay una segunda grieta, más sutil, que las propias fuentes reconocen: la utilidad de la herramienta depende del conocimiento financiero previo del usuario, e invierte así la promesa de democratización con la que suelen venderse estos lanzamientos. La IA hace el 70% del trabajo —agrega, ordena, resume—, pero el 30% de criterio que decide si esa información se convierte en una buena decisión sigue siendo humano. Un panel no te vuelve solvente.

El punto para llevarse

Desde que empecé a construir agentes conectando APIs, cuentas y flujos de datos, tengo clara una cosa: la barrera técnica para integrar finanzas en un asistente es baja. Cualquiera con Plaid y un buen modelo lo monta. La barrera real —la que no se compra— es el ecosistema que hace que esa línea a pérdida tenga sentido.

Por eso el titular correcto no es «ChatGPT entra en las fintech». Es «ChatGPT ha convertido tus finanzas en un motivo más para no irse nunca». Y si tu empresa compite —o competirá— contra un gigante que puede permitirse no ganar dinero en tu terreno, la peor estrategia posible es seguir jugando a tu juego como si él también lo hiciera.

Y, como siempre, Seguimos!

La buena noticia es que esa frustración no significa que vayas tarde. Significa que estás haciéndote la pregunta equivocada.

La mayoría busca qué herramienta usar cuando el problema real es qué quieres que cambie en tu negocio y cómo lo vas a gobernar cuando funcione. Y ese desajuste no es anecdótico: según Gartner, entre 2019 y 2024 cada año entre el 17% y el 25% de las organizaciones planeaban implementar IA en los doce meses siguientes, pero el crecimiento real de los despliegues en producción fue solo del 2% al 5% anual. Año tras año, la intención se multiplica y la producción apenas se mueve.

Esa brecha es la tesis de esta edición: la IA no fracasa en el piloto. Fracasa en el espacio que hay entre el piloto y la organización. Y ese espacio no se cruza con tecnología, se cruza con decisiones de liderazgo.

(humildemente) te propongo 4 espacios de reflexión: qué no hacer, qué decidir, cómo empezar y qué no olvidar.

1. Tres cosas que NO debes hacer

• No trates la IA como una herramienta. Es un driver de valor, y es transversal. Nadie transformó su empresa “haciendo que todos usaran el email”: el email fue infraestructura, no estrategia. Cuando ves la IA como un gadget más —el copiloto de turno, la app de turno— acabas sumando aplicaciones, no cambiando cómo creas valor. La pregunta no es “¿qué herramienta de IA compro?”, sino “¿dónde se crea y se pierde valor en mi cadena, y dónde puede moverlo la IA?”

• No aprendas la IA solo en teoría (ni te creas todo lo que se dice de ella, ni a mi, por supuesto). Hay una distancia enorme entre leer sobre IA y usarla. Quien no la ha tocado sobreestima lo que hace fácil y subestima lo que hace difícil. Tienes que ensuciarte las manos —tú y tu equipo—. Te lo digo por experiencia propia: montando un agente de lead scoring con Make, n8n y la API de Claude aprendí más en una semana de construir que en meses de leer thought leadership. Tocar la tecnología recalibra tu criterio como ninguna presentación lo hará.

• No pienses que un piloto te resolverá la vida. Hacer un piloto es fácil; escalarlo es lo complicado —y ese dato de Gartner lo confirma—. Un piloto en entorno controlado, con datos limpios y un entusiasta al frente, casi siempre “funciona”. El salto a producción —con datos reales, usuarios reales, procesos reales y costes reales— es donde casi todo se cae. Si diseñas el piloto sin pensar en cómo se escala, estás construyendo un callejón sin salida con buena prensa interna.

2. Tres decisiones que solo puedes tomar tú

Estas no se delegan, son decisiones de negocio.

• Decide cómo vas a pagar la IA de verdad. Hoy es una tecnología subvencionada: los precios que ves no reflejan el coste real de computar, sino una guerra de adopción financiada con capital de inversores. Cuando esa subvención se normalice, los costes subirán. Presupuesta para el coste real, no para el precio promocional, porque una iniciativa rentable a precio subvencionado puede dejar de serlo de un trimestre a otro.

• Decide tu modelo de gobernanza antes de necesitarlo. Aunque arranques con un piloto pequeño y acotado, su impacto será transversal —ya lo anticipas—. Decide ahora quién decide: qué casos de uso se permiten, qué datos pueden entrar, quién responde de los resultados y dónde tiene que haber un humano en el bucle. La gobernanza improvisada a posteriori se paga como deuda técnica y reputacional.

• Decide para qué la quieres. Suena obvio y casi nadie lo hace explícito. ¿Buscas eficiencia operativa o una nueva propuesta de valor para el cliente? Gartner lo separa con claridad: IA cotidiana (mejorar lo que ya haces) frente a IA revolucionaria (crear capacidades o productos nuevos). No son lo mismo, y no se financian, ni se miden, ni se gobiernan igual. Elegir el “para qué” es, en realidad, elegir todo lo demás.

3. Tres movimientos para empezar bien

• Usa una metodología, no la intuición. Por ejemplo, el radar de oportunidades de IA de Gartner, que te obliga a situar cada iniciativa en dos ejes: la oportunidad que persigue y su viabilidad real (la tecnología necesaria y la preparación de las personas que la usarán). Una metodología te protege del shiny object y te da una cartera de iniciativas priorizada, no una colección de experimentos sueltos.

• Define qué indicadores de negocio quieres mover, antes de empezar. Pueden ser de eficiencia (tiempo, coste, errores) o de contribución a negocio (ingresos, conversión, retención). Si no fijas la métrica antes, al final medirás el entusiasmo del equipo, no el impacto. Y el entusiasmo no entra en la cuenta de resultados.

• Ordena tus datos, aunque sea medianamente. La IA trabaja sobre datos y su rendimiento depende casi por completo de ellos. No puedes pretender buenas decisiones a partir de datos malos, desorganizados o desactualizados. No necesitas perfección —necesitas datos suficientemente buenos, accesibles y fiables para el caso concreto que has elegido—. Garbage in, garbage out sigue siendo la ley física de este negocio.

4. Tres cosas que no debes olvidar

• No existe “la IA”. Existen IAs. Machine learning, IA predictiva, redes neuronales, IA generativa, IA agéntica: comparten cimientos técnicos, pero tienen capacidades, costes y riesgos muy distintos. Hablar de “la IA” en singular es como hablar de “los vehículos” para decidir entre una bicicleta y un camión. La conversación útil empieza cuando nombras el tipo concreto y el caso concreto.

• Sigue siendo, en buena parte, ingeniería de software. A medida que avanzas en entornos corporativos descubres que un porcentaje es diseño estratégico, pero un porcentaje muy relevante sigue siendo ingeniería: integración, datos, seguridad, mantenimiento, monitorización. El glamour está en la estrategia; la producción está en la ingeniería. Si solo inviertes en lo primero, te quedas para siempre en el piloto.

• El reto principal es gestión del cambio. Como en cada ola anterior —la web, las redes sociales, la transformación digital—, el impacto real no lo determina la tecnología, sino cómo las personas y la organización absorben su uso y sus consecuencias. La tecnología se compra; la adopción se lidera.

El verdadero punto de partida

Vuelve a la frase del principio. La pregunta no era “¿cómo incorporo la IA?”. Esa es una pregunta de herramienta. La pregunta real es una secuencia de liderazgo: ¿para qué la quiero, qué quiero que mueva, cómo la voy a gobernar y quién va a liderar el cambio?

Quien responde esas cuatro preguntas no necesita un piloto afortunado. Necesita una decisión.

Así que te dejo con la mía: tu próxima iniciativa de IA, ¿es un experimento esperando suerte, o una decisión esperando ejecución?

Y, como siempre, Seguimos!

Los agentes de IA no son tan fáciles como te prometen. Y eso es una buena noticia.

He pasado la semana en California, en UC Berkeley, acompañando a 50 participantes de los Executive Master de ESADE. Siempre es estimulante volver a esta parte del mundo, donde todo lo digital — y ahora la IA — parece empezar y terminar. Conversaciones que te obligan a revisar lo que tenías “claro”.

Uno de los temas que más ha dominado las conversaciones — y que llevo semanas viviendo en primera persona — es que esto de los agentes de IA no es tan fácil como parece.

Seguramente habéis visto vídeos en Instagram o TikTok donde en 60 segundos prometen construir un agente que os permitirá hacer miles de cosas. O webinars con la promesa de que tendréis un agente que os clonará y ejecutará no sé cuántas funciones en paralelo.

La realidad: te pones a trabajar con las herramientas, empiezas un camino más oscuro de lo esperado, y con suerte — y sin ayuda — automatizas alguna función básica. Lo que construyes probablemente no es el prometido agente que toma decisiones por su cuenta. Es una automatización con nombre más cool.

¿Por qué ocurre esto?

Dos razones fundamentales:

• Los agentes no son automatizaciones, aunque los llamen así. Una automatización hace: si pasa X, entonces Y. Un agente percibe, razona y actúa con criterio propio. La mayoría de lo que se vende como “agente” es, en el fondo, un flujo de trabajo glorificado.

• Los agentes son 10% IA generativa y 90% ingeniería de software. Hay un frontend más accesible que antes, sí. Pero el 90% restante sigue requiriendo conocimientos técnicos reales: APIs, gestión de tokens, seguridad de datos, lógica de integración. Se ha rebajado el umbral de entrada, no se ha eliminado.

¿Dónde está entonces el valor?

Aquí es donde cambia el marco: el valor no está en crear el agente, sino en diseñarlo bien.

Diseñar un agente es un trabajo de negocio, no de tecnología. Requiere entender qué decisiones debe tomar el agente, con qué información, bajo qué criterios, y cuándo debe escalar al humano. Una vez ese diseño está bien hecho, los perfiles técnicos pueden construirlo — y hay cada vez más herramientas que lo facilitan.

Veámoslo con un ejemplo real.

Hasta aquí: trabajo de negocio. A partir de aquí empieza el rol técnico: ¿con qué base de datos lo conecto? ¿Cómo garantizo la seguridad de los datos? ¿Qué herramienta uso para gestionar el consumo de tokens?

Una nota personal: este agente es real. Lo diseñé primero como funcional y luego lo construí en Make.com y en n8n. No tengo perfil técnico, pero me defiendo. Para hacerlo necesité conectar Google Sheets, crear APIs de Claude y Perplexity, vincular Gmail y aprender lo básico de JSON. No fue rápido. Pero ahora tengo un agente de scoring que puedo reutilizar en cualquier proceso comercial.

