La IA es una curva, no un punto
La verdadera batalla será administrar la abundancia
Gran parte de la conversación empresarial sobre inteligencia artificial parte de una fotografía estática: ¿Cuál es el modelo más avanzado? ¿Cuántos empleos desaparecerán? ¿Qué empresa lleva ventaja? ¿Estados Unidos o China? ¿Cuánto podemos reducir costos este año?
Son preguntas legítimas, pero insuficientes. Intentan explicar mediante una imagen fija un fenómeno que se mueve con rapidez: cambian las capacidades de los modelos, disminuyen los costos, se acelera la adopción y se reconfigura el control sobre la infraestructura necesaria para operar IA a escala.
La inteligencia artificial se entiende mejor como una curva que como un punto. Y observar esa curva obliga a plantear una pregunta más estratégica:
¿Qué ocurre cuando capacidades que ayer eran escasas, costosas y especializadas comienzan a ser accesibles, replicables y potencialmente abundantes?
La respuesta importa porque la abundancia no elimina la escasez. La desplaza.
Cuatro curvas en movimiento
La primera curva es la de la capacidad.
Los sistemas actuales ya pueden realizar tareas que hace pocos años requerían conocimiento especializado: interpretar documentos complejos, generar código, analizar grandes volúmenes de información, identificar patrones, apoyar investigaciones, modelar escenarios y asistir decisiones operativas.
La segunda es la del costo.
Una capacidad que hoy parece extraordinaria, exclusiva o prohibitivamente cara puede convertirse pronto en una funcionalidad incorporada a una aplicación empresarial común. El costo de alcanzar determinados niveles de desempeño ha caído de forma sostenida, mientras modelos más pequeños y especializados comienzan a resolver tareas que antes requerían infraestructuras mucho mayores.
La tercera curva es la de la difusión.
Tener acceso a IA no es lo mismo que transformar una organización con IA. El uso experimental se ha extendido con rapidez, pero el rediseño profundo de procesos, modelos operativos y decisiones sigue siendo mucho menos frecuente. Esa diferencia explica buena parte de la distancia entre “probar IA” y capturar valor económico real.
La cuarta curva es la del poder.
Detrás de la aparente democratización persisten recursos concentrados: semiconductores avanzados, centros de datos, energía, plataformas cloud, modelos fundacionales, grandes repositorios de datos y talento especializado. La IA puede hacerse más accesible en la superficie y, simultáneamente, más concentrada en su infraestructura.
Esta tensión será una de las cuestiones estratégicas más relevantes de los próximos años.
Durante siglos, buena parte del conocimiento especializado tuvo un costo elevado.
Analizar miles de contratos, revisar millones de transacciones, personalizar contenido educativo, supervisar alertas de seguridad, traducir documentación, desarrollar software o generar análisis de escenarios exigía muchas horas de trabajo humano cualificado.
La IA comienza a reducir el costo marginal de algunas de esas actividades y esto abre la posibilidad de que el análisis, la generación de conocimiento y ciertas capacidades intelectuales sean mucho más abundantes que antes.
Pero conviene introducir una advertencia: la abundancia tecnológica no equivale a abundancia estratégica. Cuando producir análisis se vuelve barato, aumenta el valor de saber qué análisis merece atención.
Cuando generar contenido se vuelve abundante, aumenta el valor de la credibilidad.
Cuando existen agentes capaces de ejecutar acciones, la identidad, las autorizaciones y la trazabilidad se vuelven críticas.
Y cuando crece la capacidad computacional, la energía, la infraestructura y la soberanía tecnológica adquieren un peso geopolítico mayor.
La ecuación puede resumirse así: La IA reduce algunas escaseces mientras crea otras.
Por ello, identificar qué recursos dejarán de ser escasos —y cuáles se volverán decisivos— es más importante que intentar adivinar cuál será el próximo modelo dominante.
También debemos revisar la tendencia a interpretar la IA como un juego exclusivamente de suma cero.
Bajo esa lógica, si una empresa gana, otra pierde; si una máquina realiza una actividad, una persona sobra; si un país concentra capacidad tecnológica, todos los demás quedan necesariamente relegados, son conclusiones de suma cero.
Hay mercados, presupuestos, empleos y rivalidades geopolíticas donde esta lógica sí aplica. Sin embargo, utilizarla para explicar toda la economía de la IA conduce a decisiones demasiado simples.
La IA puede crear escenarios de SUMA NO CERO, cuando amplía el valor total disponible. No se trata de negar la competencia, sino de reconocer que algunas innovaciones expanden el tamaño del mercado, la productividad y la capacidad colectiva de resolver problemas.
Pensemos, por ejemplo, en ciberseguridad.
