AGI empresarial: OpenAI promete 'Astra' mientras el 78% de las juntas en LatAm no gobierna la IA

Por Zendoric · 5 de septiembre de 2026.

Sam Altman ha dicho que OpenAI lanzará antes de que acabe 2026 un sistema que la compañía considera AGI (inteligencia artificial general, la capacidad de razonar a nivel humano en múltiples dominios), con nombre en clave Astra y capaz —según su propia descripción, recogida por Geeky Gadgets— de resolver problemas matemáticos abiertos y de investigar de forma independiente más rápido que un equipo humano. Es un titular potente. Pero el CEO de IBM, Arvind Krishna, ha dicho casi lo contrario: las probabilidades de que los grandes modelos de lenguaje actuales conduzcan directamente a la AGI están "cerca de cero". Ambas frases pueden ser ciertas a la vez porque describen cosas distintas: una promesa de producto y una valoración de la arquitectura técnica.

Para quien dirige una empresa, ese debate es secundario. Lo urgente, plantea el analista Dave Vellante (cofundador de SiliconANGLE), es otro asunto: la inteligencia general de un modelo frontera será un commodity, lo que él llama "comunismo de datos" —todos accediendo a la misma capacidad empaquetada, sin diferenciación—. La ventaja competitiva no está en qué modelo contratas, sino en si conviertes los datos, procesos y conocimiento tácito de tu organización en un activo gobernado sobre el que los agentes puedan razonar. Es el concepto que Vellante bautiza "Enterprise AGI" ("capitalismo de datos"), y que compañías como Databricks ya empaquetan en producto: su capa semántica Genie Ontology aprende de los registros de consultas, las definiciones de métricas y las correcciones de los usuarios para construir un mapa de cómo opera realmente el negocio.

Latinoamérica es el laboratorio donde esa tesis se puede medir con datos. El informe 'State of AI in Latin America', del fondo Hi Ventures (dirigido por Jimena Pardo y Federico Antoni) y recogido por El Español, sitúa la adopción regional en el 71% de las corporaciones con IA ya integrada en algún equipo o función; otro 23% la usa solo para productividad individual, y apenas el 5% no la ha explorado todavía. El dato más interesante está en la brecha entre startups y grandes corporativos: el 53% de las startups ya tiene agentes en producción, frente al 30% de las grandes corporaciones, y un 99% de esas startups usa IA internamente (78% la ha incorporado a su producto principal). El detalle de contexto no es menor: el 62% de esas startups tiene diez empleados o menos. En el índice de preparación para la IA del mismo informe, Chile lidera con 72,5 puntos, seguido de Argentina (71), Brasil (70,2), México (67,5) y Colombia (53,1).

La directora senior de IA y Cloud de Oracle, Sandra Daza, resumió la paradoja regional en el panel de El Español que acompañó el informe: "América Latina está superando a Estados Unidos en el consumo de ciertos servicios habilitados por modelos de lenguaje (...) la barrera ya no es la tecnología". Es una observación real sobre adopción, aunque conviene no confundir "consumo" con "capacidad instalada": usar un modelo frontera vía API es barato y accesible con un móvil; construir el activo de datos gobernado del que habla Vellante exige inversión e ingeniería que la mayoría de esas mismas startups todavía no ha hecho.

Y ahí aparece el problema real del artículo, más relevante que la etiqueta AGI: la velocidad de adopción no tiene correlato en gobernanza. Según el Board Index 2026 de Diligent —citado por Infobae y por KPMG en el encuentro de ASCLA en Lima—, apenas el 22% de los directorios tiene una política formal de gobernanza de IA. Dicho de otra forma: el 78% restante despliega agentes que ya actúan sobre datos de clientes o deciden con cierta autonomía sin una política formal que defina quién responde cuando algo falla.

Esa autonomía, no la inteligencia del modelo, es el verdadero punto de inflexión, argumenta Dave Link, CEO de ScienceLogic, en Forbes: la pregunta que separa a quien escala IA de quien se queda en pilotos no es cuán lista es el modelo, sino cuánta decisión real se le delega dentro de sistemas críticos. Satya Nadella sostiene una idea próxima: el éxito se medirá en flujos de trabajo mejorados, no en hitos de razonamiento. Los propios datos de adopción en la región lo confirman: entre las grandes corporaciones, el 40% mantiene supervisión humana directa y solo el 5% opera de forma plenamente autónoma; el resto se mueve en un término medio de autonomía acotada.

Hay un criterio concreto para decidir dónde ceder esa autonomía, y lo aportó un caso de la propia región: Iván Herrero Bartolomé, Chief Data Officer de Grupo Intercorp, presentó en el panel de ASCLA datos internos de la compañía —en procesos repetitivos de complejidad baja o media, la IA registró una tasa de error de entre el 5% y el 8%, frente al 10%-12% de los mismos procesos ejecutados por personas. Es un método replicable y más útil que cualquier debate sobre si un modelo "es o no" AGI: medir el error de forma comparativa, proceso por proceso, antes de automatizar.

Aquí conecta con algo que venimos repitiendo en Zendoric: la etiqueta "AGI" funciona sobre todo como herramienta de relato corporativo —de recaudación de capital y de titulares— más que como hito técnico verificable, y conviene separar siempre la capacidad demostrada de la promesa de producto. Lo que sí es verificable, y lo que de verdad decide quién gana la próxima década, es más aburrido y más importante: quién gobierna sus propios datos, quién mide el error en vez de asumirlo, y quién asigna un responsable humano a cada sistema que actúa solo. En eso, y no en la fecha de lanzamiento de Astra, se juega la ventaja competitiva real.

A corto plazo, el vacío de gobernanza que retrata el Board Index de Diligent es un riesgo genuino, no un matiz: cuantos más agentes operan sobre datos sensibles sin una política formal detrás, mayor es la superficie de ataque, y una brecha de seguridad en ese entorno no solo compromete datos, también puede manipular decisiones ya automatizadas. Las startups —más pequeñas, sin décadas de sistemas heredados— tienen aquí una ventaja estructural real: pueden diseñar sus procesos asumiendo agentes desde el primer día, algo que ninguna gran corporación replica de la noche a la mañana. A largo plazo, ese mismo patrón —un microempresario con un teléfono móvil que dispone hoy de una potencia de cálculo comparable a la de una gran corporación hace cinco años, en palabras de Paqui Casanueva (presidenta del consejo de Endeavor)— es exactamente la clase de compresión de costes que sostiene la tesis de la abundancia: cuando construir y gobernar inteligencia deja de requerir capital masivo, la ventaja se desplaza del tamaño de la empresa a la calidad de sus decisiones. La condición, seguimos insistiendo, es que la gobernanza no se quede definitivamente rezagada respecto a la adopción.