En dos publicaciones anteriores he tratado de argumentar el que los modelos que se diseñan desde y por la Inteligencia Artificial aún no existen y por qué la primera generación de empresas AI puede no ser la versión que prevalezca.
Hay una diferencia fundamental entre esta generación de proyectos y lo que se dieron a raíz de la explosión provocada Internet, esa misma diferencia cambiará radicalmente cómo se desarrollarán iniciativas empresariales.
En los años 90, construir sobre Internet requería una infraestructura costosa: servidores hosting, equipos de desarrollo con habilidades técnicas especializadas, capital para lanzar un prototipo funcional. Solo quienes tenían recursos o el suficiente expertise técnico podían experimentar seriamente.
Con AI es radicalmente diferente. Cualquiera con una API key de algún proveedor o cualquiera de los modelos open source puede:
- Construir prototipos funcionales en días, no en meses
- Procesar millones de puntos de datos sin infraestructura propia
- Crear productos sofisticados sin necesidad de equipos técnicos onerosos
Iterar y experimentar es factible en una escala que hace una década habrían sido impensable. El modelaje del conocimiento, la experimentación y el propio escalamiento -desde redes sociales-, se democratizan.
No veremos una secuencia ordenada en la evolución de modelos o apuestas en la forma de soluciones, como en el caso de Yahoo que dio paso a Google. Lo que viene son millones de experimentos compitiendo en simultáneo, algunas ideas brillantes y transformadoras, otras no tanto. Todas compitiendo por atención, por usuarios y acceso a capital.
Para aderezar, algunas hipótesis como ejemplos:
Un diseñador gráfico freelance descubre que puede ofrecer «identidad de marca en 48 horas» usando AI para generar variaciones de logos, paletas de color y elementos visuales. No puede escalar en el formato de una agencia tradicional. Pero captura un nicho de pequeños negocios que antes, simplemente no tenían acceso a diseño profesional a precios que pudieran pagar.
Una cooperativa agrícola que usa modelos de datos abiertos modelando una herramienta de visión computacional para predecir plagas específicas de su región y que con ello optimiza el rendimiento de suelos a la vez que garantiza la integridad orgánica de sus productos. No compiten con Monsanto o John Deere. Resuelven un problema tan específico y local que John Deere ni siquiera sabe que existe. Y lo hacen por una fracción del costo porque no necesitan mucha infraestructura.
Un contador en una PyME automatiza completamente su área usando agentes de AI que procesan facturas, reconcilian cuentas, generan reportes y detectan anomalías. No funda una startup. No levanta capital. Simplemente convierte su rol de operativo a estratégico, liberando tiempo para análisis financiero que realmente agrega valor. Su «empresa» de una persona ahora puede servir a docenas de clientes simultáneamente.
Son micro-disrupciones. No levantan venture capital. No aparecen en titulares o portadas de revista. No forman parte de la zoología de las startups (gacelas, delfines, unicornios). Pero transforman sus procesos, inciden en sectores específicos, redistribuyen valor hacia actores que antes estaban excluidos, crean categorías nuevas que las métricas tradicionales nunca capturarían.
Creatividad Democratizada, Escalamiento Concentrado
Crear es y será extraordinariamente fácil. Escalar sigue siendo brutalmente difícil. Puedes construir un producto sofisticado con AI en semanas. Pero:
¿Cómo adquieres clientes cuando todos tienen acceso a las mismas herramientas? Si tu competencia puede replicar tu funcionalidad en días usando las mismas APIs, ¿dónde estará la diferenciación?
¿Cómo defiendes tu posición cuando tu «ventaja tecnológica» es una API pública? OpenAI lanza GPT-6 mañana. Todos tus competidores tienen acceso exactamente al mismo momento que tú. No hay período de exclusividad. No hay ventaja tecnológica.
¿Cómo escalar cuando tu diferenciación no está en el código sino en la selección de un problema dentro de un contexto hiperespecífico? La cooperativa en Michoacán tiene una ventaja real—conocimiento local sobre plagas específicas, relaciones con agricultores, datos sobre condiciones de terreno particulares. Pero precisamente porque esa ventaja es tan específica, debe llevarse a otras regiones, otros cultivos, otros contextos.
