las metáforas no son modelos » Enrique Dans

Una metáfora puede inspirar un producto. Un modelo formal crea una industria.

La razón por la que la inteligencia artificial empresarial sigue siendo obstinadamente artesanal no es que los modelos sean demasiado débiles.

No es porque las ventanas de contexto sean demasiado pequeñas, ni porque los agentes necesiten mejores prompts, ni porque las empresas se resistan a adoptar la tecnología. Todos esos son problemas visibles. Pero no son el más profundo.

El problema más profundo es que la industria sigue construyendo a partir de metáforas. Y las metáforas no industrializan nada.

Durante los dos últimos años, la inteligencia artificial empresarial se ha llenado de analogías humanas. Hablamos de memoria, reflexión, planificación, delegación, retroalimentación e incluso sueño. Business Insider describía recientemente la técnica de «soñar» de Anthropic para agentes de inteligencia artificial, un ejemplo revelador de hasta qué punto la industria recurre de forma natural a metáforas humanas para describir sistemas que son, en realidad, arquitecturas computacionales.

Las metáforas son útiles. Hacen que los sistemas complejos sean más fáciles de entender. Ayudan a los equipos de producto a explicar lo que hacen sus sistemas. Ayudan a los directivos a creer que están comprando algo familiar.

Pero existe una diferencia entre una metáfora y un modelo: una metáfora describe algo. Un modelo lo formaliza. Y esa distinción puede explicar por qué la inteligencia artificial empresarial sigue atrapada entre demostraciones asombrosas y despliegues frustrantes.

El software se industrializa cuando se formaliza

Todas las grandes revoluciones del software han seguido el mismo patrón: primero llegó la capacidad. Después la formalización. Solo entonces apareció la plataforma.

Las bases de datos relacionales no surgieron porque alguien construyera un archivador mejor. Surgieron porque Edgar F. Codd introdujo un modelo relacional formal de los datos, definiendo toda una forma de pensar sobre relaciones, operaciones, redundancia, consistencia e independencia de los datos. El SQL, las aplicaciones, los proveedores y los ecosistemas llegaron después. Primero apareció la abstracción.

La web no se volvió transformadora porque los navegadores se hicieran más atractivos. Se volvió transformadora porque los recursos adquirieron identidades formales. El documento «arquitectura de la World Wide Web» del W3C define la web como un espacio de información en el que los recursos se identifican mediante URI. El HTTP, formalizado en la RFC 9110, es un protocolo sin estado cuyas peticiones pueden interpretarse de forma independiente. El HTML, las URL, los métodos HTTP o los códigos de estado no eran detalles decorativos. Eran la gramática que permitió industrializar la web.

Los ERP siguieron exactamente el mismo camino. SAP no se convirtió en dominante porque diseñara interfaces más bonitas que los consultores. Tuvo éxito porque formalizó la empresa alrededor de procesos, transacciones, datos maestros, lógica contable, inventarios, compras y relaciones operativas. Esa gramática compartida hizo que las implementaciones fueran suficientemente repetibles como para permitir la aparición de socios, integradores, plantillas, extensiones y, finalmente, ecosistemas completos.

Así es como escala el software: no mediante mejores metáforas, sino mediante abstracciones formales. La inteligencia artificial empresarial tiene capacidad. Lo que todavía le falta es formalización.

La memoria no es un modelo de datos

Consideremos uno de los conceptos más habituales en la inteligencia artificial actual: la memoria.

La mayoría de las plataformas modernas de inteligencia artificial ofrecen ya alguna versión de ella. La documentación de Microsoft para Azure OpenAI Assistants describe hilos persistentes que almacenan el historial de mensajes y lo truncan cuando supera la longitud de contexto del modelo. El equipo de ingeniería de Anthropic, al hablar de agentes de larga duración (long-running agents), describe el desafío de trabajar a través de múltiples ventanas de contexto y la necesidad de preservar continuidad entre sesiones.

Todo eso es útil. Pero nada de eso es, por sí solo, un modelo de datos. Una memoria te dice qué ocurrió. Un modelo te dice qué puede ocurrir. Un modelo adecuado define identidad, estado, relaciones, permisos, restricciones y transiciones válidas. Crea invariantes: propiedades que el sistema garantiza independientemente de quién lo utilice o cuántas veces se ejecute.

La memoria, por sí sola, no proporciona eso: puede recuperar contexto, puede reconstruir historial, puede resumir decisiones. Pero no representa formalmente un cliente, un contrato, una cadena de aprobaciones, una regla de cumplimiento, un umbral de riesgo o el estado de un workflow.

Y esa diferencia importa porque las empresas no operan sobre recuerdos: operan sobre estructuras.

Por qué los agentes siguen siendo artesanales

Esto ayuda a explicar uno de los fenómenos más extraños de la inteligencia artificial empresarial: a medida que los modelos de frontera se vuelven más capaces, los despliegues requieren cada vez más intervención humana.

OpenAI, Anthropic, Google y otros dependen cada vez más de personas que trabajan directamente con los clientes para mapear workflows, definir restricciones, conectar sistemas y traducir la realidad organizativa a algo sobre lo que la inteligencia artificial pueda operar.