La pregunta que me quedo de esta semana en Berkeley:

Si el valor está en el diseño, ¿cuántas organizaciones están invirtiendo en desarrollar esa capacidad de diseño en sus equipos de negocio — en lugar de esperar a que el departamento técnico lo resuelva todo?

Los agentes de IA no son magia de 60 segundos. Son decisiones de negocio que alguien tiene que tomar bien antes de que la tecnología entre en juego.

Y, como siempre, Seguimos!

Hay una trampa silenciosa en la adopción masiva de herramientas de IA: cuando todo el mundo genera el mismo output con las mismas herramientas, el output deja de tener valor diferencial. Y mientras tanto, la capacidad más humana y más valiosa —el pensamiento crítico— se está erosionando sin que lo veamos.

El dato que incomoda

En 2025, investigadores de Microsoft publicaron uno de los estudios más reveladores sobre el impacto de la IA en el trabajo cognitivo. Encuestaron a 319 trabajadores del conocimiento y analizaron 936 ejemplos reales de uso de IA en tareas laborales.

El hallazgo más incómodo no es que la IA falle. Es que funciona demasiado bien. Cuando los empleados confían en exceso en la IA generativa, reducen el esfuerzo cognitivo que dedican a evaluar, cuestionar y verificar los resultados. Dicho de otro modo: delegan el pensar.

El estudio identifica, además, un factor protector significativo: los profesionales con alta confianza en sus propias capacidades —alta autoeficacia profesional— siguen ejerciendo el pensamiento crítico incluso cuando usan IA. El conocimiento experto no es solo el punto de partida; es el escudo.

El profesional aumentado: la IA amplifica al experto

Ya nos aproximamos hace unos meses a este concepto y la idea central sigue siendo válida, y el estudio de Microsoft la refuerza empíricamente: la IA no sustituye al profesional experto; lo amplifica, siempre que el profesional siga siendo el dueño del proceso.

El profesional aumentado no es el que usa más herramientas de IA. Es el que combina conocimiento especializado profundo con la capacidad de dirigir, interrogar y supervisar la IA para producir resultados que nadie más puede replicar. La IA es el copiloto. El profesional es el piloto.

El error estratégico que cometen muchas organizaciones es invertir en herramientas de IA sin invertir en el conocimiento especializado que hace que esas herramientas generen valor real. El resultado es un equipo que produce más rápido outputs mediocres. Foco en la herramienta y no foco en el valor que permite crear.

La regla 70/30: dónde está realmente el valor

Pensemos en una distribución simple: si el valor total de una tarea es 100, la IA bien utilizada puede generar el 70% de ese valor. Correcto, eficiente, suficiente. El problema no es ese 70%. El problema es lo que ocurre cuando todos lo tienen.

Cuando la IA esté al alcance de todos los profesionales —y ya lo está— ese 70% se convierte en el nuevo estándar. No en una ventaja competitiva. En el mínimo exigible. Quien no llegue al 70% queda fuera. Pero quien solo llega al 70% no se diferencia.

Human in the loop: una decisión estratégica

En el ámbito técnico, Human in the Loop es el concepto que describe sistemas de IA donde un humano supervisa, corrige o valida el output del algoritmo antes de que tenga efecto. Es una arquitectura de diseño.

En el ámbito estratégico, debería ser una política corporativa. No porque la IA falle —en muchos casos no falla— sino porque la responsabilidad del resultado sigue siendo humana. Y porque, como demuestra el estudio de Microsoft, la atrofia del pensamiento crítico no se produce en un día. Se produce por la acumulación silenciosa de pequeñas delegaciones cognitivas.

Las organizaciones que mejor aprovecharán la IA no serán las que más la usen. Serán las que hayan diseñado procesos donde el conocimiento experto y la IA interactúan de forma deliberada, donde el profesional aumentado sigue siendo el autor del resultado.

Y después de esto siempre pasa lo mismo… alumnos, asistentes a conferencias, ejecutivos, clientes… pregunta, ¿y como lo hago? y yo les respondo… hazte estas tres preguntas, la respuesta te marca el camino:

1. ¿Sabe mi equipo qué preguntas hacerle a la IA?

Generar un output es fácil. Saber interrogarlo, cuestionarlo y mejorarlo requiere conocimiento especializado. ¿Estáis entrenando esa capacidad o solo el uso de la herramienta?

2. ¿Estamos midiendo solo velocidad o también calidad del juicio?

La productividad con IA es fácil de medir. La calidad del pensamiento crítico aplicado a los outputs de la IA, no. Si solo medimos lo primero, estaréis incentivando la delegación cognitiva.

3. ¿Quién es el dueño del resultado?

Cuando un equipo presenta un análisis generado por IA, ¿alguien ha asumido la responsabilidad intelectual de ese resultado? ¿o simplemente se ha distribuido lo que el algoritmo produjo?

La IA no está haciendo a los profesionales más inteligentes, les está haciendo más rápidos. El pensamiento crítico no es una soft skill del pasado. Es la competencia que determinará qué profesionales y qué organizaciones crean valor real en la era de la IA, y cuáles simplemente procesan outputs a mayor velocidad.

Y, como siempre, Seguimos!

No porque la tecnología falle. Sino porque escalar no es una versión más grande de prototipar.

Construir un piloto de IA nunca ha sido tan fácil

Las herramientas actuales permiten montar un agente funcional en días. Las APIs de los grandes modelos son accesibles, la documentación es excelente, y hay una comunidad enorme compartiendo código. Un equipo de dos personas puede crear en una semana algo que, hace tres años, habría requerido meses y un presupuesto de investigación.

Esto es genuinamente bueno. Reduce el coste de experimentar, permite validar hipótesis rápido y democratiza el acceso a tecnología antes reservada a las grandes tecnológicas.

Pero genera una ilusión peligrosa: confundir la facilidad de construir con la facilidad de desplegar.

La última milla es donde mueren los proyectos

El salto del piloto a producción no es un problema técnico. Es un problema sistémico.

Según un análisis de EPAM, casi el 95% de los pilotos de IA no generan retorno, y solo el 26% de las organizaciones que se consideran líderes en adopción han conseguido desplegar casos de uso reales a escala. Los motivos son consistentes: según TechTarget, el 39% cita la seguridad y el cumplimiento normativo, el 37% el alto coste de implementación, y el 29% la integración con los sistemas existentes.

Cuando un agente de IA pasa de responder preguntas en un entorno controlado a tomar decisiones dentro de los flujos reales de una empresa, empieza a rozar con todo: los sistemas legacy que llevan décadas sin actualizarse, los permisos que nadie sabe exactamente quién gestiona, los procesos que solo existen en la cabeza de tres personas, las integraciones que se documentaron en 2017 y nunca se actualizaron.

Hay incluso un nombre para este fenómeno: la Pilot Paradox, o paradoja del piloto. Según un estudio de Harvard Business Review Analytic Services recogido por Earley, las mismas condiciones que hacen que un prototipo funcione son exactamente las que hacen que el despliegue real fracase. El piloto no tuvo éxito a pesar de su alcance limitado, sino precisamente gracias a él.

Escalar un piloto de IA no es escribir más código. Es modernizar infraestructura, rediseñar flujos de trabajo y establecer nuevos marcos de gobernanza. Y todo eso tiene un coste —en tiempo, en dinero, en fricción organizativa— que el piloto nunca mostró.

El problema se multiplica con los agentes

Los copilotos individuales ya son difíciles de escalar. Los agentes que interactúan entre sí elevan el nivel de complejidad exponencialmente.

Cuando un agente delega una tarea a otro, y ese a un tercero, los errores no se ven: se acumulan silenciosamente. Según Galileo AI, los fallos de especificación representan aproximadamente el 42% de los problemas en sistemas multiagente, los fallos de coordinación el 37% y las brechas de verificación el 21% restante. Los estudios documentan tasas de fallo de entre el 41% y el 87% sin una orquestación adecuada, y la mayoría de estos fallos no generan ninguna señal de error explícita.

El mapa de qué funciona bien y qué falla —lo que se llama la jagged frontier de la IA— está razonablemente estudiado para el uso individual. En arquitecturas multiagente, ese mapa no existe todavía. El lenguaje disponible para diseñar y gobernar estos sistemas viene casi en exclusiva de la ingeniería de software, que describe bien la mecánica pero mal la coordinación entre agentes que operan con autonomía.

Lo que esto significa para las empresas

Si tu empresa está explorando IA, la pregunta relevante no es ¿podemos construir un piloto? La respuesta casi siempre es sí, y cada vez más rápido.

La pregunta relevante es: ¿estamos preparados para lo que viene después del piloto?

Según KPMG, las organizaciones que escalan con éxito no son las que tienen más pilotos, sino las que alinean su modelo operativo, arquitectura, gobernanza, datos y talento antes de ampliar el alcance. La IA no escala porque el modelo funcione bien; escala porque el entorno subyacente puede absorberla y operativizarla de forma repetida.

Eso implica hacer un diagnóstico honesto de la infraestructura tecnológica existente, identificar qué procesos deben rediseñarse antes de automatizarse, construir capacidad interna para gestionar sistemas que toman decisiones autónomas y establecer criterios claros sobre qué errores son tolerables y cuáles no.

El piloto es el principio del trabajo, no la demostración de que el trabajo está hecho.

La IA está bajando el coste de experimentar a mínimos históricos. Pero no está bajando el coste de transformar una organización. Esa confusión —creer que lo primero resuelve lo segundo— es el error más caro que están cometiendo las empresas ahora mismo.

Y, como siempre, Seguimos!

Es cierto que los negocios tienen sus matices. Un producto nuevo puede requerir inversión inicial antes de que el mercado lo adopte. Los ciclos de cobro generan desfases entre el momento en que se incurre en el coste y el momento en que llega el ingreso. En esos períodos de transición, herramientas como la financiación bancaria, las subvenciones públicas o la entrada de inversores privados permiten mantener la operación. Pero —y este “pero” es crucial— esto no puede durar para siempre.

Pues bien, las empresas de inteligencia artificial no escapan a esta premisa. También necesitan que su margen pague la fiesta. El problema es que, a día de hoy, ese margen simplemente no existe. Y lo que es peor: la industria lleva años actuando como si no importara.

Los números que nadie quiere mirar

Detrás de cada consulta que haces a ChatGPT, de cada análisis que genera Claude, de cada imagen que produce Midjourney, hay una factura que no estás pagando tú. La estás pagando, en parte, un inversor que confía en que algún día la ecuación cuadrará.

