Estamos por cumplir 3 años en frenesí por AI y seguimos sin ver un solo modelo de negocio verdaderamente nativo. Algo que haya surgido o se haya desarrollado intrínsecamente dentro del entorno de AI, aprovechando sus características desde el principio, en lugar de ser una simple adaptación de algo preexistente. Y es que, 3 años no es mucho para entender los alcances y asimilar las oportunidades de algo que estamos aprendiendo a dominar y que cada 4-6 meses aparece una actualización que reorienta la conversación: Imágenes, Video, Audio, Hojas de Cálculo, Coding.
3 años de sacudir nuestra imaginación. Nada comparable aún a lo que Internet permitió: Amazon reconfigurando el comercio, Airbnb reimaginando la hospitalidad, Uber transformando la movilidad urbana. Modelos que no solo digitalizaron industrias, sino que crearon categorías completamente nuevas.
Lo que tenemos hoy en día son proceso que optimizan. Chatbots más sofisticados que pueden mantener conversaciones coherentes. Análisis predictivo en esteroides. Automatización de tareas que antes requerían la atención al detalle desde personas.
¿Y si la primera ola de AI no produce modelos disruptivos porque todavía estamos operando en el paradigma de “lo mismo que ya hacíamos, pero más rápido y más barato”?
El Mito
Cuando Internet se masificó en los 90s, tardamos una década completa en ver modelos verdaderamente nativos. Los primeros años fueron digitalizaciones torpes y poco imaginativas: periódicos que subían sus ediciones impresas como PDFs a sitios web, tiendas departamentales que simplemente trasladaban sus catálogos físicos a páginas online, bancos que replicaban sus formularios en papel como versiones digitales.
Funcionaban. Algunas hasta generaban valor. Pero no eran transformadores.
Los modelos verdaderamente disruptivos emergieron cuando alguien dejó de preguntar «¿cómo hacemos esto en línea?» y empezó a preguntar: «¿Qué puede hacer Internet que el mundo físico no puede?»
Otra posición de análisis y el paradigma se mueve, por ejemplo:
Agregación a costo cero. Amazon no necesita inventario físico en cada ciudad. El costo de añadir un producto más al catálogo es prácticamente nada.
Coordinación de extraños sin intermediarios. eBay permite que millones de personas comercien entre sí sin conocerse, sin bancos como intermediarios para cada transacción, usando la reputación distribuida como mecanismo de confianza.
Personalización a escala. Netflix puede recomendar contenido diferente a cada uno de sus 260 millones de suscriptores basándose en sus patrones de consumo individuales. Imposible con el modelo de televisión tradicional.
Uber no es «taxis digitalizados.» Es un modelo de coordinación de activos ociosos que solo puede existir con GPS, teléfonos conectados a internet en cada bolsillo y sistemas de pago digital integrados. La categoría no existía antes porque la infraestructura tecnológica no había madurado al punto de ser masiva.
La Primera Ola: Nichos a explotar de forma Intensiva
Con AI estamos en la fase del «periódico online como PDF.» Estamos aplicando capacidad computacional predictiva a problemas que ya conocíamos:
Descubrimiento de fármacos. Empresas de biotecnología usan AI para identificar moléculas candidatas en semanas en lugar de años. Muy valioso, considerando los alcances de una experimentación más acotada y en una fracción del ciclo regular.
Diseño generativo en manufactura. Ingenieros usan AI para generar miles de variaciones de diseño y seleccionar la óptima. Útil, sin duda, porque la optimización de diseño ya existía. Solo que antes tomaba meses de iteración manual.
Diagnósticos médicos. Radiólogos usan AI para detectar patrones en imágenes médicas con mayor precisión. Es una mejora incremental sobre lo que ya hacían radiólogos experimentados.
Predicción de mantenimiento industrial. Fábricas usan sensores + AI para anticipar fallas en maquinaria antes de que ocurran. Reduce costos operativos significativamente. Pero sigue siendo mantenimiento, solo preventivo en lugar de correctivo.
Son adelantos muy valiosos. Son rentables. Algunos casos seguramente generarán miles de millones en valor. Pero son aplicaciones de AI en modelos de negocio existentes, no modelos nuevos habilitados por AI.