Un SOC puede utilizar IA para clasificar enormes volúmenes de alertas, correlacionar señales y priorizar amenazas potenciales. La respuesta más pobre sería utilizar esa productividad únicamente para preguntar cuántos analistas pueden eliminarse. Pero, la pregunta estratégicamente interesante es otra:
¿Cuánto podemos aumentar nuestra capacidad real de protección con los mismos recursos?
Si la IA reduce el tiempo invertido en clasificar ruido, el analista puede concentrarse en investigar amenazas, validar anomalías, mejorar controles y tomar decisiones de riesgo. La organización aumenta su productividad; el profesional eleva su capacidad; el cliente recibe mayor protección; y la resiliencia de una cadena de valor completa puede mejorar.
Eso es suma no cero.
No significa que todos ganen automáticamente. Significa que el valor total puede crecer. La tecnología expande el pastel; las decisiones empresariales, regulatorias e institucionales influyen en cómo se distribuye.
El error más común consiste en usar una tecnología exponencial para optimizar procesos concebidos para otra era.
Automatizar un informe, acelerar una presentación o incorporar un copiloto puede generar eficiencias reales. Pero existe una diferencia profunda entre automatizar una actividad y rediseñar un sistema de trabajo.
Las organizaciones que capturan mayor valor con IA no se limitan a sumar una herramienta a los flujos existentes. Rediseñan procesos, roles, mecanismos de decisión, datos, controles y experiencias de cliente. Utilizan IA para crear nuevas capacidades de crecimiento e innovación, no solo para reducir costos.
Esto modifica la conversación del comité ejecutivo, el CEO debe preguntarse ¿dónde la IA exige cambiar el modelo operativo o incluso el modelo de negocio?, el CFO debe identificar dónde la caída del costo de la inteligencia altera la estructura económica de un proceso, producto o servicio y el CiSO debe evaluar cómo se transforma la superficie de riesgo cuando personas, máquinas y agentes autónomos pueden acceder, decidir y ejecutar acciones.
El comité completo comparte una responsabilidad: decidir qué capacidades humanas vale la pena ampliar antes de decidir qué costos humanos pueden eliminarse.
Una estrategia de IA madura debería comenzar, al menos, con cinco preguntas:
¿Qué capacidad hoy costosa puede volverse prácticamente abundante dentro de nuestro negocio?
Si esa capacidad se abarata, dónde se trasladará la nueva escasez: ¿datos, talento, energía, seguridad, atención, integración o confianza?
¿Estamos usando IA para acelerar procesos existentes o para rediseñar cómo creamos valor?
¿Qué dependencias estamos acumulando en infraestructura, modelos, datos y proveedores?
¿Nuestra gobernanza permite escalar con confianza o solo intenta contener riesgos después de que aparecen?
Estas preguntas mantienen su vigencia aunque mañana cambie el modelo líder. Colocan la estrategia por encima de la herramienta y la gobernanza como infraestructura.
La gobernanza suele presentarse como un freno a la innovación. Esa interpretación es equivocada.
La abundancia de capacidades digitales también multiplica la posibilidad de error, abuso y ataque. Más agentes implican más identidades. Más automatización implica más decisiones a velocidad de máquina. Más datos procesados generan mayor exposición.
Más contenido dificulta verificar su procedencia y autenticidad.
Por eso, la seguridad, la privacidad, la trazabilidad, la supervisión humana y la responsabilidad no son componentes periféricos de cumplimiento. Son infraestructura económica. Una empresa que no puede confiar en los resultados de sus sistemas tendrá dificultades para automatizar decisiones relevantes. Una organización que no puede gobernar las identidades y permisos de sus agentes tendrá dificultades para concederles autonomía.
Un ecosistema incapaz de compartir información de forma segura limitará su capacidad de colaborar, innovar y responder a riesgos sistémicos.
La gobernanza bien diseñada no retrasa la adopción. La hace escalable.
¿Qué sucederá con nuestra organización cuando la inteligencia aplicada a determinadas tareas se vuelva barata, ubicua y disponible bajo demanda?
Ahí comienza la transformación real.
El liderazgo en IA no consistirá únicamente en adoptar el modelo más potente o en automatizar más rápido que los competidores. Consistirá en diseñar organizaciones capaces de moverse sobre estas curvas: capturar productividad, aumentar capacidades humanas, gestionar nuevas dependencias, proteger la confianza y convertir una abundancia tecnológica potencial en valor económico y social tangible.
La tecnología hará posible la abundancia.
La estrategia decidirá quién puede convertirla en valor.
Roberto Massa
Onistec Business Intelligence & Governance, Director
Referencias de contexto: Stanford Institute for Human-Centered AI, AI Index Report 2026; McKinsey & Company, The State of AI 2025; NIST, AI Risk Management Framework. Cloudflare Zero Trust. BeyondTrust. Identity first by Onistec.
Comentarios