Las cifras son brutales. Según un informe del Wall Street Journal, OpenAI espera acumular pérdidas de hasta 85.000 millones de dólares antes de alcanzar la rentabilidad en 2030. Los costes de computación y entrenamiento de modelos podrían alcanzar los 125.000 millones de dólares para 2029. Anthropic, por su parte, identifica 2026 como su año de mayores pérdidas, con una expectativa de rentabilidad para 2029.

Leamos estas cifras despacio, porque merecen toda nuestra atención. No estamos hablando de startups que queman unos millones mientras buscan su modelo de negocio. Estamos hablando de las empresas más financiadas de la historia de la tecnología, perdiendo decenas de miles de millones de dólares, año tras año, para ofrecerte una herramienta a un precio que no cubre ni de lejos su coste real de producción.

Los inversores tambien tienen sus limites

Cuando las valoraciones se multiplican por dos en cuestión de semanas, cuando los inversores compiten por entrar en compañías que no son rentables, cuando el mercado secundario de participaciones de Anthropic o OpenAI hierve de demanda, la racionalidad económica queda en segundo plano. Lo que manda es el miedo a quedarse fuera de la mayor transformación tecnológica de la historia.

Pero los inversores no son filántropos. En algún momento —y ese momento llegará— exigirán retornos. Y cuando eso ocurra, alguien tendrá que pagar la factura. Spoiler: ese alguien serás tú.

¿Cual es el Plan B de los grandes de la IA?

eCommerce: quizás ser el nuevo Amazon…

OpenAI ha lanzado OpenAI Shopping, una funcionalidad que permite a los usuarios comprar productos directamente desde ChatGPT. La integración con Shopify va más allá: mediante el acuerdo entre ambas compañías, millones de productos de comerciantes de Shopify aparecen como respuestas naturales cuando un usuario pregunta al chatbot. La compra se cierra sin salir de la conversación.

El modelo es elegante y, sobre todo, muy rentable en potencia. Si ChatGPT se convierte en el punto de inicio del proceso de compra para una fracción significativa de los consumidores, OpenAI pasa a controlar uno de los activos más valiosos de la economía digital: la intención de compra. La empresa que controla el momento en que un consumidor decide comprar algo controla el negocio, no el que fabrica el producto.

publicidad: quizás ser el nuevo Google…

La otra vía que se está explorando es la publicidad. Y aquí el debate es especialmente revelador. La industria de la IA lleva tiempo hablando de ella misma como una alternativa superior a los motores de búsqueda tradicionales, contaminados por anuncios y resultados pagados. Pero la presión económica empieza a torcer esa narrativa.

Varios informes del sector apuntan a que la inclusión de publicidad en los modelos de lenguaje es cada vez más una cuestión de “cuándo” y no de “si”. El modelo es tentador: millones de usuarios formulando preguntas con alta intención de compra, un contexto conversacional que permite una segmentación nunca vista, y una capacidad de influencia sobre la decisión final que hace palidecer cualquier banner publicitario.

¿Qué implica esto para ti como usuario empresarial? Que la herramienta en la que confías para tomar decisiones estratégicas podría, en el futuro, tener incentivos económicos para favorecerte ciertas respuestas. No como un sesgo malintencionado, sino como una consecuencia natural del modelo de negocio que financiará su existencia.

¿Y si la IA no siguiera las leyes del software tradicional?

Hay un argumento tranquilizador que circula con frecuencia en los entornos tecnológicos: “No te preocupes, el coste de la IA bajará con el tiempo, como pasó con el almacenamiento o el ancho de banda.” Es un argumento razonable en apariencia, pero que ignora una particularidad fundamental de cómo funciona este sector.

En los modelos de negocio digitales tradicionales, el crecimiento del número de usuarios genera economías de escala. Más usuarios significan ingresos que permiten amortizar la infraestructura, y la estandarización tecnológica reduce progresivamente el coste por unidad. El disco duro que costaba mil euros hace veinte años ahora cuesta cinco. El megabyte de datos móviles que era un lujo ahora es casi gratuito.

En la IA, algo diferente está ocurriendo. Es cierto que el coste por inferencia —el coste de procesar una consulta concreta— se ha reducido de forma significativa en los últimos años. Los modelos son más eficientes, el hardware mejora, la optimización avanza. Pero hay una trampa.

“A medida que los modelos abaratan sus respuestas básicas, nosotros les pedimos cosas más complejas. La frontera del coste se mueve siempre hacia adelante.”

Cada vez que la industria consigue hacer más barato lo que hacía ayer, nosotros le exigimos que haga lo que no era capaz de hacer ayer. Primero pedimos respuestas de texto. Luego razonamiento complejo. Luego generación de imágenes. Luego agentes autónomos que ejecutan tareas durante horas. Luego modelos que “piensan” antes de responder. Cada salto en capacidad requiere un salto proporcional —o mayor— en inversión computacional.

El resultado es que la curva de costes de las empresas de IA no desciende de forma estructural. Desciende en los modelos de ayer mientras sube en los modelos de mañana. Y en ese bucle permanente de demanda creciente, las economías de escala que salvaron a otras industrias digitales simplemente no se materializan de la misma manera.

Entrenar GPT-4 costó, según estimaciones, entre 50 y 100 millones de dólares. El entrenamiento de los modelos de siguiente generación se habla ya en términos de miles de millones. No hay señales de que esa tendencia se vaya a invertir mientras los usuarios —nosotros— sigamos demandando más capacidad, más velocidad y más inteligencia.

La pregunta que deberías hacerte…

Si has llegado hasta aquí, probablemente ya estás usando la IA en tu empresa. Quizás has integrado copilots en tu flujo de trabajo, automatizado tareas con agentes, o tomado decisiones basadas en análisis generados por modelos de lenguaje. Bien. Todo eso tiene sentido hoy.

Pero aquí está la pregunta que te invito a hacerte antes de que acabe el día: ¿cuánto de tu estrategia digital depende de que los precios de la IA se mantengan donde están ahora?

Porque si la respuesta es “mucho”, tienes un problema que no aparece en tu balance ni en tu análisis de riesgos. Estás construyendo sobre precios subsidiados por inversores que, en algún momento, cambiarán las reglas del juego. No porque sean malos, sino porque es lo que hacen los inversores.

La pregunta no es si los precios de la IA subirán. La pregunta es si tu empresa habrá construido suficiente ventaja competitiva antes de que eso ocurra, o si simplemente habrás ayudado a que otros la construyan.

Las fiestas siempre acaban. La cuestión es quién paga la cuenta cuando se encienden las luces

Y, como siempre, Seguimos!

Una persona que busca, compara, duda, se emociona con un descuento, se convence con una buena foto y acaba comprando. Todo el eCommerce, toda la estrategia omnicanal, está diseñada para ese momento en que un humano toma una decisión.

Ese momento está a punto de desaparecer para una parte sustancial de tus categorías de producto.

Hasta hoy (o hasta ayer)

Pero ¿Qué pasa cuando, a lo mejor, tu cliente ya no es un humano sino un agente de IA a la que este humano le ha delegado la búsqueda, comparación y elección del producto?

Hace pocos días en una sesión con elogia ilustraban este momento. Imagina que podemos segmentar nuestros procesos de compra a partir de dos variables:

• Importe: desde lo asequible hasta lo cuantioso.

• Interés: desde lo aburrido (funcional, rutinario) hasta lo motivador (experiencial, emocional).

El resultado son cuatro cuadrantes. Y la pregunta clave es: ¿en cuáles de esos cuadrantes seguirá habiendo un humano tomando la decisión?

Spoiler: probablemente no en todos.

Las compras aburridas —desde detergente hasta una televisión— ya empezaron a delegarse cuando apareció Google. Buscabas, comparabas pestañas, elegías. El humano seguía en el loop, pero el proceso ya era más mecánico que emocional.

Ahora ese loop está a punto de cortocircuitarse.

El nuevo journey: sin humano en el medio

Pensemos en un ejemplo concreto. Alguien se muda de piso y necesita una televisión. Así era el proceso hasta ayer:

ACTIVACIÓN → Necesito un TV nuevo
DESCUBRIMIENTO → Entro en Google
COMPARACIÓN → Abro pestañas, leo reviews, comparo precios
COMPRA → Elijo el ecommerce que más me convence y compro

Ahora imagina que esa misma persona delega el proceso en un agente de IA:

ACTIVACIÓN → Necesito un TV nuevo
DESCUBRIMIENTO → Le pido al agente que busque opciones (ChatGPT Shopping, Google, etc.)
COMPARACIÓN → Leo sus recomendaciones. No abro pestañas. No comparo. Confío.
COMPRA → Hago clic en el enlace que el agente me recomienda. O directamente compro desde la interfaz del agente, sin ni siquiera llegar al ecommerce.

Esto no es ciencia ficción. En Estados Unidos ya es posible comprar a través de ChatGPT si el ecommerce corre sobre Shopify. Y según el informe Consumer Report de Skeepers (diciembre 2025, sobre 35.000 encuestas), el 62,5% de los consumidores de 18 a 25 años ya usa IA de forma habitual o ocasional para tomar decisiones de compra.

La generación que viene no va a comparar pestañas. Va a preguntarle a su agente.

Hasta aqui la visión cliente

La pregunta que ningún CEO ni dirección de marketing quiere hacerse

¿Qué significa esto para MediaMarkt o El Corte Inglés?

Que todo aquello en lo que han invertido durante años —el mejor ecommerce, las mejores fichas de producto, los banners de descuento, las imágenes aspiracionales, los textos persuasivos— puede volverse invisible de un día para otro.

• Porque un agente de IA no se emociona con un “¡Oferta del 30%!”. Solo ve el precio final.

• No le impacta una imagen cuidada. Solo procesa datos estructurados.

• No construye preferencia de marca por una buena experiencia de navegación.

• Optimiza según los criterios que le ha dado el usuario.

Y aquí es donde la decisión estratégica se vuelve incómoda: no puedes ser B2C y B2A al mismo tiempo, al menos no con los mismos recursos y la misma prioridad.

Las dos lógicas son distintas. Las inversiones son distintas. Las alianzas son distintas.

• ¿Seguirás invirtiendo en SEO cuando el posicionamiento en agentes de IA responde a otras reglas?

• ¿Mantendrás tecnología propia en tu ecommerce cuando Shopify, gracias a su acuerdo con OpenAI, posiciona primero sus productos en ChatGPT?

• ¿Seguirás solo, o empezarás a explorar alianzas con las plataformas de IA que van a mediar entre tus productos y tus clientes?

No hay respuestas fáciles. Pero hay una certeza: quien no se haga estas preguntas hoy, las responderá tarde.