Los modelos de negocio que podría provocar la era AI, no vendrán de quienes usen mejor la tecnología (todos tendremos acceso al mismo tiempo). Vendrán de quienes entiendan qué conocimientos ensamblados de una forma particular y articulados para resolver una intersección que crea valor, son estructuralmente imposibles de replicar.
Efectos en red
Tu modelo de solución mejora con cada usuario adicional, pero solo dentro de un contexto muy específico que nadie más está atendiendo. Esa profundidad, en un nicho particular se vuelve masiva desde la aplicación de casos a cualquier geografía que comparta el problema.
Ejemplo: Una plataforma que conecta médicos rurales en regiones remotas de Latinoamérica para consultas de casos difíciles. Cada caso añade valor al siguiente porque los patrones de enfermedad, las limitaciones de recursos, y los desafíos logísticos son similares dentro de ese contexto específico. La librería de recursos se vuelve necesaria para todos los prestadores de salud en las misma condiciones, en el mundo. Los datos, el modelo y sus productos o servicios son viables y escalables.
2. Datos, patrones y small language models (SLM)
Si los dispositivos habrán de contener AI será porque están programados para conectarse entre ellos y funcionar con esos conocimientos en red y de forma colaborativa.
Ejemplo: Una empresa de mantenimiento industrial que ha instrumentado máquinas con sensores en docenas de fábricas. Los flujos de datos sobre el desgaste, las correlaciones entre variables operativas, las señales tempranas de falla—todo eso es conocimiento que solo existe porque tienen acceso físico a esos activos durante años. Un competidor podría tener mejor AI, pero sin esos datos históricos específicos, su modelo será inferior.
3. Nichos desatendidos
Comunidades que eligen servicios a problemas no resueltos correctamente porque lo que se ha diseñado se hizo desde una comprensión cultural, regulatoria, o social.
Ejemplo: Una plataforma de microcréditos que entiende estructuras de liderazgo comunitario y modelos de toma de decisiones culturales, ciclos económicos ligados a procesos de mercados específicos, y normas sociales sobre deuda y reputación. Un banco tradicional con más capital y mejor tecnología no puede competir porque sus procesos son estándares globales. La confianza que tu diseñas está construida sobre la comprensión cultural que tomaría años en desarrollar.
AI como servicio o bien público
Los modelos fundacionales de AI se consolidarán. OpenAI, Google, Anthropic, Meta capturarán la capa base de inteligencia artificial. Se convertirán en utilities, servicios de bien público, -como electricidad o el agua-.
Cobrarán rentas a quienes usan y construyan sobre la herramienta que han creado, con el tráfico de información a procesar desde cada usuario generarán a su vez más datos, las escalas de +1 billón de usuarios y creciendo les permitirán, a su vez, entrenar mejores modelos. El ciclo se refuerza perpetuamente creando barreras de entrada insuperables. A la vez son sus propios inversores los proveedores de la infraestructura (Chips, Cómputo en la nube, Redes de transmisión de Datos y Energía).
Simultáneamente, miles de modelos especializados, locales, comunitarios y especializados podrían emerger. Opciones que no compiten con los grandes—resuelven problemas que ellos ni siquiera pueden ver porque son demasiado específicos, demasiado locales, demasiado pequeños para justificar atención corporativa.
Usan modelos open source (Llama, Mistral, otros) que corren localmente. Si OpenAI sube precios 10x, no les afecta porque no dependen de OpenAI. Estarían construidos en los bordes y se optimizan desde la profundidad del problema y los datos que comparten, no por la amplitud. No buscan servir a millones de usuarios generalistas. Buscan ser absolutamente indispensables para decenas de miles en distintas geografías y contextos culturales resolviendo un problema muy particular.
Ambas posibilidades Coexistirán y se deberán reforzar mutuamente ¿En cuál de los dos podrías incidir forma sostenible?