La Primera Ola de cambios será predominantemente de nicho porque AI por sí sola aún no ha tenido su «momento iPhone»; esa convergencia de tecnologías que han madurado y desbloquean casos de uso originales.
La Segunda Ola: AI + «X»
Aquí es donde la historia va a ponerse realmente interesante. Los modelos verdaderamente nativos de AI no verán la luz porque la tecnología de AI sea aplicada en soluciones que hagan «mejor» o «más barato» un proceso. Emergerán cuando AI no viva exclusivamente en la nube procesando datos históricos, sino embebida en objetos físicos tomando decisiones autónomas en tiempo real.
Manufactura sin intervención de humanos en el ciclo. No robots siguiendo instrucciones programadas. Sistemas que aprenden de cada pieza producida, ajustan parámetros en microsegundos sin intervención humana, predicen fallos antes de que se manifiesten síntomas detectables. La fábrica deja de ser una línea de ensamblaje y se convierte en un organismo adaptativo que evoluciona constantemente. China tiene mucho de eso ya en marcha
Agricultura de precisión. No tractores que siguen patrones preprogramados. Sensores en cada zona de cultivo. Es AI que ajusta riego, nutrientes y exposición a luz por planta específica, no por hectárea. El cultivo se transforma en un sistema nervioso distribuido donde cada nodo comunica sus necesidades y el sistema responde en tiempo real.
Infraestructura urbana autónoma. Semáforos que no siguen patrones horarios fijos, sino que negocian flujo vehicular en tiempo real con otros semáforos -¡por fin el oficial de tránsito no podrá jugar con los cables! -. Redes eléctricas que redistribuyen carga anticipando demanda por microzona antes de que ocurran picos. Sistemas de agua que detectan fugas y redirigen flujo automáticamente. La ciudad deja de ser infraestructura estática y se convierte en un sistema que aprende y se adapta.
Estos no son mejoras incrementales sobre lo existente. Son categorías que simplemente no existen porque la infraestructura tecnológica necesaria para soportarlas apenas está comenzando a madurar después de más de 10 años de que el tema se anunció como la siguiente oportunidad trillonaría de desarrollo.
¿Porque este podría ser el momento?
Tres cuellos de botella estructurales pueden estar cerca de resolverse:
1. Infraestructura IoT inmadura
Diseñar y escalar dispositivos de Internet de las Cosas sigue siendo caro, frágil y fragmentado. Los sensores tienen costos que solo se justifican en aplicaciones industriales de alto valor. Los protocolos de comunicación no están estandarizados—cada fabricante tiene su ecosistema propietario. La conectividad de baja latencia ubicua que estos modelos requieren (¡5G verdadero, no marketing de 5G como el que nos ofrecen!) todavía no está disponible.
2. Costos de energía
Ejecutar modelos de AI en dispositivos individuales requiere chips especializados. Estamos llegando ahí—Apple con sus chips de la serie M, Nvidia con Jetson para aplicaciones embebidas—pero aún no es un commodity. Cuando un chip capaz de ejecutar modelos complejos cueste USD$10 en lugar de $200, y cuando su consumo energético permita años de operación con una batería que ser auto carga, entonces cambia radicalmente la viabilidad de su aplicación.
3. Marcos regulatorios
Sistemas autónomos tomando decisiones críticas sin supervisión humana inmediata aterra a los reguladores -muchos de ellos están aprendiendo apenas de los conceptos-. Y tienen razones legítimas para eso. ¿Quién es responsable cuando un sistema autónomo comete un error que resulta en daño? ¿El fabricante del hardware? ¿El desarrollador del software? ¿El operador que lo implementó? ¿El modelo de AI que se entrenó con datos de terceros?
Estas preguntas no tienen respuestas claras todavía, y por ello, la adopción masiva de sistemas verdaderamente autónomos enfrentará un aluvión de barreras legales y normativas.
El Cambio de Mentalidad Que Si Importa
No se trata de dónde insertar AI en tu modelo de negocio actual. Se trata de qué modelo completamente nuevo puedes construir, si asumes las posibilidades que empiezan a emerger de combinar AI + IoT + edge computing, o los aderezos que estén a mano.