Seguramente MediaMarkt o el Corte Inglés pueden pensar que es demasiado pronto, que su posición de liderazgo en el mercado les permite seguir con su estrategia. Aunque quizás esto sea cierto, quizás deben explorar este momento de forma defensiva, pensando en qué están haciendo el resto.

Amazon, a través de su agente de IA llamado Rufus, ya está en esta guerra. Según los datos de su informe trimestral que debe presentar como compañía cotizada (último trimestre 2025), en los últimos meses 250 millones de clientes de amazon ya han usado Rufus para delegar este proceso de selección y elección de productos. Aquellos que lo han usado muestran un incremento del 60% en sus porcentajes de conversión y cuando amazon anualiza el retorno de estas compras (si extrapolan a 12 meses los ingresos que han visto en los meses de prueba), el resultado son 10 billones de dólares.

Business to Agent: la nueva capa omnicanal

Durante años hemos añadido capas a las estrategias omnicanal: la tienda física, el ecommerce, la app, las redes sociales, el marketplace. Cada nueva capa implicaba repensar la estrategia, redistribuir inversión y desarrollar nuevas capacidades.

Lo que viene ahora no es una capa más. Es un cambio en quién toma la decisión.

El Business to Agent —B2A— no es el futuro del omnicanal. Es la próxima crisis para quien no lo vea venir, y la próxima ventaja competitiva para quien se mueva antes.

La pregunta ya no es si tus clientes van a delegar decisiones de compra en agentes de IA. La pregunta es cuándo, y si tú estarás ahí cuando lo hagan.

¿Estáis preparados?

Y, como siempre, Seguimos!

Durante dos años, el debate sobre inteligencia artificial giró casi en exclusiva en torno a una pregunta: ¿ChatGPT o el resto? Era una narrativa cómoda y, en parte, cierta. Pero el informe que acaba de publicar Andreessen Horowitz sobre las 100 aplicaciones de AI más usadas del mundo revela algo mucho más interesante —y más relevante para cualquiera que esté pensando en dónde invertir o construir en los próximos años.

El mercado global de AI no se está consolidando. Se está fragmentando.

Tres ecosistemas, no uno

El dato más llamativo del informe no está en los rankings de uso. Está en el mapa. ChatGPT, Claude, Gemini y Perplexity comparten prácticamente los mismos mercados principales: Estados Unidos, India, Brasil, Reino Unido e Indonesia, sin presencia significativa en China ni en Rusia.

Las sanciones tecnológicas occidentales han restringido el acceso a las herramientas de AI estadounidenses en Rusia desde 2022, y China exige a los proveedores de AI que se registren, alojen sus datos en territorio nacional y cumplan con sus leyes de censura. El resultado es que el mercado de AI global se ha partido en tres bloques con lógicas completamente distintas: el occidental, el chino y uno emergente que hasta ahora nadie había identificado como tal, Rusia.

Rusia, que apenas aparecía como mercado diferenciado en ediciones anteriores, ha emergido como un tercer polo. El patrón replica lo que ocurrió en China, pero comprimido en el tiempo: las sanciones crearon el vacío, y los productos locales lo llenaron en menos de dos años. Yandex Browser, con su asistente Alice integrado, alcanzó 71 millones de usuarios activos mensuales, convirtiéndose en uno de los diez productos móviles de AI más grandes del mundo.

La trampa del etnocentrismo tecnológico

Hay una tendencia natural —especialmente en Europa y América Latina— a asumir que el mapa de adopción de AI refleja el nuestro. Que lo que triunfa en San Francisco es lo que triunfa en todo el mundo. El informe de a16z desmonta esta ilusión con un índice de adopción per cápita que debería hacer reflexionar a más de uno.

Singapur lidera el ranking de adopción de AI per cápita, seguido de los Emiratos Árabes Unidos, Hong Kong y Corea del Sur. Estados Unidos —el país que produjo la mayoría de estos productos— ocupa el puesto 20.

Para los inversores y empresas que todavía ven el mercado de AI como “el mercado americano más el resto”, esto es una señal de alerta. Los mercados de mayor crecimiento relativo no están donde se concentra la narrativa.

Las implicaciones para quien construye o invierte

La fractura geopolítica del AI no es solo un dato de contexto. Tiene consecuencias directas sobre dónde y cómo tiene sentido apostar:

1. La distribución ya no es neutral. Una startup de AI que depende exclusivamente de infraestructura americana —APIs, cloud, modelos base— tiene su acceso a mercados no occidentales estructuralmente limitado. Quien construya con capas de abstracción o proveedores alternativos tiene un potencialmente mayor.

2. Los mercados de alta adopción per cápita están infrarrepresentados en el capital riesgo occidental. Singapur, UAE, Corea del Sur: mercados sofisticados, con usuarios dispuestos a pagar, y con menor competencia de los grandes modelos americanos en ciertos verticales.

3. La regulación va a ampliar la fractura, no a cerrarla. La AI Act europea, los requisitos de soberanía de datos en India o Indonesia, y el marco regulatorio chino apuntan todos en la misma dirección: más fragmentación, más necesidad de adaptación local, más barreras de entrada para los que operan desde un solo marco normativo.

La pregunta que hay que hacerse

El informe de a16z es extraordinariamente detallado en lo que mide: tráfico web, usuarios activos, retención. Pero lo más valioso está en lo que insinúa entre líneas: estamos en el momento en que la arquitectura del mercado global de AI se está solidificando.

Los bloques que se consoliden ahora —con sus modelos, sus regulaciones, sus plataformas de distribución y sus bases de usuarios— serán muy difíciles de desafiar después. Las guerras de plataformas no las ganan los mejores productos. Las ganan los que ocupan la posición correcta en el momento correcto.

La pregunta relevante no es cuál es el mejor modelo de AI. Es: ¿en qué bloque quieres estar, y tienes la estructura para estarlo?

Y, como siempre, Seguimos!

En esta edición, recibo como invitado a Florian Brunet, Global Director of Digital en DKSH. Florian es también colaborador académico en ESADE, donde imparte clases sobre Transformación Digital en entornos B2B. Gracias Florian por querer ser firma invitada con un caso real en esta newsletter.

Cuando leí la última newsletter de Marc, decidí escribirle directamente, ya que el tema de GEO está hoy especialmente candente en DKSH. Somos una empresa B2B dedicada a la distribución de ingredientes químicos y farmacéuticos. Tradicionalmente, el SEO no ha sido una prioridad para nosotros, ya que nuestros clientes son profesionales de I+D que investigan y formulan nuevos productos para las industrias química, farmacéutica, alimentaria y cosmética.

¿Sin embargo, en 2025 el GEO nos abrió muchas puertas! Nuestra plataforma digital, www.dkshdiscover.com, se ha convertido en una fuente de información para búsquedas específicas en ChatGPT, Gemini, Perplexity y otros agentes. Entre H1 2025 y H2, nuestra audiencia procedente de estos agentes creció un 300 %.

¿Cuál es la “secret sauce” detrás de todo esto?

Forrester ha publicado recientemente un informe (¿Will Zero-Click Search Kill My Website?) en el que afirma que, antes de que termine el año, el 20 % de las búsquedas orgánicas serán impulsadas por IA. Se trata de un cambio masivo para el B2B, donde históricamente cerca del 90 % de las búsquedas se realizaban en Google.

Mientras Google ofrece una lista de resultados para cada búsqueda, los agentes de IA suelen devolver un único resultado. The winner takes it all.
La buena noticia es que el GEO sigue estando muy poco desarrollado en la mayoría de las empresas B2B, lo que abre una clara oportunidad para construir una ventaja competitiva temprana.

Para medir estos resultados, las plataformas de análisis SEO, como SEMrush, están actualizando sus algoritmos para ir más allá del clásico Authority Score y ofrecer a las empresas un “AI Score” vinculado al GEO. Asimismo, el seguimiento en Google Analytics ya permite medir el tamaño de la audiencia procedente de agentes de IA.

Este anuncio de Perplexity resume el concepto de GEO en 1 minuto

En DKSH, desarrollamos nuestras plataformas trabajando en sprints de tres semanas con equipos internos de desarrolladores. Nuestro desafío es contar con una estrategia omnicanal. Compartimos la información de nuestros ingredientes tanto en nuestras propias plataformas como en marketplaces especializados en más de 35 países. Nuestra competencia, en cambio, se ha enfocado tradicionalmente en su propia plataforma.

Como lo comenta Marc en su Newsletter precedente, la autoridad juega un papel clave en el GEO. Si el agente ofrece un único resultado, ese resultado debe ser el correcto. Aparecer con varios productos en distintas webs y marketplaces incrementa automáticamente la autoridad de una empresa en el entorno B2B.

DKSH Discover reúne 40.000 ingredientes de 1.500 proveedores. Los agentes tienen acceso a esta información y la estructura de los datos permite combinar los ingredientes entre sí para ofrecer soluciones de formulación.

Fuente: DKSH Digital Marketing report.

Hemos observado una aceleración significativa de las búsquedas y de la visibilidad a lo largo de 2025. Entre la primera y la segunda mitad del año, las visitas procedentes de agentes de IA aumentaron en más de un 400 %,convirtiéndose en una fuente en fuerte crecimiento dentro de nuestro Digital Business Mapping.

Mi consejo para las empresas B2B interesadas en el GEO es documentarse sobre el tema, hablar con sus agencias web o de SEO y retarlas (challengearlas) al respecto. Adicionalmente, es clave preguntarse siempre si su web responde a lo siguiente:

• E - Expertise

• A - Authority

• T – trustworthiness

Tener una web bien estructurada y de referencia en vuestra industria maximiza las posibilidades de aparecer en los agentes de IA.
Es fundamental explicar qué proponéis y para qué lo proponéis utilizando un lenguaje claro y humano. También es clave dejar muy claro dónde vendéis y a qué tipo de empresas van dirigidos vuestros productos.
Esta información, aunque suele parecer evidente, muchas veces no aparece de forma clara en las webs.

¡En 2026, vuestra estrategia de marketing B2B será con GEO o no será!

Y, como siempre, Seguimos!

Según un estudio realizado por skeeps (estudio con 35.000 usuarios), el 62% de los jóvenes (entre 18 y 25 años) utiliza la IA generativa de forma regular u ocasional para apoyar sus decisiones de compra.

Hasta ahora los usuarios repartían el uso de plataformas como Google y Amazon a partir de sus intenciones. Nos movíamos en Google para buscar, encontrar y cuando teníamos la intención de compra nos dirigíamos a Amazon. Y esto permitía a estas compañías y a las empresas que aspiran a aparecer y ser elegidas el seguir unas reglas de juego. En Google pagas por aparecer entre los primeros resultados promocionados (Paid marketing) o trabajas los contenidos (SEO) para aparecer entre los primeros de los orgánicos. En Amazon estrategias de precios, reseñas y su propio SEO para ser de los productos colocados en primer lugar. Con estos cambios de comportamiento todo se mueve y aparecen nuevas reglas de juego.

