En febrero de 2021, una ciudad de Rajastán transformó un vertedero abandonado en una planta de biometanización capaz de procesar 20 toneladas de residuos orgánicos por día. El resultado no fue solo gas comprimido para cocinas y vehículos. Fue la demostración de que la dependencia de un sistema de gestión de residuos roto puede romperse, pero solo si alguien construye primero la arquitectura que lo reemplaza.
Durante años, la conversación sobre riesgos de inteligencia artificial giró alrededor de un mismo eje: el modelo alucina, inventa cifras, cita fuentes que no existen, confunde hechos. Era un problema real, costoso en algunos casos, vergonzoso en otros. Pero era, en el fondo, un problema de calidad del output. Esa época está terminando, no porque las alucinaciones hayan desaparecido, sino porque el contexto en el que opera la IA cambió de naturaleza.
Hay un patrón que se repite en las organizaciones que llevan dieciocho meses desplegando agentes de inteligencia artificial: saben que los sistemas funcionan, porque los vieron funcionar en la demo. Lo que no saben es si siguen funcionando hoy, en producción, sobre los datos de sus clientes, dentro de los flujos que importan. Esa distancia entre la certeza del piloto y la opacidad del entorno real es donde se pierden los presupuestos, la confianza y el tiempo que nadie tiene.
Hay un patrón que se repite cada vez que una industria anticipa su propio futuro: el dinero serio no llega al producto final, llega a quien fabrica las partes que ese producto necesitará. Así pasó con los semiconductores antes del boom del PC. Ahora, mientras las imágenes de robots humanoides circulan en ferias y conferencias de tecnología, cuatro bancos de inversión de primer nivel apuntan a una empresa china fabricante de cajas de engranajes que la mayoría de los lectores nunca ha escuchado nombrar.
La cifra es difícil de ignorar: el 95% de los pilotos empresariales de inteligencia artificial generativa no produce ningún impacto financiero medible. No es una estimación pesimista de analistas críticos de la tecnología. Es el hallazgo central del reporte The GenAI Divide: State of AI in Business 2025, elaborado por la iniciativa NANDA del MIT, con base en cerca de 300 implementaciones públicas y más de 150 entrevistas ejecutivas.
El 13 de agosto de 2026, IBM anunció una alianza amplia con OpenAI que va bastante más allá de un comunicado de prensa conjunto. La compañía creará una práctica dedicada de OpenAI dentro de IBM Consulting, integrará modelos como GPT-5.6, Codex y ChatGPT Work en su plataforma IBM Consulting Advantage, y certificará a decenas de miles de consultores en tecnologías de OpenAI durante los próximos meses. Los términos financieros no se divulgaron, pero la escala del movimiento interno habla por sí sola: no es un piloto, es una apuesta de infraestructura humana.
Hace dos años, la mayoría de los directivos que conozco discutían sobre qué modelo de lenguaje elegir. Hoy, los que ya tomaron esa decisión —y aun así no pueden justificar una segunda ronda de inversión— empiezan a entender que el problema nunca fue el modelo. Fue la medición. El sector empresarial lleva varios años adoptando inteligencia artificial a ritmo acelerado, pero solo un tercio de las organizaciones ha comenzado a escalarla con consistencia.
La robótica autónoma lleva años prometiendo una ruptura que nunca termina de llegar a escala industrial. No por falta de algoritmos ni de ambición, sino porque el hardware que los robots necesitan para funcionar en entornos no estructurados exige una combinación de procesamiento que rara vez viene integrada en un solo sistema accesible. AMD acaba de apostar a que puede resolver esa ecuación con el Kria AI Robotics Developer Platform, anunciado en Advancing AI 2026 en San Francisco.
Hay un momento en el que la acumulación de pilotos de inteligencia artificial deja de parecer ambición y empieza a parecer desorden. Ese momento llegó a muchas grandes empresas en 2026, y la señal más clara no fue un colapso tecnológico ni un fracaso de modelo. Fue algo más mundano y más difícil de defender en una reunión de directorio: el consumo de tokens corrió por delante del presupuesto sin generar valor proporcional.
Durante décadas, la imagen del robot industrial fue la misma: una máquina de brazos metálicos, potente y veloz, encerrada detrás de una jaula de acero mientras los humanos observaban desde afuera. Esa imagen no es metáfora de atraso. Es una decisión de ingeniería que persiste porque los sistemas de seguridad disponibles no han podido sostener otra cosa.
Hay un momento particular en la adopción de tecnología empresarial donde el entusiasmo se convierte en obligación contable. Con los agentes de inteligencia artificial embebidos en productos corporativos, ese momento llegó antes de lo que la mayoría de los equipos técnicos anticiparon, y el mecanismo que lo disparó no fue el modelo de lenguaje equivocado ni la falta de datos. Fue una decisión de arquitectura que nadie presentó como decisión.
Toshio Fukuda lleva cincuenta años en esto. Más de dos mil artículos publicados. Robots modulares que se ensamblan como piezas de Lego biológico. Cuando IEEE le entregó el Premio Richard M. Emberson 2026 —uno de los honores más altos del instituto— no estaba reconociendo un invento puntual. Estaba reconociendo a alguien que, durante décadas, construyó la infraestructura intelectual sobre la que opera la robótica moderna.