Esto no es planificación tradicional. Es pensamiento de escenarios. Es imaginación disciplinada. Es preguntarse:
Si cada producto que vendemos tuviera sensores y capacidad de procesamiento local, ¿qué servicios continuos podríamos ofrecer? El valor se desplaza de la venta del producto al servicio que el producto habilita. De vender tractores a vender «agricultura optimizada como servicio.» De vender electrodomésticos a vender «gestión energética del hogar.»
Si la inteligencia estuviera distribuida en dispositivos en lugar de centralizada en servidores, ¿cómo cambia quién captura valor? Los datos se procesan localmente. La privacidad mejora dramáticamente. Pero también significa que las plataformas centralizadas pierden su ventaja de agregación de datos. Emergen nuevos modelos donde el valor está en la coordinación de sistemas distribuidos.
Los Primeros Movimientos
No tenemos los “Ubers de AI”, todavía, pero hay señales de hacia dónde podríamos estar moviéndonos:
BYD no venden autos. Vende una plataforma de movilidad autónoma que mejora con cada kilómetro conducido por su flota global. Cada unidad en la calle es un sensor que captura datos sobre cómo se conduce en situaciones específicas. Esos datos retroalimentan los modelos de conducción autónoma. El valor no está en el vehículo individual, está en el sistema colectivo de la flota completa.
Samsara no vende sensores para flotas de transporte. Vende lo que llaman «sistema operativo para operaciones físicas.» Cada camión, cada montacargas, cada activo conectado no solo reporta su estado, retroalimenta modelos predictivos que anticipan fallas, optimizan rutas, mejoran eficiencia operativa. Capturan valor de la coordinación inteligente de activos físicos, no del hardware en sí.
Los tractores autónomos de John Deere, criticados justificadamente, están tanteando un modelo de «agricultura como servicio.» El tractor aprende de las características específicas del terreno en el que opera, ajusta parámetros de siembra en tiempo real basándose en humedad del suelo y condiciones meteorológicas, y comparte esos aprendizajes con la red global de maquinaria John Deere. El agricultor no solo renta la maquinaria, tiene acceso a inteligencia colectiva acumulada de millones de hectáreas cultivadas globalmente.
Son primeros pasos, experimentos que han evolucionado muy lentamente. Torpes quizá aún. Caros. Lejos de ser lo que los reportes corporativos y de las consultoras que se los vendieron nos prometieron como el futuro digital. Pero apuntan hacia algo diferente: modelos donde el producto físico es pretexto para capturar valor de la red de inteligencia que el producto alimenta.
Es imposible Predecir
Roy Amara, científico que estudió los escenarios tecnológicos en los años 60s y 70s, observó un patrón que ahora lleva su nombre: tendemos a sobreestimar el impacto de una tecnología en el corto plazo y subestimar dramáticamente su impacto en el largo plazo.
Quizá los modelos de negocio verdaderamente nativos de AI no emerjan hasta que el costo energético y de impacto ambiental sea redituable y sostenible, hasta que la conectividad 5G sea real -y no de papel-, hasta que edge computing sea tan barata y accesible como la computación en la nube, y hasta que una generación completa de emprendedores crezca asumiendo que inteligencia distribuida es tan fundamental y ubicua como Internet lo es ahora.
O quizá alguien encuentra el truco mañana y en tres años nos preguntamos cómo vivimos sin ello, de la misma forma que ahora es difícil recordar cómo funcionaba el mundo antes de estar pegados al celular. Creo que no sabemos qué modelos de negocio se construirán desde AI porque aún no estamos haciendo las preguntas correctas.
Seguimos en el «¿cómo hacemos lo que ya hacemos de forma más eficiente?» cuando deberíamos estar preguntando «¿qué se vuelve posible cuando la inteligencia deja de ser un recurso escaso?»
La oportunidad no está en optimizar el modelo actual con AI. Está en imaginar el modelo que solo puede existir cuando AI -y la combinación de capacidades, tecnologías y recursos de conocimiento-, son infraestructura invisible y ubicua, como la electricidad.
Esa imaginación no se compra como servicio. No se encuentra en journeys. No aparece en reportes. Se cultiva con curiosidad sobre las posibilidades de futuros que todavía no tienen nombre.