Infografía creada por ChatGPT a la pregunta de “compara el SEO con el GEO”

Esta misma semana Open AI ha anunciado que empezará a cobrar un fee del 4% sobre las ventas iniciadas en esta plataforma. Cuando una venta provenga de un enlace de ChatGPT esta será la comisión que deberá pagar el comercio. De momento sólo será en Estados Unidos, donde ya desde hace unos meses está vigente un acuerdo con Shopify por el que cualquier producto que venda un eCommerce realizado con esta plataforma y que aparezca en los resultados de ChatGPT puede ser comprado directamente desde este entorno sin necesidad de tener que moverse al eCommerce.

A las empresas que quieran captar este tráfico les va a tocar reaprender y desarrollar nuevas estrategias. Y aquí es donde cada vez suena con más fuerza el GEO (Generative Engine Optimization). Se trata de una nueva técnica de marketing que busca optimizar el contenido web para mejorar la visibilidad de los contenidos de una web para aparecer en los resultados de los motores de búsqueda generativos.

Como todo lo que suene a IA generativa, el GEO está justo arrancando, sin unas reglas claras y funcionando por mecanismos de prueba y error. Pero ya tenemos algunas cosas claras que ayudan a mejorar el posicionamiento en los resultados de la IA Generativa (como nos explican en Marketing4eCommerce):

1. Incorporación de citas y referencias: Añadir citas relevantes de fuentes confiables puede mejorar significativamente la visibilidad del contenido, incrementando la credibilidad y el valor informativo de la respuesta generada​​.

2. Adición de estadísticas: Incluir estadísticas cuantitativas en lugar de discusiones cualitativas puede aumentar la visibilidad del contenido en los resultados generados​​.

3. Optimización de la fluidez: Mejorar la fluidez y la legibilidad del texto también ha mostrado un impacto positivo en la visibilidad​​.

4. Autoridad: Demostrar autoridad en el tema tratado. Esta es una característica que también conocemos del ámbito del SEO tradicional.

Incluso tenemos ya algunos papers académicos frutos de investigación en los que se han identificado qué cosas funcionan y cuales no.

¿Qué funciona para el SEO (Search Engine Optimization)?

1. Palabras clave: Gran parte del SEO tradicional se basa en la optimización de palabras clave. Los creadores de contenido investigan palabras clave relevantes y las incorporan en títulos, meta descripciones, encabezados y el cuerpo del texto para mejorar el ranking en los motores de búsqueda.

2. Backlinks: La construcción de enlaces es fundamental para el SEO. Obtener backlinks de sitios web de alta autoridad puede mejorar significativamente el posicionamiento en los motores de búsqueda.

3. Contenido de calidad: Aunque la calidad del contenido es importante, el SEO tradicional a menudo prioriza la densidad de palabras clave y las técnicas de optimización on-page y off-page sobre la fluidez y la legibilidad.

4. Experiencia de usuario (UX): Factores como la velocidad de carga de la página, la navegación y la compatibilidad con dispositivos móviles también influyen en el SEO.

¿Qué funciona para el GEO (Generative Engine Optimization)?

1. Fluidez y legibilidad: La optimización para GEO pone un gran énfasis en la fluidez y la legibilidad del contenido. Los motores generativos valoran los textos bien estructurados y fáciles de entender​​.

2. Citas y referencias: Incluir citas de fuentes confiables y relevantes es crucial en el GEO. Los motores generativos prefieren respuestas que puedan verificar con citas precisas y relevantes​​.

3. Estadísticas y datos cuantitativos: Incluir estadísticas en lugar de descripciones cualitativas aumenta la visibilidad del contenido en las respuestas generativas​​.

4. Estilo autoritativo y persuasivo: Adaptar el estilo del contenido para que sea más autoritativo y persuasivo puede mejorar la visibilidad en las respuestas generativas​​.

Estamos ante movimientos sísmicos que no somos capaces de valroar pero lo evidente es que estamos entranto em momentos de profundios cambios. tocará estar muy cerca.

Y, como siempre, Seguimos!

Seguro que tú, lector, nunca has usado la IA para hacer esto pero seguro que conoces a alguien que si lo ha hecho. O en todo caso deberías porque según muchos estudios un porcentaje muy elevado de usuarios de la IA generativa han usado alguna vez esta herramienta para preguntarle temas acerca de salud.

¿Y esto es un problema? Como siempre… depende. Y va a depender de entender exactamente lo que estamos haciendo. En primer lugar, buscamos consejo sin tener nosotros (a no ser que seamos médicos) un conocimiento de base como para poder juzgar la validez de la respuesta que nos ofrezca y, en segundo lugar, porque como ya hemos comentado alguna vez, la respuesta de la IA no tiene por qué ser correcta dado que se orienta, “simplemente”, a ofrecer la respuesta estadísticamente más probable a partir de los datos que tiene.

De esta forma el territorio de la salud se ha convertido en uno de los más controvertidos en cuanto a uso de la IA. Ciertamente la industria está usando ya soluciones de IA, pero siempre teniendo presente que se necesita ese conocimiento previo o, dicho de otra forma, la intervención humana en la interpretación y gestión de sus resultados. Pero ¿qué pasa cuando trasladamos esto al uso particular de los individuos?

Parece que los grandes de la tecnología han decidido entrar en este tema, aunque con visiones diametralmente distintas.

Open AI

Acaba de lanzar ChatGPT Health donde el usuario puede conectar sus datos de salud y se sus seguros médicos (pensado para la realidad sanitaria de los Estados Unidos) y obtener recomendaciones. Destaca en este servicio:

• Subir historiales médicos y sincronizar datos desde aplicaciones móviles para ofrecer análisis personalizados, preparar consultas médicas y sugerir ajustes en dietas o rutinas de ejercicio.

• Se han consultado más de 250 médicos para entrenar el sistema.

• La compañía recuerda que es una solución orientada a complementar y seguir los diagnósticos y tratamientos, nunca para sustituirlo.

• Promete un sistema reforzado de seguridad en relación con los datos que los usuarios suban a la plataforma.

Anthropic

La creadora de Claude coincide en el tiempo con Open AI y lanza Claude for Healthcare, una solución de IA creada para temas de salud. Pero a diferencia de Open AI, la solución está orientada para hospitales, aseguradoras y pacientes, pero con controles estrictos, consentimiento explicito y, gran diferencia, sin usar datos de salud para entrenar a los modelos. Destaca en este servicio:

• Orientado a profesionales sanitarios para desarrollar tareas como acelerar la revisión de solicitudes de autorización previa a tratamientos, dar soporte en las reclamaciones médicas, coordinar la clasificación de los mensajes para los pacientes o como soporte a desarrollar nuevas ideas o tratamientos.

• Basado en conectores, es decir, los profesionales sanitarios podrán conectar esta solución con bases de datos del sector para poder obtener datos y mejorar en eficiencia.

• Establece la IA como segundo criterio médico pensada para resumir historiales, explicar resultados y detectar patrones relevantes.

Google

Aquí el movimiento es justo el contrario. La compañía americana ha tenido que retroceder a la iniciativa puesta en marcha meses atrás cuando decidió incorporar en sus resúmenes en el buscador creados con su IA, Gemini, con información sanitaria.

Google ofrecía en su servicio AI Overwies, servicio de resúmenes generados con IA que se sitúan en la parte superior de los resultados de búsquedas, resúmenes relacionados con preguntas vinculadas con temas de salud. El periódico inglés “the Guardian” inició un estudio y detectó que este servicio ofrecía gran cantidad de cifras con poco contexto ante preguntas como “¿Cuál es el rango normal para los análisis de sangre del hígado?” y “¿cuál es el rango normal para las pruebas de función hepática?”. Las respuestas no tenían en cuenta variaciones por nacionalidad, sexo, etnia o edad.

El medio incluso detectó que Google habría aconsejado a personas que preguntaban acerca del cáncer de páncreas evitar alimentos ricos en grasa, una recomendación que, según expertos citados por ‘The Guardian’, no es adecuada porque podría aumentar el riesgo de que los pacientes fallezcan por la enfermedad.

¿Hacia dónde vamos?

Parece claro que los temas relacionados con la salud son de interés tanto para los usuarios que inundan los buscadores y las IA con sus preguntas como para la industria que mueves millones de euros y que visualiza en estas herramientas y una poderosa arma pare seguir generando dinero.

Vemos como incluso a nivel legal empieza a habilitarse el uso de estas herramientas. Recientemente en Estados Unidos, el estado de Utah ha desplegado una ley mediante la que se autoriza un piloto que permite renovar recetas sin necesidad de visitar un médico.

Sin duda territorio complejo y delicado… habrá que estar atento y alerta.

Y, como siempre, Seguimos!

Nos hemos pasado los últimos años haciendo referencia a este concepto y viendo como de manera poco eficiente se trataba de poner medidas correctoras que, en mi opinión, no han permitido reducir, de manera efectiva, las consecuencias, sobre todo sociales, que implica la brecha digital.

Y cuando aún hacemos mesas redondas, papers y libros sobre la brecha digital y como reducirla, ya está aquí la brecha de la IA, es decir, el cómo la evolución de esta tecnología y su uso por parte de las empresas y sus profesionales está provocando, datos en mano, grandes diferencias.

Hace pocos días que Open AI ha publicado el primer estudio a gran escala, “State of Entreprise AI” (a partir de datos de 1 millón de cuentas y encuestas a 100 empresas). Y las conclusiones son contundentes (como resumen en Digital Brain):

· El 75% de los trabajadores encuestados dice que ahora realiza tareas que antes le eran imposibles ya sea por falta de tiempo o conocimientos técnicos.

· Otro 75% afirma que la IA ha mejorado la velocidad o calidad de su trabajo, convirtiendo estas herramientas en un multiplicador de rendimiento profesional.

· El top 5% de usuarios envía 6 veces más mensajes que la media, lo que revela distancia cada vez mayor entre quienes experimentan y quienes prueban.

· Quienes más la usan declaran ahorros de más de 10 horas semanales, mientras que el usuario medio de negocio habla de 40-60 minutos al día.

Leo el informe y escribo este articulo desde Oslo, donde estamos celebrando la reunión anual de FOME, la asociación de 20 escuelas de negocio de los 5 continentes, con representantes de Noruega, Francia, Alemania, Italia, Estados Unidos, Singapur, Australia, Canadá, Perú o Sudáfrica.