En un artículo anterior argumentaba que, si la inteligencia fuera realmente una utility, los proveedores no necesitarían enviar ingenieros a cada cliente para hacer funcionar el grifo. La persistencia de ese modelo nos dice algo importante: la capa que falta sigue siendo suministrada manualmente: alguien que cobra por horas tiene que decidir qué es importante, qué restricciones aplican, qué sistemas son la fuente de verdad, cómo funcionan los permisos, cómo se rastrean las decisiones y cómo se miden los resultados.

En una plataforma madura, gran parte de eso ya estaría representado formalmente. Hoy, con frecuencia, no lo está. El resultado es una categoría sorprendentemente dependiente de despliegues personalizados y traducción organizativa. No inteligencia industrial: inteligencia artesanal.

Los ecosistemas necesitan invariantes

Por eso las plataformas actuales de agentes tienen dificultades para generar verdaderos ecosistemas. Los desarrolladores pueden construir sobre SQL porque tablas, transacciones, claves y restricciones se comportan de manera predecible. Pueden construir sobre la web porque las URL, los métodos HTTP y los formatos documentales obedecen reglas compartidas. Pueden construir sobre ERP porque los objetos de negocio y las transacciones tienen significados definidos.

Esas garantías importan: permiten que aparezcan socios, extensiones, integraciones, marketplaces y estándares. Sin invariantes, cada despliegue se convierte en una interpretación personalizada. Y cuando la interpretación personalizada se convierte en el modo dominante de entrega, el resultado no es una plataforma: es consultoría.

Esa es exactamente la trampa en la que se encuentra hoy la inteligencia artificial empresarial: cada organización tiene sus propios datos, workflows, vocabulario, políticas, aprobaciones, sistemas de registro, rutas de excepción y realidades políticas. Sin una capa formal capaz de representar esas cosas de forma reutilizable, cada despliegue se convierte en un ejercicio de traducción.

El modelo puede ser general, la empresa no lo es.

La última investigación State of AI de McKinsey apunta al mismo fenómeno desde otro ángulo: el uso de IA está muy extendido, pero la mayoría de las empresas todavía no la ha integrado lo suficientemente profundamente en workflows y procesos como para generar beneficios empresariales materiales. Las organizaciones que lo hacen mejor no son simplemente las que usan más inteligencia artificial. Son las que rediseñan workflows.

Y eso importa porque confirma el argumento de fondo: la inteligencia por sí sola no basta. Tiene que integrarse en una estructura.

La capa formal que le falta a la inteligencia artificial empresarial

No es la primera vez que las empresas cometen este error. En su clásico artículo de Harvard Business Review, titulado «Reengineering work: don’t automate, obliterate«, Michael Hammer advertía que las empresas suelen utilizar nuevas tecnologías para acelerar procesos obsoletos en lugar de rediseñar el trabajo en sí mismo.

Eso era cierto en 1990. Y lo es aún más ahora. La mayoría de las empresas sigue preguntándose: ¿cómo añadimos inteligencia artificial a nuestros procesos existentes?» Y la pregunta adecuada es: «¿qué representación formal del trabajo permitiría que la inteligencia artificial operara de forma segura, repetible y responsable dentro de la empresa?»

Esa capa no será otra interfaz conversacional. No será un prompt más largo. No será un copilot más bonit,o ni un agente más antropomórfico. Será una capa formal. Una capa que represente identidad, estado, permisos, restricciones, procedencia, workflows, resultados y semántica empresarial de formas comprensibles tanto para máquinas como para personas. Una capa que cree invariantes. Que haga que la inteligencia empresarial sea componible, gobernable, auditable y repetible.

Es entonces cuando surgen los ecosistemas. Es entonces cuando los despliegues se vuelven escalables. Y es entonces cuando la inteligencia artificial empresarial abandona definitivamente su fase artesanal.

Lo que viene después

La siguiente etapa de la inteligencia artificial empresarial no estará definida por quién encuentre el mejor nombre para memoria, agentes, contexto o delegación. Estará definida por quién los formalice.

Eso no significa que la arquitectura ganadora sea evidente. No lo es. Seguimos en una fase temprana. Pero sus propiedades empiezan a ser más fáciles de describir:

• Preservará estado.
• Aplicará restricciones.
• Codificará semántica empresarial.
• Gobernará permisos.
• Rastreará procedencia.
• Conectará acciones con resultados.
• Hará que los workflows sean inteligibles para las máquinas sin volverlos opacos para las personas.
• Y, sobre todo, creará invariantes sobre los que otros puedan construir.

La era industrial de la inteligencia artificial empresarial no comenzará cuando los modelos se vuelvan más parecidos a los humanos: comenzará cuando la inteligencia se vuelva más estructurada.

Porque todas las grandes revoluciones del software siguen el mismo patrón: primero imitamos la realidad mediante metáforas. Después descubrimos la abstracción que hace posible una industria.

Una metáfora puede inspirar un producto.

Un modelo formal crea una industria.

(This article was previously published on Fast Company)