La mayor fricción en la adopción de inteligencia artificial empresarial no es técnica. No está en los modelos, ni en la calidad de los datos, ni en la capacidad de cómputo. Está en el contrato. Mientras las organizaciones invierten cientos de millones en implementaciones de IA esperando retornos estructurales, la mayoría sigue firmando acuerdos que premian el tiempo invertido, no el impacto generado.
Hay una secuencia de decisiones que se repite con sorprendente consistencia en empresas grandes con presupuestos de transformación digital cuantiosos: identifican un proceso que les genera fricciones, contratan tecnología de automatización, despliegan la herramienta sobre el flujo existente y reportan avances. Los tableros ejecutivos muestran velocidad. Las presentaciones de comité hablan de eficiencia. Y seis meses después, los mismos problemas reaparecen, ahora empaquetados en un sistema más difícil de desmontar.
Hay una escena que los equipos de producto de inteligencia artificial conocen demasiado bien. Un usuario pasa veinte minutos construyendo contexto con un asistente: presupuesto, restricciones dietéticas, fechas que no pueden moverse, preferencias de su familia. Luego, tres turnos después, el sistema actúa como si esa conversación nunca hubiera ocurrido.
La historia de la inteligencia artificial empresarial puede medirse en capas. Primero llegaron las bases de datos vectoriales, que permitieron hacer búsquedas por similitud semántica sobre grandes volúmenes de texto. Ahora Databricks está apostando a que esa arquitectura no es suficiente.
Hay una imagen que condensa bien lo que está ocurriendo en el South Side de Chicago: donde antes había hornos de acero del complejo U.S. Steel South Works, hoy hay grúas levantando un edificio de 65,000 pies cuadrados de aluminio plateado. Adentro, cuando esté listo, operará lo que PsiQuantum describe como el sistema de prueba a escala intermedia más grande que la compañía haya construido jamás. Afuera, el gobernador Jay Robert Pritzker llama a todo esto 'la próxima Silicon Valley'.
Tarde del viernes. Un comunicado de Anthropic aterriza en los buzones de sus socios globales con el tono neutro y contenido de una notificación de mantenimiento de sistema. El texto anuncia que los modelos Fable 5 y Mythos 5 quedan suspendidos para todos los nacionales extranjeros, incluidos los propios empleados de la compañía que no tengan ciudadanía estadounidense. India, que tanto Anthropic como OpenAI describen como su segundo mercado más grande después de los Estados Unidos, acababa de descubrir algo que sus fundadores, inversores y funcionarios preferían mantener en el terreno de la abstracción: el acceso a las herramientas que sostienen buena parte de su apuesta tecnológica puede cerrarse con una llamada de Washington, sin audiencia previa y sin calendario de restauración definido.
Hay una distancia enorme entre saber que algo va a cambiar todo y moverse como si eso fuera verdad. La computación cuántica lleva décadas viviendo en ese limbo: lo suficientemente real para aparecer en presupuestos de investigación, lo suficientemente lejana para no alterar ninguna rutina operativa. Ese limbo está cerrándose, y la respuesta organizacional mayoritaria sigue siendo la misma que al principio: esperar.
El crecimiento de la infraestructura de carga para vehículos eléctricos tiene un problema de fondo que rara vez aparece en los titulares: cada nuevo cargador instalado es también un nuevo punto de entrada a la red eléctrica. Un equipo de investigadores de la Universidad de Málaga acaba de publicar una propuesta que pone ese problema sobre la mesa con más claridad que cualquier comunicado de fabricante o regulador europeo en los últimos años.
Hay una diferencia entre una demostración que asombra en una sala de juntas y un sistema que funciona de lunes a viernes sin que alguien tenga que rescatarlo. La industria de la inteligencia artificial lleva dos años construyendo lo primero con una destreza que no ha logrado trasladar a lo segundo. Y la razón no está en los modelos, que son cada vez más potentes.
Hay un momento en cualquier tecnología emergente donde la pregunta deja de ser 'si funcionará' y pasa a ser 'quién define cómo se fabrica a escala'. Para las computadoras cuánticas, ese momento está más cerca de lo que la mayoría de los ejecutivos fuera del sector tecnológico cree, y el campo donde se está librando esa batalla no es el que más cobertura ha recibido.
Sam Altman subió al escenario del evento empresarial de OpenAI el 2 de junio de 2026 con una estadística diseñada para impresionar: el mayor consumidor interno de tokens de su compañía procesa alrededor de 100 mil millones de tokens al mes. Luego Altman agregó, casi de pasada, que ese número no es el récord mundial, porque alguien fuera de OpenAI consume incluso más. Y ahí, sin proponérselo del todo, describió con precisión el problema que está fracturando la economía de la inteligencia artificial a escala corporativa.
Hay un momento preciso en que una tecnología deja de ser novedad y empieza a ser herramienta. Para la inteligencia artificial generativa en contenidos, ese momento está ocurriendo ahora, y la señal más clara no vino de un laboratorio de Silicon Valley sino de tres creadores en un escenario de San Francisco.