La razón de ser de esta alianza de escuelas de negocio se basa en ser líderes en el desarrollo y la impartición de experiencias educativas empresariales inmersivas y altamente atractivas, tanto en línea como híbridas. Pero más allá de la declaración de intenciones, el verdadero motivo es la preocupación que desde las escuelas de negocio y universidades tenemos por los retos que el mundo actual presenta.

Hemos dedicado estos dos días a debatir sobre:

Como aumenta la incertidumbre relacionada con la geopolítica. En la imagen adjunta se puede observar cómo se ha incrementado el índice de incertidumbre en los últimos meses (y la frase estrella de la sesión ha sido “Donald Trump está reconfigurando la geopolítica)

Como los conflictos armados y el cambio climático se sitúa, según el World Economic fórum, como los dos principales riesgos identificados.

Como la perspectiva a medio y largo plazo empeora respecto al momento actual.

Estar con gente venida de los 5 continentes también permite visualizar la posición de debilidad, incluso diría que, de progresiva irrelevancia, que adquirimos desde Europa. Cada uno tendrá su opinión, la mía tiene que ver con la fragmentación, la falta de liderazgos valientes, la excesiva dependencia de balanzas comerciales que obligan a sustituir (como hacían los Hermanos Marx) unos valores por otros o el miedo a pensar que si no competimos con las mismas reglas que los grandes focos internacionales (EEUU o China) no seremos competitivos.

Y todo esto incrementa la responsabilidad que sentimos, que siento, desde la tribuna que me da una escuela de negocios como Esade, en el desafío de ayudar y contribuir a directivos y directivas a comprender y actuar en este nuevo contexto a desarrollar los negocios bajo una premisa ética y con impacto positivo.

Y, como siempre, Seguimos!

¿te imaginas darle la carta a los Reyes Magos (o papa Noel o el tió… gustos los colores), y que fuera Chat GPT quien buscara estos regalos, eligiera por ti el mejor producto, el sitio donde comprar y hasta llegara a ejecutar la compra?

No, no me estoy inventando nada, desde hace unas pocas semanas se ha acelerado el eCommerce dentro de la IA generativa.

Vayamos por partes…

Asistentes de compra

Algunas marcas, como por ejemplo MISAKO, hace ya un tiempo que han incluido dentro de sus páginas de eCommerce a los asistentes de compra por IA. Así, por ejemplo, entras en la página y en vez de usar el buscador tradicional, interaccionas con un asistente de IA que puede incluso seleccionar un producto de la marca y colocarlo en el carrito de compra.

Buscador de Compra

Un paso más ha sido el dado por Open Ai que ha presentado recientemente ChatGPT Shooping research. Esta nueva función permite realizar búsquedas de información, comparar productos o encontrar productos o ofertas que se adapten a nuestro perfil. Clicando la opción de “investigación de compras” (Shooping research en chatGPT arranca una conversación con la IA en la que mediante preguntas que te formula (presupuesto, tipo de producto, para quien es el regalo…) irá seleccionando productos y el usuario indicará si le gusta o si no está interesado (tipo Tinder ;-)). Con toda esta información ChatGPT te acabará presentando una lista de productos, aunque entonces deberás dirigirte a la web deonde lo vendan y ser tu quien ejecute la compra.

Ecommerce de Agentes (agentic eCommerce)

Un paso más es dejar que sean los agentes (recuerda que un agente es un sistema con capacidad de razonar y operar de forma independiente durante largos periodos, utilizando diversas herramientas e integraciones con tus sistemas para realizar tareas complejas) quienes trabajen por ti. Open AI ha incluido esta funcionalidad en Atlas, el nuevo navegador de Open AI (del que ya hablamos) que lleva incluido dentro a ChatGPT. En este caso, una vez dentro de Atlas puedes activar la opción de “Modo Agente” y cargarle una lista de regalos y pedirle que busque y seleccione los mejores (puedes o no darle criterios o filtros que quieras que use). Una vez seleccionado te devolverá la lista de productos que ha seleccionado, los criterios y en enlace a la web donde lo venden. Clicando sobre el enlace accederás a esa web con el producto ya colocado en el carrito de compra. Nuevamente deberás ser tu quien ejecute la compra.

Instant CheckOut

El (pen)último paso en esta escalada lo encontramos en esta función lanzada hace unas semanas por parte de Open AI, sólo disponible en Estados Unidos, que permite no sólo que el modo agente de ChatGPT seleccione los productos a comprar y los coloca en el carrito de compra sino que además, en aquellos comercios con los que Open AI tenga un acuerdo, pueda ejecutar de forma autónoma la compra.

Se desata la guerra

Y este último paso es el que está desatando la guerra entre todos los actores relacionados con los temas de eCommerce. Porque aquí sí que hay dinero, aquí si existe una via para poder monetizar. Y vemos distintos movimientos en el sector que van en esta línea

Open AI ha cerrado acuerdos con varias compañías para que el Instant Checkout sea una realidad:

• Acuerdo con el medio de pago Stripe para que sirva como plataforma para los pagos de estas compras realizadas de forma autónoma por parte de los agentes de IA. Con esta compañía ha desarrollado el Agentic Commerce Protcol, un estándar abierto para conectar los agentes con los comercios.

• Acuerdo con varios comercios para que sus productos formen parte del Instant Checkout (destacan entre ellos el acuerdo con WallMart, Shopify o con Etsy).

Perplexity ha puesto en marcha agentes que rastrean comercios para identificar productos que luego puedan recomendar a través de su IA. En este caso otro grande del sector, Amazon, ha activado sus defensas y ha denunciado a Perplexity para evitar que entre en su ecomemrce y en su Marketplace en busca de productos. Y está claro que Amazon lo hace porque tiene claro que aquí hay negocio y que quiere ser esta compañía quine lo capitalice. Tiene los productos, tienes a los clientes, tienes los datos de comportamiento y tiene ya su propio sistema de IA para asistentes de compras, Rufus. La lógica me lleva a pensar que en breve tendremos dentro de Amazon la propuesta de dejarle a la plataforma que seleccione, compare y ejecute las compras de forma autónoma.

Google se sitúa como el tercer actor en esta contienda presentando su propia infraestructura para el pago en operaciones de eCommerce cuando las ejecute un agente, el AP2 – Agent Payments Protocol. Una solución, en palabras de Google, que permitirá a los comercios que la usen asegurarse que la compra que reciban de un agente está autorizada por parte de un humano, que es auténtica en cuanto a que el producto refleja la intención del humano y que la compra no es fraudulenta.

Estamos ante un momento de aquellos que anticipan un gran cambio ya que nuevamente la tecnología se presenta como una herramienta para generar eficiencia para el humano y porque, además, lo hace en un territorio en el que todos los actores están interesados en que funcione dado que se visualiza una manera de poder monetizar estas tecnologías.

Yo ya estoy sentado y con las palomitas a punto… que empiece el espectáculo.

Y, como siempre, Seguimos!

Por ejemplo, Hilton, como buen negocio de base y mentalidad analógica, crece a partir de la escasez. Debe crear activos y luego comercializarlos: los hoteles. Y vive en la escasez porque sus recursos, como el de todas las empresas, no son ilimitados, y, por otro lado, y el tiempo para crear y poner en marcha estos activos tampoco es ni inmediato ni ilimitado.

Por el contrario, AirBnB crece pensando en abundancia. No plantea su modelo a partir de inversión y comercialización de activos, plantea su modelo pensando en donde encontrar y usar (aunque sea pagando) activos excedentes y que estén infrautilizados y concentra su actividad en su comercialización.

El resumen seria la frase del fundador de AirBnB, Brian Chesky:

“Marriott quiere añadir 30 000 habitaciones de hotel en un año. Lo haremos en las próximas dos semanas“

De lo que se trata es de la mentalidad (yo le llamo ADN digital) con la que estas empresas abordan su nacimiento y crecimiento. Fruto de falta de recursos al inicio, de la necesidad de poder entrar a competir rápidamente en el mercado (no pueden aguantar meses o años de inversión) o de comprender las “nuevas” reglas de juego, esta mirada de la abundancia les ha permitido levantar en tiempo récord modelos de negocio capaces de competir, y hasta sacar del mercado, con los que hasta la fecha lideraban el mercado.

Y cobra sentido esta diferencia entre abundancia y escasez cuando hablamos de la IA porque, piénsalo, ¿Cuál es uno de los activos más abundantes que tenemos hoy en el mundo?.... Si, efectivamente, los datos.

Y sobre los datos se han construido, entrenado, evolucionado y monetizado las soluciones de IA que hoy en día utilizamos la mayoría. Pero al igual que en su momento estos disruptores digitales se encontraron con la realidad de tener que someter sus modelos a las legislaciones vigentes en cada territorio para poder usar de una forma legal estos activos abundantes, ahora las empresas que desarrollan soluciones de Inteligencia Artificial se acercan a este precipicio.

Y me sigue apasionando el tema de la protección de derechos de autor versus la creación de contenidos por parte de la IA. Y me sigue apasionando porque creo que complicamos en exceso algo que es muy simple (aunque seguro que estoy equivocado por los debates sobre este tema son constantes, llenos de argumentos y parecen inacabables).

Y es simple porque creo que deberíamos aplicar las mismas reglas de juego que aplicamos los humanos.

Cuando alguien usa cualquier contenido que ha sido protegido por los derechos de creación y autor y genera un nuevo contenido que la ley considera similar, debe abonar por el uso de estos derechos. En caso contrario se considera nueva creación.

De hecho, la ley considera que, si creamos un contenido nuevo, que no se parece a uno anterior, aunque hayamos usado para el mismo la información acumulada en nuestra cabeza, no entra en juego la protección de derechos de autor. Y es así por la ley denomina este tema “fair use”, es decir, se considera que es fruto de la experiencia que tenemos los humanos fruto de leer, ver o escuchar.

Es decir, como humano, yo puedo acceder a los contenidos disponibles (textos, canciones, videos…) de forma gratuita o previo pago (dependerá del modelo de acceso que me ofrezca quien tiene esos contenidos) y no pagaré cuando genere un nuevo contenido, a no ser que esté usando esos contenidos para crear una obra que sea similar. Pagaré si el propietario de los derechos tiene establecido este como modelo de acceso, y no abonaré si el modelo de acceso es libre.

A pesar de esta (llámame simplista) claridad, se suceden las denuncias y procesos judiciales vinculados con la protección de los derechos de autor. Veía esta semana en la newsletter de Fernando dela Rosa (si no la leéis no sabéis lo que os perdéis) el siguiente gráfico que muestra, por un lado, las demandas de creadores de contenidos contra las grandes empresas de IA alegando que usan contenidos protegidos para entrenar a sus algoritmos, y por otro los innumerables acuerdos privados entre estas mismas empresas para poder usar estos contenidos.

