¿Centros de datos de miles de millones de dólares o sistemas autónomos que dan en el blanco? Mientras los grandes modelos de lenguaje se convierten en un juego no de países, sino de gigantes tecnológicos, la verdadera oportunidad para startups e instituciones está en la capa de la «IA agéntica». El futuro no será de quienes construyen modelos gigantes, sino de quienes los ponen a trabajar donde corresponde.
Queridos lectores de Ekonomi Dünya: si nos asomamos al borde de la economía digital, ya no es posible negar que el mundo tecnológico ha entrado en una nueva era. A un lado, empresas como Google, Microsoft, Amazon y OpenAI, que invierten cientos de miles de millones de dólares en centros de datos; al otro, países e instituciones que intentan seguirles el ritmo. Francia, los Emiratos Árabes Unidos e incluso China sienten el peso de esta carrera. El panorama nos dice una sola cosa: la carrera por desarrollar grandes modelos de lenguaje se ha convertido en un juego que solo pueden jugar empresas de billones de dólares, no países.
¿Cómo debemos leer entonces este panorama, esta arena donde los gigantes se devoran entre sí? Y, sobre todo, ¿dónde se esconden las verdaderas oportunidades para las startups, instituciones y países que se mueven con inteligencia estratégica en medio de este caos? En este artículo voy tras esas preguntas.
Entre 2023 y 2025, el objetivo que se marcaron muchos países e instituciones era claro: «Nosotros también desarrollaremos nuestro propio gran modelo de lenguaje». Es una voluntad comprensible. Nace de una preocupación muy legítima por la independencia tecnológica, la seguridad nacional y la soberanía de los datos. Sin embargo, en la práctica el panorama es muy distinto.
Se estima que el coste de cómputo para entrenar desde cero un modelo de la clase de GPT-4 oscila entre cien millones y mil millones de dólares. Si a esa cifra se suman la infraestructura de datos, las cadenas de suministro de hardware, los equipos de investigación y los costes continuos de ajuste fino, se entiende lo impactante que resulta. La francesa Mistral AI es una de las respuestas europeas más sólidas en este terreno; aun así, la propia Mistral demuestra lo difícil que es competir con los líderes mundiales en el desarrollo de modelos fundacionales.
La pregunta clave es esta: ¿es realmente «estratégico» entrar en esta carrera para un país o una institución que podría destinar sus recursos a otra cosa? Los datos apuntan a lo contrario. Desarrollar modelos fundacionales es una actividad de bajo margen, alto coste, largo plazo y gran incertidumbre. Las aplicaciones construidas sobre esos modelos, en cambio, pueden crear valor mucho más rápido y alcanzar la rentabilidad en mucho menos tiempo.
La verdadera batalla del ecosistema de la IA no se librará entre modelos fundacionales, sino entre los «agentes» que convierten esos modelos en funciones con sentido. La IA agéntica, es decir, los sistemas capaces de tomar decisiones autónomas y ejecutar tareas encadenadas hacia objetivos concretos, es hoy la capa tecnológica que madura más deprisa. Su rasgo distintivo es que no es una única llamada a la IA, sino un proceso. Imagina un sistema integrado que analiza las solicitudes de los clientes, las deriva al departamento adecuado, rellena los formularios necesarios e informa de la solución. Para ello no hacen falta ni los centros de datos de Google ni miles de millones de dólares. Hacen falta la arquitectura adecuada, conocimiento del sector y foco estratégico.
El poder de la especialización vertical: el uso más estratégico de la IA agéntica no pasa por modelos generales «que lo saben todo», sino por aplicaciones verticales que profundizan en un campo concreto y han interiorizado su estructura de datos, su terminología y sus flujos de trabajo. En sectores como el derecho, la salud, las finanzas, la logística o la agricultura, desarrollar «agentes específicos del sector» ofrece una ventaja competitiva seria y un modelo de negocio sostenible.
Podemos valorar los beneficios concretos de este enfoque en estos apartados:
Históricamente, las empresas tecnológicas necesitaban grandes plantillas de ingeniería para desarrollar productos. Ese panorama está cambiando de raíz. Las herramientas de IA agéntica permiten a equipos pequeños gestionar operaciones mucho mayores. Hoy es posible que un equipo de software de tres personas, con un producto construido sobre la infraestructura de agentes adecuada, haga el trabajo que antes asumía un departamento de cincuenta.
Esta transformación abre una ventana crítica para las startups con poco capital inicial y para las medianas empresas. La pesadez de las grandes organizaciones, la lentitud en la toma de decisiones de las plantillas grandes y la burocracia corporativa dejan un hueco de oportunidad importante para las estructuras ágiles. En este momento en que la competencia se redefine, la ventaja no está en la escala, sino en la velocidad y, sobre todo, en la especialización.
¿Cuál debería ser entonces la estrategia práctica ante este gran panorama? GPT-4o, Claude 3.5, Llama 3 o Gemini Ultra... Estos motores ya existen y son accesibles. En lugar de construirlos desde cero, desarrollar sobre ellos herramientas inteligentes que resuelvan los problemas de tu propio sector es un camino más eficiente y más sostenible. La verdadera ventaja competitiva no está en lo grande que sea el modelo, sino en qué problema resuelve, cómo y a qué velocidad.
Las soluciones generalistas que «lo hacen todo» se están masificando rápidamente en el mercado de la IA, y los márgenes se estrechan. En cambio, las soluciones verticales que comprenden a fondo los procesos de un sector concreto y se ajustan con datos propios de ese sector siguen siendo un terreno con poca competencia. Un agente de análisis de contratos para el sector jurídico, un sistema de evaluación de riesgos para las finanzas o una herramienta de optimización de ingresos para la agricultura muestran dónde están las oportunidades reales.
Llegados aquí, hay que abordar un asunto que el ecosistema de la IA deja en la sombra: buena parte de los conjuntos de datos usados para entrenar los modelos fundacionales se nutre de contenidos protegidos por derechos de autor. Periodistas, escritores, artistas visuales y músicos lo denuncian con voz cada vez más alta. Los litigios y debates legislativos en curso en varios países indican que este campo entrará pronto en un entorno jurídico aún más complejo.
La expresión «roba, pero funciona» resume la esencia del dilema: es evidente que la infraestructura actual de la IA crea una eficiencia y un valor enormes. Pero la legitimidad ética y jurídica de la base de datos sobre la que se construye ese valor sigue en discusión. La transparencia de las fuentes de datos y el uso de contenidos con licencia se convertirán en una ventaja competitiva seria y en una obligación legal en los próximos años.
Ante esta transformación histórica del ecosistema de la IA caben dos actitudes básicas: entrar en la arena de los gigantes y jugar su juego, o construir fuera de ella, en tu propio campo de especialización, soluciones ágiles y con valor añadido.
Los datos señalan el segundo camino. La carrera de los modelos fundacionales se juega ya en una liga cuyas reglas fijan unas pocas grandes empresas. Pero el terreno de los sistemas autónomos que usan estos modelos para resolver problemas del mundo real, respaldados por conocimiento sectorial, sigue abierto, sin competencia y en gran parte inexplorado. La pregunta es: ¿de qué lado vas a estar?
Quedad en la luz y el amor.
