Un cliente me escribió hace unas semanas con una lista de doce procesos de su empresa y un requerimiento al final: agentizar todo esto. Fuimos uno por uno. En varios había que dejar a una persona revisando la salida antes de que llegara a un cliente real, y cuando se lo dije se quedó callado un rato largo, porque él ya había hecho la cuenta de cuánta gente iba a dejar de necesitar y esa cuenta era justamente la razón por la que me había escrito.
Después soltó la frase que me hizo escribir esto: "¿Entonces para qué sirve la IA, si no puede agentizar todo?"
Me la han hecho de formas distintas varias veces este año. Lo que trae dentro es una vara de medir: el valor de la IA es cuánta gente quita. Con esa vara, cualquier proyecto que termine necesitando a alguien revisando ya nació fracasado. Y casi todos terminan necesitando a alguien.
La palabra IA se la quedaron los chatbots
Antes de noviembre de 2022, cuando en una empresa alguien decía IA casi siempre se refería a otra cosa: un modelo que predecía qué cliente se iba a dar de baja, uno que marcaba una transacción rara antes de que se completara, otro que ordenaba un catálogo de diez mil referencias sin que nadie lo tocara. Eso es machine learning, que también es inteligencia artificial, y lleva décadas funcionando dentro de empresas que dependen de ello todos los días, cobrando poco y sin salir en ninguna portada.
Después llegó ChatGPT y la palabra cambió de dueño. Hoy, cuando alguien dice "vamos a meter IA", casi siempre quiere decir "vamos a meter un chatbot". Ahí empieza el lío.
El dato que todo el mundo cita para retratar el momento es del MIT: el 95% de los pilotos de IA generativa en empresas no llega a ningún impacto medible. Sale de la iniciativa NANDA y su informe The GenAI Divide, de agosto de 2025, construido con 150 entrevistas a directivos, una encuesta a 350 empleados y el análisis de 300 despliegues públicos. Se cita fatal.
La mayoría lo usa como prueba de que la IA no sirve, cuando el propio informe dice otra cosa: el problema no está en la calidad de los modelos, está en cómo se integran esas herramientas al trabajo que ya existe. Y sí, la cifra ya tiene un año, que en esto es bastante. La sigo usando porque nadie ha publicado nada mejor.
Cuando el problema son números y no palabras
En agosto de este año salió un estudio que debería estar pegado en la pared de cualquiera que apruebe presupuestos de IA. Marta Garnelo y Wojciech Czarnecki se propusieron averiguar por qué los modelos de lenguaje, esos que hacen bien casi todo lo demás, siguen siendo malos justo en lo que las empresas más necesitan: adivinar un número a partir de datos ordenados en columnas y filas. Lo que tienes en cualquier hoja de cálculo, así de fácil.
Probaron un modelo de los más potentes contra 31 conjuntos de datos de prueba y lo midieron contra 252 métodos clásicos. Fueron descartando las explicaciones fáciles una por una. Que si los datos venían sucios, que si el formato en el que se le entregaban las columnas, que si la manera en que el modelo lee las cifras. Ninguna aguantó. Lo que sí aguantó fue el tamaño del problema, o sea cuántos datos distintos hay que tener en cuenta a la vez: de nueve métodos evaluados, el modelo de lenguaje resultó ser el único que acierta menos conforme el problema se hace más grande, mientras todos los demás se mantienen igual o mejoran. Dicho de otro modo, cuanto más se parece tu caso a un problema real de negocio, con sus veinte columnas y sus cruces, peor lo hace el modelo que todo el mundo quiere usar-comprar.
Los autores lo rematan diciendo que por eso estos modelos siguen perdiendo contra métodos de hace cincuenta años cuando la información viene en filas y columnas. Cincuenta años.
Pasa algo parecido cuando le pides que rebusque solo en la base de datos de tu empresa. George Bezerra, que dirigió equipos de datos en The Knot y en TripAdvisor, cuenta en CIO que en una prueba llamada BEAVER, montada por gente del MIT y Harvard con datos empresariales de verdad, los modelos iban a principios de 2026 acertando el 11.4% de las veces. Es el resultado de un experimento y no el de tu empresa, pero da la escala del asunto: dejar que un modelo arme solo tu reporte financiero es aceptar que de vez en cuando te va a devolver, con toda la seguridad del mundo, un número equivocado.
Lo de que sale más barato depende de cuántas veces
Esta es la parte donde más me peleo con clientes.
La idea instalada es que la IA abarata. Y abarata, sobre todo al principio, cuando lo que estás comparando es una prueba de dos semanas contra contratar a alguien. Lo que casi nadie mete en la cuenta es que conectar tu sistema al modelo de otra empresa se paga cada vez que lo usas: cada consulta, cada usuario, cada mes, para siempre, y con un consumo que crece justo cuando el producto empieza a funcionar de verdad y más gente lo usa. Un modelo entrenado por ti se paga distinto. Cuesta montarlo, cuesta conseguir los datos y cuesta el tiempo de alguien que sepa lo que hace, que no es barato ni fácil de encontrar. Pero una vez que está corriendo, cada respuesta vale una fracción de centavo y tarda milisegundos. La curva de uno sube con el éxito y la del otro se aplana.