No soy tan inocente (aunque lo parezca) para creer que el debate (y su solución) es tan simple. Estamos entrando en una nueva era en la que resulta evidente que las ventajas competitivas que pueda generar cada empresa que nos ofrece herramientas de IA generativa se basará en la calidad del resultado, y esta calidad dependerá de la calidad de los datos.

No te parece que entramos en una era donde la gestión, protección y acceso a los datos será, incluso, ¿más relevante que las herramientas tecnológicas?

Y, como siempre, Seguimos!

Open AI se presenta ante sus inversores como una compañía de investigación, fundada en 20015 con el objetivo de promover y desarrollar herramientas de inteligencia artificial y machine learning. Su investigación se focaliza en desarrollar sistemas de IA que puedan aprender a partir de grandes cantidades de datos , razonar sobre problemas complejos con (como mínimo) un 90% de precisión.

Empezó creando el que podría ser uno de los modelos de lenguaje más avanzados del mundo, Chat GPT (que ya va por su quinta versión). A partir de él ha sido capaz de ir creando nuevos productos con la voluntad de disrumpir en el mercado:

ChatGPT (nov ‘22): Chatbot conversacional basado en modelos GPT; dirigido al público en general.

DALL-E (abril ‘22): Generación de imágenes a partir de texto.

Whisper (ene ‘23): Sistema de reconocimiento de voz / transcripción multilingüe.

Codex: Modelo que convierte lenguaje natural en código

GPT-4o (mayo ‘24): Modelo “omni” multimodal (texto, imagen, audio) de siguiente generación

GPT Store (ene ‘24): Plataforma para que terceros creen/modifiquen GPTs personalizados y los compartan.

SearchGPT (jul ‘24): Motor de búsqueda potenciado por IA (protótipo limitado) para Bing

AgentKit (oct ‘25): Suite de herramientas para construir “agentes” de IA (automatización más compleja).

Pero durante estos 10 años ha ido mucho más allá de esto. Como compañía orientada a la investigación, dos almas han convivido (y combinen) a día de hoy.

• Alma investigadora: Por un lado la orientada a investigar en un territorio nuevo, como la IA Generativa, con la intención de generar herramientas seguras, ética y moralmente intachables, que ayuden a la humanidad a evolucionar. En este contexto, Open AI publica la mayoría de sus investigaciones en formato de papers académicos y estudios de investigación.

• Alma business: Por otro lado, una segunda alma orientada a competir en el mercado, generar los mejores productos y obtener el mejor y mayor retorno económico. Y también está presente en el mercado con su propio ecosistema de startups, inversión en distintas soluciones buscando la complementariedad y el crecimiento.

En Estrategia e Innovación usamos el concepto de Game Changer para referirnos a una persona, idea, tecnología o acontecimiento que cambia radicalmente la manera de hacer algo o la situación existente

Así que la pregunta es, ¿Open Ai es un game changer?

Y los que me conocen ya saben la respuesta, DEPENDE (los consultores siempre decimos eso para ganar tiempo para elaborar la respuesta y, claro está, poderla facturar)

Argumentos a favor de que sí lo sea

1. Cambio de paradigma en IA conversacional y generativa
   OpenAI ha impulsado modelos de lenguaje y agentes generativos que han transformado cómo empresas y usuarios interactúan con la IA. Por ejemplo, algunas estimaciones hablan de aumentos significativos del PIB gracias a la adopción de IA generativa, donde OpenAI está entre los actores centrales.

2. Adopción y escala masiva
   La propia OpenAI informa que más de medio billón de personas usan sus herramientas activamente, y que su volumen de mensajes diarios es de miles de millones. Podría significar que el “canal IA” se está volviendo parte del ecosistema operativo básico de los negocios, lo cual es un cambio relevante.

3. Impulso al ecosistema y al negocio digital
   Desde la estrategia digital, OpenAI no solo crea un producto, sino un nuevo entorno competitivo: APIs de IA, agentes, integración con productos, posibilidades de eficiencia operativa, personalización masiva, nuevos modelos de monetización.

Argumentos para relativizarlo

1. No es un cambio automático, ni sin fricciones
   Aunque la tecnología es potente, su adopción real, transformadora, no es automática. La tecnología abre posibilidades, pero que se conviertan en resultados reales depende de muchos factores (organización, cultura, estrategia, talento).

2. Desafíos éticos, económicos y de gobernanza
   OpenAI misma ha lanzado planes de investigación para medir efectos económicos, productividad, empleo, habilidades y desigualdad. Además, hay preocupaciones crecientes sobre el consumo energético, la huella ecológica de los modelos de IA, la transparencia y los impactos sociales. Estos retos implican que el “cambio” no es solo técnico, sino también sistémico, y existen barreras que pueden moderar o ralentizar su efecto.

3. Competencia y evolución continua
   Aunque OpenAI lleva la delantera, no está sola. En muchos sectores la IA generativa y los grandes modelos de lenguaje están ya siendo creados por diferentes actores (grandes corporaciones tecnológicas, I+D universitario, startups). Esto significa que el “juego” sigue evolucionando, y el impacto disruptivo puede repartirse entre varios jugadores.
   

Mi conclusión (voy a mojarme):

Sí, considero que OpenAI es un game-changer en el sentido de que ha generado un nuevo “campo de juego” para la estrategia digital, el marketing y la transformación de negocios.
Pero es un game-changer condicional — es decir, su impacto dependerá de cómo las organizaciones lo integren, qué tan pronto adapten sus procesos, cómo gestionen el cambio, el talento y los dilemas éticos/organizativos.

Lo que resulta evidente es que Open AI ha provocado un cambio que puede traducirse en:

• Nuevos modelos de interacción con clientes (IA conversacional, generativa) → reinventar la experiencia de cliente.

• Automatización y personalización en marketing de alta escala → nuevas métricas, nuevas capacidades.

• Cambios en el talento y la organización → se requiere mayor cultura de datos, IA, análisis, experimentación.

• Cambios estratégicos en los negocios digitales → la IA se convierte en parte del “core” del negocio, no solo soporte.

Y, como siempre, Seguimos!

Esta misma semana Google ha anunciado el lanzamiento de Gemini Enterprise, su nueva plataforma para crear, personalizar y desplegar agentes de IA en cualquier empresa. Este lanzamiento se une al lanzamiento de Comet, la plataforma de agentes de Perplexity, el reciente lanzamiento de Agent Builder de Open AI o el despliegue de agentes que Microsoft está haciendo dentro de Copilot.

CB insights le pone cifras a este movimiento recordando que 5 de las 10 inversiones más grandes en startups de este 2025 están relacionadas con agentes, uno de los 5 nuevos unicornios identificados se dedica a construir agentes o que la mitad de las 20 compañías que más facturan en este sector no existían hace menos de tres años.

Los agentes son la evolución (quizás natural) de la IA generativa, es decir,

un sistema basado en LLM (el “software” que operan la IA generativa) diseñado para realizar tareas de forma independiente en nombre de un usuario mediante el razonamiento, la planificación, el aprovechamiento de la memoria y la interacción con herramientas externas y otros agentes.

¿suena a ciencia ficción? Compañías como Google o Salesforce comparten ejemplos de agentes con tareas concretas que ya tienen operando en varias compañías:

• Harvey: una IA legal utilizada por equipos de Fortune 500. Gracias a Gemini, ahora analiza contratos y cumple tareas legales complejas en minutos.

• Virgin Voyages: genera miles de anuncios hiperpersonalizados combinando texto e imagen con IA, algo impensable hace un año.

• Best Buy ha transformado su servicio al cliente, impulsando un aumento del 200% en los clientes que reprograman entregas por su cuenta y resuelven un 30% más de preguntas sobre temas como igualación de precios y reciclaje.

A correr, pero ¿hacia donde?

Así que si todavía no has entrado en este mundo… a correr.

A correr porque ya no sólo hablamos de los agentes en el momento actual, sino que analizando las startups e inversiones que se están moviendo, podemos tratar de ver hacia donde se mueve este sector.

1. Pasaremos de escribir a interactuar por voz con los agentes

Las startups en fase semilla que están naciendo y que presentan unos crecimientos más rápidos se están orientando a desarrollar agentes cuya interacción se realiza a través de la voz (por cierto, la voz, la tecnología más fácil de saber usar ;-))

2. Oleada de fusiones y adquisiciones para los agentes

Revisando los datos de la primera mitad de año, han existido ya más de 35 adquisiciones de compañías especializadas en temas de agentes (Orby AI (acquired by Uniphore), Windsurf (acquired by Cognition), Cognigy (acquired by NICE), and Flowise and Sana Labs (acquired by Workday)

3. La monetización (imprescindible) ya está aquí

La IA se enfrenta a un gran desafío. La creciente demanda de modelo con mayor capacidad de razonamiento obliga a mayores costes de computación lo que obliga, más allá de tratar de eficientar a los modelos, a un traspaso de este coste a los usuarios. La mayoría de las plataformas de agentes nacidas de las grandes tecnológicas (open AI o Gemini) ya salen desde el minuto 0 con modelos de suscripción, o los que ya existían cambian sus precios y modelos, como AgentForce de Salsforce, que ha pasado de 2$ a un sistema híbrido de suscripción.

4. Se empieza a desarrollar un sistema de compras autónomo

Un sistema autónomo, como los agentes, va a requerir un sistema autónomo de compras que no implique la intervención humana en el proceso. Compañías del sector de los medios de pago, como Stripe, acaba de anunciar el lanzamiento de una API para los pagos en los agentes y la empresa $107B anuncia el lanzamiento con open AI de un protocolo de pagos para agentes.

5. La “guerra por los datos” ya está sobre la mesa.

Al igual que hace 25 años los agregadores financieros desataron la guerra entre las bancas online que dedicaban esfuerzos ingentes para que otros bancos no pudieran acceder a los datos de los clientes y agregarlos (siempre autorizado por el propio cliente), ahora empezamos a ver empresas de software que están bloqueando el acceso a los datos de sus clientes a medida que los agentes de IA se vuelven más capaces. Un claro ejemplo de ello son los nuevos límites de velocidad de la API de Slack de Salesforce en 2025, que impiden que las aplicaciones externas accedan a los datos de chat de forma masiva o los almacenen a largo plazo.

6. Los agentes necesitan “control”

La fiabilidad de los agentes sigue siendo un reto importante, fallan, alucinan o se comportan de forma impredecible y esto causa problemas operativos en los procesos en los que están insertados. Se desarrollar empresas y servicios cuya misión es y será supervisar, monitorizar e, incluso, corregir el comportamiento de los agentes.

