Los emprendedores que están desarrollando todo alrededor de AI, sus fondeadores y las empresas que están contratando esas iniciativas, todos están buscando respuestas desde múltiplos: en productividad y crecimiento, en ahorros, en rentabilidad.
Si bien estamos magnificando los expectativas desde los posibles alcances que entendemos de aplicar AI en todo, los beneficios futuros posibles en campos como salud, alimentación y logística están por desarrollarse aún.
La primera ola de empresarios afinará conceptos desde las expectativas, apuntalando mercados y descubriendo resquicios entre intersecciones de aplicaciones que den orientación a lo que debe prevalecer de entre lo que debería de consolidarse.
La diferencia con ciclos anteriores es quizá los plazos. Lo que tomó 10 años en madurar en las empresas que nacieron desde Internet, con AI, por la velocidad de adopción e integración que se está evidenciando tomará la mitad del plazo.
Vamos en el año 3 de que se lanzó ChatGPT, el tiempo corre.
La velocidad para crecer las ideas desde la experimentación se convierte en el factor crítico. Los patrones de éxito anteriores sirven de referencia, pero no creo que se parezcan a lo que vendrá una vez que los playbooks tradicionales se resuelven y simulan desde un prompt, se viralizan y escalan desde redes sociales y se rentabilizan con una ecuación de márgenes diferentes a los previamente establecidos.
Habrá que probar 100 cosas rápidamente, asumir que 97 fallarán, y doblar la apuesta agresivamente en las 3 que muestran tracción para que en una se consolide la apuesta.
Habrá que adquirir una celeridad y tolerancia organizacional al fracaso que muy pocas empresas tienen en disposición entender. Requiere ciclos de decisión medidos en semanas, no trimestres. Requiere presupuestos flexibles que se pueden reasignar rápidamente, equipos dedicados que se nutren de aliados externos creando redes de solucionadores.
Las organizaciones que lleguen, o las que exploten la segunda ola de innovaciones desde las posibilidades de aplicar o aprovechar AI, no serán las que tengan los mejores planes. Serán las que sepan balancear una ecuación de riesgo-velocidad-oportunidad; porque pueden fallar más rápido y más barato, aprender de esos fracasos, y pivotear antes que los competidores.
¿Qué pesa más, Aprendizaje o la Tecnología?
La ventaja, no veo radique en el modelo de AI que se emplee o que se adopte hacia un problema específico. Todos tienen acceso a tecnologías similares. Es el diseño alrededor de lo que se aprenda aplicando esos modelos a un problema real que nadie más está observando con la misma profundidad. Ese aprendizaje podría provenir de:
Estar embebido en una operación específica. No se aprende sobre mantenimiento predictivo de turbinas eólicas desde una oficina. Hay que estar en la acción, ver cómo fallan las máquinas, entender qué variables operativas importan realmente, entender la arquitectura de los datos y su integración entre todos los que participan en el proceso de mantenimiento.
Capturar datos que otros no ven. Porque tienes conocimiento sobre los cómo y los porqués…, porque la relación con clientes te permite instrumentar procesos que competidores no pueden visualizar, porque has construido algún tipo de comunidad alrededor del problema y su instrumentación, en más de una mercado/geografía y entorno cultural.
Entender matices que la tecnología no interioriza (aún). El contador que automatiza su práctica no solo usa AI, entiende qué excepciones requieren juicio, cuándo los clientes necesitan explicaciones más allá de los números, cómo las decisiones financieras se entrelazan con dinámicas en procesos y condiciones muy específicos.
Ese conocimiento contextual tácito es el fundamento de la posible innovación. La tecnología es un escalador.
Mercados deslocalizados
El modelo mental tradicional es: encuentra un mercado grande, captura 10%, escala agresivamente hasta dominar el segmento. Ese playbook asume que hay ventajas de escala que se refuerzan desde los efectos de red, economías en integración de operaciones, poder de negociación con proveedores.
Pero muchos problemas por explotar en los sectores más urgentes de ser intervenidos -salud, alimentación y logística, como ejemplo- no tienen esas características. Son problemas donde la profundidad importa más que la amplitud. Donde ser indispensable para 50,000 clientes en un contexto específico es más defendible que ser una opción entre muchas para 5 millones de clientes.
Ejemplos:
El sistema de coordinación para flotillas de vehículos de emergencia en zonas rurales donde la conectividad es intermitente y las carreteras no están mapeadas.
