Fosos en la era de las inundaciones: la hoja de ruta para construir ventaja competitiva cuando la IA lo inunda todo

Aatish Nayak plantea, en un extenso hilo publicado en X, una respuesta directa a la narrativa dominante en el sector de que los grandes laboratorios de IA —al batir récords de ingresos y absorber cada vez más capacidades— están a punto de "ahogar" a toda la capa de aplicaciones, dejando sin sentido la construcción de ventajas competitivas ("moats") de cara a la llegada de la AGI. Su tesis central se apoya en una metáfora hidráulica: los fosos defensivos son inútiles frente a una inundación, pero los diques y los canales que dirigen esa agua hacia los cultivos, los embalses y los hogares que de otro modo no la recibirían son infraestructura crítica. Según Nayak, la inteligencia artificial es un servicio público ("utility") con demanda ilimitada, y al igual que ocurre con el agua o la electricidad, la oportunidad de negocio no está en poseer el recurso bruto, sino en construir los sistemas que lo dispersen y lo conviertan en resultados reales. El mundo, argumenta, no quiere modelos y agentes en bruto: quiere problemas resueltos. La prima de valor recaerá sobre las empresas capaces de difundir esa inteligencia por cada rincón de la civilización, transformando tokens en resultados tangibles, y ese trabajo, sostiene, apenas ha comenzado.

Para sustentar por qué la mera existencia de modelos muy capaces no basta para transformar la economía, el autor recurre a un ejercicio mental: si en 2019 alguien hubiera visto un modelo del nivel de GPT-5.5+ u Opus 4.5+, lo habría calificado de AGI y habría dado por hecho que la economía ya estaría completamente transformada. Eso, señala, no ha sucedido, y atribuye el desfase a dos causas. La primera es un problema de contexto: el trabajo real acumula más estado, más excepciones y más historia de la que cabe en cualquier prompt, y a menudo ni siquiera las personas que realizan ese trabajo son capaces de describirlo con precisión en voz alta. La segunda es que el mundo real está profundamente entrelazado con lo humano: incentivos, aprobaciones, responsabilidad, casos límite, sistemas heredados y personas coordinándose con otras personas. Un país de genios encerrados en un centro de datos, dice, no podría gobernar un país; y aunque la automatización mejore drásticamente, las personas siguen prefiriendo escuchar, ver y trabajar con otras personas (nadie, recuerda, veía jugar al ajedrez a Deep Blue). Nayak apela también a la historia económica: la electricidad llegó a las fábricas en la década de 1880, pero no se reflejó en las estadísticas de productividad hasta la década de 1920, una vez que las fábricas se rediseñaron en torno a ella. Con internet y la IA, sostiene, la velocidad de adopción se ha comprimido en un orden de magnitud, pero el cambio institucional sigue yendo a la zaga. Ese desfase entre adopción y transformación real constituye, en su opinión, el mayor arbitraje disponible en la economía actual, aunque advierte de que la ventana para aprovecharlo solo estará abierta durante un tiempo limitado.

A partir de ahí, el autor propone una hoja de ruta de siete tácticas —advirtiendo de que, dada la competencia del mercado, probablemente no basta con ejecutar una sola, sino que hay que combinar la mayoría de ellas a lo largo del tiempo— tanto para startups nativas de IA como para incumbentes que se están reconvirtiendo.

La primera es orquestar una red multijugador. Nayak argumenta que los laboratorios estarán incentivados sobre todo a maximizar la productividad individual ("tokenmaxx"), porque es lo más fácil de escalar con un conjunto limitado de productos; pero eso, señala, limita el techo de mejora, porque una empresa vale más que la suma de sus empleados, y una organización más pequeña pero mejor coordinada puede superar a una más grande. La oportunidad está en dirigirse a mercados donde el coste de coordinación humana es más alto y construir productos que permitan a personas y agentes colaborar de principio a fin en esos flujos de trabajo, acumulando así un grafo de coordinación entre individuos, agentes, datos y organizaciones muy difícil de desplazar. Como ejemplo cita a Harvey, cuya propuesta orquesta la colaboración entre clientes de la lista Fortune 500 y sus bufetes de abogados.