En 2025 las 7 principales startups nacidas para esta función acumulan más de 30millones USD en volumen de deals en Estados unidos (ejemplos son Larridin, traceloop o coval).

¿A quien seguir?

Centenares de startups configuran el mapa actual de loas compañías de agentes. Para mi sigue siendo CBinsights quien mejor sigue su evolución y nos ofrece una clara radiografía de cuales merece la pena seguir.

Y, como siempre, Seguimos!

Pero antes de este apagado digital me gustaría compartir algunas de las cosas que más interés me han generado en estos últimos 12 meses en relación con el mundo de la inteligencia artificial:

¿Fin de la era de los buscadores?

Durante más de 20 años las empresas han aprendido las reglas de juego para posicionar sus productos, servicios o marcas en los entornos digitales de manera que sus públicos potenciales los pudieran encontrar. Han aprendido a trabajar sus contenidos para que Google y otras plataformas los mostraran en los primeros resultados orgánicos, o bien como pujar en las subastas para ocupar el primer puesto en los anuncios.

Pero con la llegada de la IA generativa y el uso masivo de soluciones como ChatGPT (por cierto la 5º web más visitada cada día en el mundo) como palanca de búsqueda ha iniciado un terremoto en la gestión de la presencia de las marcas en los buscadores.

Nadie sabe, a ciencia cierta, como hacerlo para que nuestra marca, productos o servicios aparezcan en los resultados de la IA Generativa. Esto promete, para el próximo curso, movimientos tectónicos, mucho dinero en juego y la exploración de nuevas reglas de juego para el marketing digital.

Algunos recursos:

Empresas como Writesonic hablan ya de GEO, Generative Engine Optimization

La gente de Marketing4eCommerce analizan como funciona

El santo grial de la IA, los agentes

Sin duda este año ha sido el de los agentes de IA. Ya hay quien dice que la IA generativa es antigua y que ahora deberíamos hablar de Agentic AI.

Lo cierto es que hemos visto muchísimos avances, aunque también mucho marketing, vendiendo como agentes lo que eran simples automatizaciones.

Pero merece estar muy encima porque su evolución marca y marcará los próximos meses de la IA.

Algunos recursos sobre los Agentes de IA:

Un buen tutorial de que son por parte de BCG

Salesforce ha creado ya toda una línea de negocio y servicios

Y encontramos ya los primeros marketplaces en los que bsucar y descargarse agentes creados por terceros: el de Microsoft, y el de Salesfroce

¿la IA es sostenible?

En el otro extremo de los beneficios evidentes del uso de la IA aparece la reflexión acerca de la sostenibilidad. Quizás un dato ayude a entender esta reflexión: entrenar un modelo avanzado como ChatGPT genera una huella de carbono comparable con la emitida por 125 vuelos de ida y vuelta entre Paris y Pekin. Si miramos, por ejemplo, el entreno de ChatGPT 3, ha requerido para su entreno el equivalente al consumo de energía de un hogar medio en España durante 23 años.

Parece evidente que la ola de transformación y disrupción que genera la IA merece también ser observada y evaluada desde la perspectiva de su sostenibilidad, ya sea en cuanto al consumo que genera como al futuro consumo que generará y que debería llevarnos, como sociedad, a una profunda reflexión.

Algunos estudios publicados en los últimos meses (llego a ellos gracias a Fernando Polo y Carlos Corredor), incluyen entre todos sus datos, estas reflexiones:

AI Index Report 2025. Stanford HAI, abril 2025. Informe de referencia global sobre progreso, adopción y gobernanza de la IA. PDF

Trends – Artificial Intelligence. Mary Meeker / Bond Capital, mayo 2025. 340 páginas de datos, gráficos y tendencias: del coste por token al impacto global. PDF

AI Eats the World, Benedict Evans, mayo 2025. La IA no es solo tecnología: es una nueva especie que transformará la economía. LINK

Y si buscas lectura para este verano, aunque sea para mover tu cuerpo hacia la siesta, aquí te comparto los 4 artículos más leídos y comentados de esta newsletter durante los últimos 12 meses:

ChatGPT is bullshit

¿Qué son los agentes? (1)

¿Qué son los agentes? (2)

¿Usar la IA Generativa es cometer plagio?

Y, como siempre, Seguimos!

¿Qué es el GPT?

La Inteligencia Artificial generativa básicamente es un ejercicio de probabilidad estadística, es decir, está diseñada para que a partir de una pregunta y en base a todos los datos que se han usado para entrenarla, genere una respuesta en la que las palabras que usa se determinan a partir de una probabilidad estadística.

GPT significa Generated Pre-trained Transformer y básicamente implica un sistema entrenado previamente con datos y que crea las respuestas centrándose en cual es la palabra que tiene más probabilidades de dar respuesta a tu pregunta. El objetivo es crear respuestas que sean plausibles a partir de una pregunta, pero que no tienen por qué ser ni correctas ni verdaderas. Si a partir de los datos con los que ha sido entrenada no puede completar esta respuesta, porque le faltan datos, se pone en modo creativo, porque su objetivo, repito, es generar una respuesta plausible, aunque no sea correcta. Técnicamente a este fenómeno se le llama Alucinación.

Podemos, de esta forma, afirmar que GPT no tiene contacto con el mundo real, con lo que está sucediendo en el mismo momento en el que le planteamos una pregunta.

Algunos defienden que más que alucinación deberíamos hablar de “bullshit” (que podríamos traducir, de forma generosa por “disparate”). Y el argumento es que no se trata de una alucinación sino de una indiferencia por la verdad.

Por ejemplo, si le pregunto a Chat GPT:

“Un tren sale de Madrid hacia Barcelona a las 3:00 p.m. a 100 km/h.
Al mismo tiempo, otro tren sale de Barcelona hacia Madrid a 120 km/h.
La distancia entre las dos ciudades es de 620 km.
¿A qué hora se cruzan?”

La respuesta que me dará es:

“Se cruzan a las 5:30 p.m”

La respuesta puede ser correcta, pero al no tener más explicación, y sin conocimientos para resolverlo, no sabré si es cierta o falsa.

Quizás pueda parecer que esto no es tan importante, pero piensa que eres Google, y que tu modelo de negocio se basa en ofrecer los mejores contenidos cuando un usuario te pregunta (y claro, monetizar la respuesta colocando anuncios) y quieres usar la IA generativa para añadir respuestas en el buscador. ¿Crees que puedes arriesgarte a ofrecer respuestas que sean plausibles pero que quizás son falsas o incorrectas?

Para poder solventar este problema, actualmente se usa una técnica llamada RAG, Retrieval-Augmented Generation (en español: Generación Aumentada por Recuperación).

¿Cómo funciona?

Cuando interactúas con la IA generativa, en el caso de Google con Gemini, se activa un doble proceso:

1. Recuperador (Retriever):
   Busca información relevante en una base de datos, documentos, artículos, páginas web, etc., usando una consulta relacionada con la pregunta del usuario.

2. Generador (Generator):
   Toma los textos recuperados y los usa como contexto para generar una respuesta coherente y fundamentada.

¿Por qué es útil?

• Permite a los modelos generar respuestas basadas en datos reales, no solo en su conocimiento entrenado.

• Mejora la precisión en temas especializados o actualizados.

• En teoría, si no tiene datos sobre los que poder consultar, te responde diciendo que no puede ofrecerte la respuesta.

A la pregunta anterior:

“Un tren sale de Madrid hacia Barcelona a las 3:00 p.m. a 100 km/h.
Al mismo tiempo, otro tren sale de Barcelona hacia Madrid a 120 km/h.
La distancia entre las dos ciudades es de 620 km.
¿A qué hora se cruzan?”

La respuesta usando RAG sería:

(El modelo recupera un documento con fórmulas para movimiento relativo y ejemplos similares).
Usando la fórmula:
Velocidad relativa = 100 + 120 = 220 km/h
Tiempo = 620 / 220 ≈ 2.82 horas
2.82 horas ≈ 2 horas y 49 minutos
Entonces, 3:00 p.m. + 2:49 ≈ 5:49 p.m.

En este caso la respuesta es más precisa porque se basa en información que consulta relacionada con el caso, pero podría ser que necesitara hacer algún razonamiento aplicando la fórmula y aquí también aparecen limitaciones dado que este modelo está pensado para buscar información, no para razonar con ella.

Esto nos lleva a una nueva mejora para la IA, el uso de Chain of Thought (CoT). Se trata de una técnica usada en modelos de lenguaje como ChatGPT para mejorar su capacidad de razonamiento, haciendo que explique sus pasos antes de dar una respuesta final.

¿Qué es exactamente?

Chain of Thought (Cadena de Pensamiento) consiste en hacer que el modelo razone paso a paso, en lugar de ir directo a la respuesta. Esto imita cómo los humanos resolvemos problemas complejos: primero analizamos, hacemos cálculos, inferencias… y luego llegamos a una conclusión.

¿Por qué es útil?

• Mejora el rendimiento en tareas de lógica, matemáticas, programación, y preguntas de varios pasos.

• Hace que el modelo sea más transparente: puedes ver por qué llegó a una respuesta.

• Reduce errores que ocurren cuando el modelo "salta" directamente al final sin razonar.

A la pregunta anterior:

“Un tren sale de Madrid hacia Barcelona a las 3:00 p.m. a 100 km/h.
Al mismo tiempo, otro tren sale de Barcelona hacia Madrid a 120 km/h.
La distancia entre las dos ciudades es de 620 km.
¿A qué hora se cruzan?”

La respuesta usando CoT sería:

Paso 1: La distancia entre las ciudades es 620 km.
Paso 2: Ambos trenes se mueven uno hacia el otro, así que sumamos sus velocidades: 100 + 120 = 220 km/h.
Paso 3: Tiempo hasta que se crucen = 620 ÷ 220 ≈ 2.82 horas
Paso 4: 0.82 horas ≈ 49 minutos
Paso 5: 3:00 p.m. + 2 horas y 49 minutos = 5:49 p.m

En un artículo anterior hablaba del concepto de Profesional aumentado, compartiendo mi idea que a día de hoy saber usar la IA aumenta las capacidades de los profesionales generando una ventaja competitiva en su desarrollo en el mercado.

Añado a ese pensamiento el contenido de este artículo, en el sentido que cuando uno se enfrenta a la IA generativa (chat GPT, Gemini, perplexity, copilot…) debe conocer como reducir el % de errores en sus respuestas asegurando el uso de técnicas como RAG o CoT.

Y, como siempre, Seguimos!