Por qué todas las empresas van a necesitar su propio world model » Enrique Dans

Durante los dos últimos años, hablar de estrategia en inteligencia artificial ha significado prácticamente lo mismo en todas partes: elegir un gran modelo de lenguaje, conectarlo a tus flujos de trabajo y empezar a experimentar con prompts. Esa fase está llegando a su fin.

No porque los modelos de lenguaje no sean útiles, que lo son, con todas sus limitaciones evidentes, sino porque se están convirtiendo rápidamente en commodities. Cuando todo el mundo tiene acceso a modelos muy similares, entrenados con datos muy parecidos, la pregunta deja de ser quién tiene la mejor inteligencia artificial y pasa a ser quién entiende mejor su propio mundo. Ahí es donde entran los world models.

De la inteligencia alquilada a la comprensión en propiedad

Los grandes modelos de lenguaje parecen poderosos, pero en el fondo son inteligencia alquilada. Pagas una cuota mensual a OpenAI, Anthropic, Google u otra gran tecnológica, accedes a sus modelos vía API, los ajustas ligeramente y los aplicas a tareas genéricas: resumir, redactar, buscar, asistir. Hacen que las organizaciones sean más eficientes, pero no las hacen sustancialmente diferentes.

Un world model es algo completamente distinto: es un sistema interno que representa cómo se comporta realmente el entorno de una empresa (sus clientes, operaciones, restricciones, riesgos y bucles de retroalimentación, etc.) y utiliza esa representación para predecir resultados, poner a prueba decisiones y aprender de la experiencia.

La diferencia es fundamental. Puedes alquilar fluidez, pero no puedes alquilar comprensión.

Qué significa realmente un world model para una empresa

A pesar de su origen académico, los world models no son juguetes teóricos. Los directivos ya confían en versiones rudimentarias de ellos todos los días: simulaciones de cadena de suministro, sistemas de previsión de demanda, modelos de riesgo y precios, gemelos digitales de fábricas, redes o ciudades.

Los gemelos digitales, en particular, son world models tempranos e incompletos: estáticos, caros y a menudo frágiles, pero conceptualmente relevantes.

Lo que cambia con la inteligencia artificial no es la existencia de estos modelos, sino su naturaleza. En lugar de ser estáticos y actualizados manualmente, los world models impulsados por inteligencia artificial pueden ser:

• Adaptativos, aprendiendo continuamente de nuevos datos
• Probabilísticos, en lugar de deterministas
• Causales, no solo descriptivos
• Orientados a la acción, capaces de simular escenarios del tipo «qué pasa si…»

Aquí es donde el aprendizaje por refuerzo, la simulación y el aprendizaje multimodal empiezan a importar mucho más que la ingeniería de prompts.

Un ejemplo concreto: logística y cadenas de suministro

Pensemos en la logística global, un sector que ya opera con márgenes estrechos, tiempos ajustados y disrupciones constantes.

Un modelo de lenguaje puede resumir informes de envíos, responder preguntas sobre retrasos o redactar comunicaciones a clientes. Un world model puede hacer algo mucho más valioso: puede simular cómo el cierre de un puerto en Asia afecta a los niveles de inventario en Europa, cómo las fluctuaciones del precio del combustible se trasladan a los costes de transporte, cómo los fenómenos meteorológicos alteran los plazos de entrega y cómo decisiones alternativas de rutas cambian los resultados con semanas de antelación. En otras palabras, puede razonar sobre el sistema, no solo describirlo.

Por eso empresas como Amazon han invertido intensamente en entornos internos de simulación y modelos de decisión, en lugar de limitarse a herramientas de inteligencia artificial genéricas.

En logística, la ventaja competitiva no proviene de hablar mejor sobre la cadena de suministro, sino de anticiparla mejor.

Por qué construir un world model es difícil (y por qué esa es la cuestión)

Si todo esto suena complejo, es porque lo es. Construir un world model útil no consiste en comprar software o contratar a unos cuantos ingenieros de prompts. Requiere capacidades que muchas organizaciones han pospuesto desarrollar.

Como mínimo, las empresas necesitan:

• Datos de alta calidad y bien instrumentados, no solo grandes volúmenes
• Definiciones claras de resultados, no simples métricas de vanidad
• Bucles de retroalimentación (importantísimo) que conecten decisiones con consecuencias reales
• Alineación transversal, porque ningún departamento «posee» la realidad
• Y sobre todo, tiempo y paciencia, ya que los modelos del mundo mejoran con iteración, no con demostraciones espectaculares.

Precisamente por eso la mayoría de las compañías no lo hará, y por eso precisamente quienes lo hagan lograrán distanciarse. La parte más difícil de la inteligencia artificial no son los modelos, sino los sistemas y los incentivos que los rodean.

Por qué los LLM por sí solos no bastan

Los modelos de lenguaje siguen siendo valiosos, pero en un papel concreto. Son excelentes interfaces entre humanos y máquinas. Explican, traducen, resumen y comunican. Lo que no hacen bien es razonar sobre cómo funciona el mundo.

Los LLM aprenden de texto, que es una representación indirecta, sesgada e incompleta de la realidad. Reflejan cómo las personas hablan sobre los sistemas, no cómo esos sistemas se comportan. Por eso las alucinaciones no son un accidente, sino una limitación estructural. Como ha señalado repetidamente Yann LeCun, el lenguaje por sí solo no es un sustrato suficiente para la inteligencia.

En las arquitecturas que importarán en el futuro, los LLM acompañarán a los modelos del mundo, no los sustituirán.

El giro estratégico que los directivos deberían hacer ahora

La decisión más importante que pueden tomar hoy los líderes no es qué modelo elegir, sino qué partes de su realidad quieren que las máquinas comprendan.

Eso implica formular preguntas diferentes: ¿Dónde fallan sistemáticamente nuestras decisiones? ¿Qué resultados importan pero no están bien medidos? ¿Qué sistemas se comportan de formas que no entendemos del todo? ¿Dónde superaría la simulación a la intuición?

Son preguntas menos vistosas que simplemente lanzar un chatbot. Pero mucho más trascendentes.

Las empresas que ganen modelarán su propia realidad

Los grandes modelos de lenguaje igualan el terreno de juego. Todo el mundo accede a capacidades impresionantes casi al mismo tiempo. Los world models lo vuelven a inclinar.

En la próxima década, la ventaja competitiva pertenecerá a las organizaciones capaces de codificar su comprensión del mundo, de «su mundo», en sistemas que aprendan, se adapten y mejoren. No porque hablen mejor, sino porque entienden mejor.

La inteligencia artificial no sustituirá a la estrategia. Pero la estrategia pertenecerá cada vez más a quienes sean capaces de modelar la realidad lo suficientemente bien como para explorarla antes de actuar.

Todas las empresas necesitarán su propio world model. La única pregunta abierta es quién empieza a construir el suyo primero.

(This article was previously published on Fast Company)