La segunda táctica es acumular "gravedad de flujo de trabajo" (workflow gravity): convertirse en la fuente de confianza que acumula los datos del cliente —documentos internos, comunicaciones, conocimiento institucional, fuentes propietarias que los modelos generalistas nunca verán en su preentrenamiento— además de los datos de proceso, es decir, cada corrección, decisión y excepción que genera el uso real del producto. Nayak reconoce que los laboratorios también podrían hacer esto, pero apuesta a que la fragmentación del ecosistema de modelos y la necesidad de las empresas de cubrirse frente a un único proveedor hará que la capa de aprendizaje continuo acabe separándose de los propios modelos, abriendo una cuña para construir memoria y personalización. Cuanto más conocimiento se acumula sobre cómo opera realmente una porción concreta de la economía, más difícil resulta para cualquier otro actor escapar de esa órbita. Pone como ejemplo a Within (@tryklarity), que capta el trabajo latente de cada empleado para sugerir de forma proactiva oportunidades de automatización.

La tercera es dejar que los propios clientes sean dueños de su transformación. Nayak predice que, a partir del próximo año, la inteligencia se convertirá en un recurso gestionado y presupuestado como si fueran plantillas de personal, con el retorno medido contra métricas de negocio de alto nivel; y como cualquier recurso gestionado, los clientes querrán un control granular sobre él. El reto está en calibrar ese control: darles demasiado poco hace que nunca lo sientan propio; darles demasiado hace que acaben programando internamente su propia versión en lugar de aprovechar la del proveedor. La receta pasa por desplegar equipos junto a los del cliente, pero asegurándose de que este pueda seguir gestionando el sistema de forma autónoma una vez el proveedor se retira, apelando al llamado "efecto Ikea": la gente valora más lo que ayudó a construir. Cita como ejemplo a Applied Compute, que ofrece a las empresas una plataforma para crear su propia inteligencia.

La cuarta táctica consiste en contar la propia versión del futuro. Ante la incertidumbre generada por los lanzamientos rápidos de modelos, los conflictos globales, las nuevas rondas de financiación y las fusiones y adquisiciones, Nayak sostiene que lo más valioso que puede ofrecer una empresa es un relato específico y creíble de cómo será su sector dentro de cinco años, combinado con una identidad de marca propia que se filtre en las contrataciones, los clientes, los socios, los inversores y el público general; cuando todas las compañías tienen acceso a los mismos modelos, las decisiones singulares de producto, relaciones y narrativa generan una afinidad de marca que no se puede sustituir fácilmente. Como ejemplo menciona a Parallel, por su visión sobre el "segundo usuario" de la web y su identidad de marca retro.

La quinta es seguir escalando en la capa de abstracción. Del mismo modo en que la programación pasó de ensamblador a lenguajes compilados y de ahí a agentes, y pronto a la orquestación de equipos y organizaciones enteras de agentes, Nayak anticipa que algo parecido ocurrirá en dominios no técnicos, aunque a ritmos distintos según cuán verificable sea cada tarea. La parte inferior de la pila de capacidades queda devorada por la mejora de los modelos, y con ella todo lo que se haya construido específicamente para ese nivel; por eso recomienda evolucionar el producto para dirigirse primero al mando intermedio, luego al vicepresidente y finalmente a la alta dirección, verticalizando cada vez más la experiencia de usuario —por ejemplo, construyendo el "centro de mando" desde el que un responsable supervisa una flota de agentes como hoy supervisaría a un equipo humano— y estando dispuesto a desmontar la propia infraestructura sin sentimentalismos para subir de nivel antes de que la capa actual quede comoditizada. Cita el caso de Factory, que apostó pronto por el salto de los agentes de código individuales a la "fábrica de software".