La plataforma de aprendizaje para técnicos que reparan maquinaria industrial específica, donde cada video está vinculado a manuales técnicos, partes de reemplazo, y historial de fallas de máquinas similares.
Profundidad sobre amplitud. Especificidad que a su vez permite experimentar un modelo, un proceso que pueda tener extrapolación con otros problemas en segmentos de mayor rentabilidad -lo que funciona con una complejidad «X» pueda resolver lo que sucede en un escenario «Y»-.
Jugar el juego, pero diferente
Desmárcate de entrar a la zona segura de lo “bueno por conocido”:
¿Cómo usamos tecnologia para reducir costos? ¿Qué procesos automatizamos para mejorar márgenes? ¿Cómo competimos con los unicornios de AI que están levantando cientos de millones?
Esas son las preguntas de la primera generación. Las preguntas de la segunda generación podrían ser fundamentalmente diferentes:
¿Qué problema podemos resolver ahora que antes era completamente imposible? ¿Qué nicho desatendido podemos dominar porque entendemos un contexto que nadie más atiende? ¿Cómo convertimos experimentación barata desde AI en aprendizaje propietario que se vuelve más valioso con cada iteración?
Mi apuesta es por identificar nichos donde el conocimiento institucional combinado con AI crea una ventaja.
Tu y la empresa en la que colaboras mantienen décadas de datos sobre operaciones específicas que nadie más tiene. Relaciones con clientes que toman años en desarrollarse. Una comprensión de problemas particulares en la industria que no han sido atendidos aun y que incluso, pueden extrapolarse a oportunidades en otras industrias adyacentes a la que participas.
Profundizar sobre el contexto había sido la barrera de entrada, quizá AI cambie eso en el corto plazo. Aprovecha ahora.
No necesitas escalar a millones de usuarios para tener un negocio exitoso. Prueba dominar profundamente un nicho donde te vuelvas indispensable. El contador que automatiza su práctica no compite con las grandes firmas. Compite con otros contadores locales que no han adoptado las herramientas. Y gana porque puede ofrecer servicio superior a precios competitivos mientras trabaja menos horas.
Si eres emprendedor o intra-emprendedor, estarás pensando en ¿Estoy construyendo algo que solo puede existir ahora?
Si tu modelo se puede explicar cómo «lo mismo que ya existe, pero con AI»—probablemente estás en la fase de la primera ola de cambios. Útil, muy rentable en el corto plazo, pero vulnerable a ser desplazado cuando llegue la segunda ola.
Si tu modelo responde «esto era estructuralmente imposible antes de que AI + X convergieran»—entonces quizá estás en algo con mayor adaptabilidad y proyección.
Y pregúntate honestamente: ¿Tu diferenciación está en la aplicación del código o en el contexto que se domina?
Si está en el código, puede que sea efímero. Cualquiera con los mismos modelos puede replicar tu funcionalidad core. Si está en el contexto—datos reales, efectos de red hiperlocales que pueden ser globales, confianza desde comunidades específicas de usuarios o expertos—entonces tienes algo superior.
Timing vs Location
Las apuestas están dominadas por algunos nombres que ya están aquí. Sobrevalorados. Dominando titulares. Levantando cientos de millones. Creando la narrativa que todos persiguen.
Los Amazon y Netflix de AI se están construyendo en este momento en lugares donde nadie está mirando. Cooperativas. Garajes. Alguna PyME. Comunidades específicas. Operaciones industriales muy particulares.
Se están construyendo ahí porque esos son los únicos lugares donde el contexto específico + la experimentación escalable desde AI + conocimiento profundo del problema pueden converger sin la distracción del hype y las expectativas sobrevaloradas.
Y por primera vez en la historia de las revoluciones tecnológicas, cualquiera puede hacer esas preguntas. La capacidad de experimentar está democratizada. Las herramientas para prototipar están disponibles. El costo de probar una hipótesis es muy accesible.
La oportunidad está a la vista. Porque no parecen lo suficientemente grandes. Porque no encajan en el modelo mental de «escala masiva.» Porque los expertos operan desde un paradigma de la generación anterior, no están abiertos a considerar la profundidad de nichos con márgenes inferiores pero posibilidades de extrapolación a otras industrias.
Pero ahí es exactamente donde el cambio puede despegar, en la tensión entre dos futuros simultáneos: la concentración de infraestructura y fragmentación masiva de aplicaciones