Te pongo unos números. Para usar Claude Code a ritmo de trabajo de verdad, sin quedarme a media tarde sin consumo, pago 200 dólares al mes. Ese es el piso. Cuando el plan se agota, lo que sigue se cobra por uso, y ahí el modelo más capaz de Anthropic, Fable 5, cuesta 10 dólares por cada millón de tokens que le mandas y 50 por cada millón que te devuelve. Los tokens son los trocitos en que el modelo parte el texto, algo así como tres cuartos de palabra cada uno. El resto de modelos de gama alta andan por la mitad de eso, alrededor de 5 y 25. Lo caro es ese escalón de arriba, que casualmente es el que quieres usar cuando el trabajo importa.
Un millón suena a muchísimo. Deja el sistema pidiéndose cosas a sí mismo una tarde entera y verás lo rápido que se va.
He acabado metiendo llamadas al modelo en sitios donde no hacían falta, por comodidad, porque escribir un prompt es más rápido que escribir la regla que hace exactamente lo mismo. Funciona. Y la factura sube sola, sin que nadie haya tomado la decisión de que suba.
El sistema que era de IA hasta que salió al mercado
A ese mismo cliente le construí un sistema entero montado alrededor de IA. Funcionaba. Cuando salió al mercado y lo vimos operar con gente real, la cuenta quedó en que cerca del 90% del trabajo que sostenía el producto era humano y el 10% era la parte donde la IA optimizaba algo.
El producto salió y sigue vivo, así que no lo cuento como fracaso. Pero esa proporción no se parecía ni de lejos a la que los dos teníamos en la cabeza el día que lo diseñamos.
Bezerra cuenta un caso que rima con este. Su equipo montó un sistema para detectar mensajes ofensivos con un modelo de lenguaje, porque además de marcar el mensaje sabía explicar por qué lo marcaba, cosa que un modelo estadístico no hace. Al acercarlo al público se toparon con que el nivel de confianza que el propio modelo se ponía no era de fiar, y ese número era justo con el que decidían qué mandaban a revisión de una persona. Acabaron partiendo el trabajo en dos: el modelo de siempre daba la cifra y el de lenguaje daba la explicación.
Esa suele ser la forma de las cosas que terminan funcionando. Un pedazo de modelo de lenguaje, un pedazo de modelo estadístico, un pedazo de programación de toda la vida y cada uno metido donde se gana el sitio.
La IA no borra los límites que ya estaban ahí
Otro proyecto, otro cliente. Quería que su sistema entrara a un montón de páginas web a recoger información de forma automática. Le dije que varias no lo permiten, que lo prohíben en sus condiciones de uso, y que esa parte tendría que hacerse a mano, o no hacerse. No le gustó nada.
Me contestó que había leído que existen modelos sin restricciones capaces de pasar hasta un paywall, y me preguntó cómo se conseguían. Que si hacía falta los corría en local, en su propia máquina, y así nadie se enteraba.
Le dije que no, y no por remilgos. El obstáculo nunca fue el modelo. Ese contenido tiene dueño y entrar donde no te dejan entrar sigue siendo entrar donde no te dejan, lo haga un becario copiando y pegando o un modelo corriendo en tu computadora. Lo único que cambia es la velocidad a la que te metes en el problema.
Me pasa seguido y creo que es el síntoma más claro de todo esto. La IA se está usando de comodín para saltarse cosas que nunca fueron técnicas: permisos, licencias, responsabilidad legal, el trabajo aburridísimo de ordenar los datos antes de que sirvan para algo. Un modelo no quita nada de eso.
Cuatro preguntas antes de aprobar el presupuesto
Di el problema en una frase, sin usar la palabra IA. Si no te sale la frase, todavía no tienes un problema. Tienes ganas.
Mira de qué está hecha tu información. Si son palabras (correos, contratos, entrevistas, reseñas), un modelo de lenguaje aporta algo que antes no existía. Si son columnas y filas, empieza por lo aburrido y que la IA demuestre que lo supera antes de dejarla entrar.
Calcula el costo por vez y multiplícalo. Usa el volumen que vas a tener el día que la cosa funcione bien. El del piloto no te dice nada, y es el que todo el mundo lleva a la junta.
Decide quién revisa antes de construir nada. Si la respuesta es que nadie, o no lo has pensado bien o el proceso no aguanta un error. Y si alguien revisa, su tiempo entra en el presupuesto desde el primer día, no como un extra que aparece cuando ya es tarde para discutirlo.
Lo que le acabé contestando
A la pregunta del principio, para qué sirve la IA si no puede agentizar todo, le respondí que sirve para bastante: para las tareas donde el material es lenguaje y donde una respuesta buena y rápida vale más que una respuesta exacta. Son muchísimas tareas. No son todas las de su empresa, y ninguna versión futura del modelo va a cambiar eso, porque el límite no está en la potencia.
Va mi contradicción, que es honesta. Uso modelos todo el día. Escribo con ellos, programo con ellos, investigo con ellos. Y aun así, cuando un cliente me llega con un proceso para meterle IA, lo primero que hago es buscar la forma de resolverlo sin IA. Si no la encuentro, entonces adelante, y con mejor cara, porque ya sé que el modelo está ahí haciendo algo que de otra manera no se hacía.
Lo que me preocupa de este momento no es que se use IA de más. Es que se volvió casi imposible decir "esto se arregla con una hoja de cálculo y dos reglas" sin quedar como el que no entendió nada.
Si tienes un proceso en la cabeza y no sabes de qué lado cae, escríbelo en una frase sin usar la palabra IA y mira qué queda. Cuando lo tengas claro, pásate por las herramientas disponibles y elige la que corresponda al problema que de verdad tienes.