La sexta táctica es vender lo que antes no era posible. Nayak observa que, hasta ahora, la forma de valorar el impacto de la IA en la cuenta de resultados ha estado atada al trabajo humano que sustituye —de ahí que muchas empresas nativas de IA sigan cobrando por asiento ("seat")—, pero el verdadero salto de valor está en aquello que antes estaba limitado por la mano de obra, la atención o la capacidad cognitiva humana, donde se producen los efectos de segundo y tercer orden de una inteligencia extremadamente barata. El autor predice que, en 2027, la conversación central en los consejos de dirección girará en torno al impacto de la IA en la cuenta de resultados de cada negocio, a medida que las compañías se vean obligadas a justificar una nueva partida de gasto en tokens e IA, que tendrá que traducirse en más ingresos o menos gasto operativo. Recomienda fijar precios en función de indicadores que el cliente ya utiliza para planificar —tickets cerrados, contratos procesados, fármacos que entran en fase de ensayo, siniestros resueltos, casos cerrados y, sobre todo, nuevos ingresos—, aunque reconoce que esto tardará en materializarse plenamente. Pone como ejemplo a Armadin, cuyos enjambres de miles de agentes realizan pruebas de penetración a una escala y frecuencia que ninguna consultora tradicional podría igualar.

La séptima y última táctica, que el autor considera la más difícil y en realidad la suma de todas las anteriores, es convertirse en una necesidad estructural. Dado que los grandes laboratorios se centrarán en productos de propósito general con los mercados direccionables más amplios —APIs de modelos, "compañeros de trabajo" corporativos y, eventualmente, mega-mercados como el farmacéutico—, la oportunidad para el resto consiste en posicionarse en aquello que los laboratorios no pueden hacer: ofrecer neutralidad entre opciones competidoras, actuar como capa de confianza entre la IA y sectores regulados, o ser una contraparte que pueda rendir cuentas de un modo que una simple API de modelo no puede. El capitalismo, sostiene, empuja a que este tipo de empresas existan porque el sistema no puede funcionar sin ellas; el objetivo es convertirse en una de ellas. Cita como ejemplo a Profound, que apuesta por que, incluso en un mundo con múltiples AGIs de consumo compitiendo entre sí, toda empresa necesitará una capa neutral que mida y module su visibilidad ante los clientes.

El ensayo cierra matizando que no se trata de negar el poder de los grandes laboratorios: Nayak espera que los modelos sigan volviéndose extraordinariamente más capaces y que tanto los laboratorios como las compañías de chips ganen cantidades de dinero enormes, llegando probablemente a convertirse en las mayores empresas del mundo, porque alguien tiene que cobrar el coste por token para recuperar las inversiones de capital. Pero insiste en que ese no es el verdadero debate: las plataformas se vuelven enormes y, aun así, el valor sigue acumulándose por encima de ellas, tal y como la nube no impidió que Stripe, Uber, DoorDash, Salesforce, Workday, ServiceNow o Shopify se convirtieran en negocios generacionales. La inteligencia abundante es, en su formulación, "la madre de todas las plataformas", y en torno a su difusión económicamente útil se está formando todo un ecosistema: las empresas que la diseminan, la infraestructura que las sirve, los estándares que fijan para sus sectores y las narrativas que construyen. El verdadero debate, concluye, es quién gana dentro de ese ecosistema, una disputa que se librará vertical por vertical, institución por institución, protagonizada mayoritariamente por compañías que no se parecerán en nada a los laboratorios de IA. El propio autor cierra agradeciendo las perspectivas de fundadores y responsables de una veintena de empresas del "app layer" —entre ellas Harvey, Rogo, Profound, OpenEvidence, Ramp, Sierra, Clay, Cognition o Applied Compute— que, según dice, están fijando el estándar emergente en esta capa de la economía de la IA.