Cuando cuatro aplicaciones piensan con el mismo cerebro
Las empresas llevan años construyendo portafolios tecnológicos que parecen diversificados. Herramientas distintas para ventas, operaciones, cumplimiento normativo, desarrollo de software, cadena de suministro. Proveedores diferentes. Contratos separados. Equipos propios. La arquitectura visible transmite independencia.
Pero hay una capa que la mayoría de los inventarios tecnológicos corporativos no captura: el modelo de inteligencia artificial que alimenta cada una de esas aplicaciones. Y si cuatro de esas diez herramientas están corriendo sobre el mismo modelo base, o sobre la misma familia de modelos, o sobre el mismo proveedor de API, entonces la diversificación que se ve en el organigrama no existe en el lugar donde se toman las decisiones. Existe en la envoltura, no en el razonamiento.
Esto es lo que una reciente publicación en el Forbes Technology Council denominó concentración cognitiva: el fenómeno por el cual organizaciones que operan con múltiples aplicaciones de inteligencia artificial terminan dependiendo del mismo sistema subyacente de conocimiento, con el riesgo de que un cambio o falla en ese sistema se propague silenciosamente a través de procesos de negocio aparentemente independientes. El artículo, escrito por una ejecutiva senior de tecnología en una institución financiera global, es un aviso de gestión de riesgos más que un reporte de crisis. Pero lo que describe como una hipótesis plausible tiene respaldo suficiente en la estructura del mercado actual como para tomarlo en serio.
El problema que no aparece en el tablero de operaciones
La concentración tecnológica clásica tiene una virtud inesperada: cuando algo falla, lo sabes. Si un proveedor de nube cae, los sistemas se detienen. Si un servidor principal falla, las alertas se disparan. La interrupción es visible, medible y tiene un reloj.
La concentración cognitiva no funciona así. El sistema puede seguir operando con total normalidad en términos técnicos mientras los juicios que produce han cambiado. Una actualización del modelo base puede modificar el peso que el sistema asigna a determinadas variables en un proceso de aprobación de crédito, en la clasificación de alertas de ciberseguridad, en la revisión de contratos legales, o en la generación de propuestas comerciales, y ninguno de esos cambios activa una alarma. El tablero permanece en verde. Las aplicaciones responden. Los usuarios trabajan. Y la organización está tomando decisiones correlacionadas basadas en un razonamiento que acaba de cambiar en todos los frentes al mismo tiempo.
Hay evidencia de mercado que convierte este escenario en algo más que especulación. Una encuesta del Banco de Inglaterra y la Autoridad de Conducta Financiera del Reino Unido realizada a 118 firmas financieras en 2024 encontró que los tres principales proveedores externos concentraban el 73% de los servicios de nube reportados y el 44% de los proveedores de modelos. En paralelo, el 55% de los casos de uso de inteligencia artificial en esas firmas involucraban algún nivel de toma de decisiones automatizada. Esos dos datos juntos trazan el contorno del riesgo: muchas decisiones automatizadas, pocos modelos reales debajo.
La estructura del mercado de modelos de lenguaje refuerza esa lectura. Estimaciones de Menlo Ventures sobre el gasto empresarial en inteligencia artificial generativa muestran que tres proveedores, Anthropic, OpenAI y Google, concentraban aproximadamente el 88% del gasto empresarial en modelos de lenguaje en 2025. No es un oligopolio ilegal ni un comportamiento anticompetitivo; es simplemente el estado de madurez del mercado en este momento. Pero combinado con la velocidad a la que las empresas están incorporando estas capacidades, el resultado matemático es una concentración real de inteligencia debajo de una apariencia de diversidad aplicativa.
El gasto empresarial en inteligencia artificial generativa pasó de 1.700 millones de dólares en 2023 a 11.500 millones en 2024 y 37.000 millones en 2025, según los mismos datos de Menlo. Esa velocidad de adopción significa que muchas organizaciones han incorporado dependencias profundas sin haber tenido tiempo de mapearlas con rigor. Las arquitecturas se construyeron rápido porque había presión para mostrar resultados. El inventario de dependencias cognitivas quedó para después. En la mayoría de los casos, ese después todavía no llegó.
Lo que cambia cuando el fallo es silencioso y correlacionado
Hay una distinción operativa que vale la pena articular con precisión porque es la que determina si este riesgo merece atención ejecutiva o puede delegarse al equipo de arquitectura.
La concentración de proveedores tradicional produce fallos de disponibilidad. La concentración cognitiva produce fallos de calidad de decisión. Son categorías de riesgo distintas con perfiles de detección completamente diferentes.
Un fallo de disponibilidad se detecta en minutos. Un fallo de calidad de decisión puede vivir en producción durante semanas o meses antes de que alguien lo identifique, y solo si existe algún mecanismo de evaluación comparativa que pueda detectar derivas. La mayoría de las organizaciones tienen protocolos robustos para el primer tipo. Para el segundo, la cobertura es escasa o inexistente.
El artículo menciona un escenario que merece atención específica: las actualizaciones de modelos. Cuando un proveedor lanza una nueva versión de su modelo base, las aplicaciones que corren sobre esa API heredan el cambio, a veces de forma transparente, a veces sin notificación clara. Si cuatro aplicaciones críticas comparten ese proveedor, cuatro procesos de negocio cambian simultáneamente. Algunos cambios serán neutros o beneficiosos. Pero si el nuevo modelo tiene una calibración distinta respecto a categorías de riesgo, tipos de transacciones o contextos específicos, el impacto puede ser significativo antes de que nadie lo haya medido.
Esto no es un escenario de baja probabilidad. Es la mecánica habitual de cómo funcionan los modelos como servicio. Los proveedores actualizan sus modelos con cierta periodicidad. Las organizaciones que consumen esos modelos vía API heredan esas actualizaciones dentro de los plazos contractuales que hayan negociado, que en muchos casos son mínimos. El riesgo no está en la mala fe del proveedor; está en la arquitectura de la dependencia y en la ausencia de controles de evaluación continua que detecten derivas.
El Comité de Política Financiera del Banco de Inglaterra publicó en abril de 2026 un análisis donde encontró que la inteligencia artificial avanzada aún no había sido adoptada de manera que presentara riesgo sistémico en el sector financiero, pero advirtió que esos riesgos podrían incrementarse rápidamente a medida que la implantación se expande. La secuencia importa: los controles se construyen más fácil antes de que las dependencias estén profundamente arraigadas. Una vez que ocho unidades de negocio dependen del mismo modelo para decisiones de alto impacto, el coste de instrumentar validación independiente es considerablemente más alto que si se hace mientras el sistema se diseña.
Por qué la mayoría de los inventarios tecnológicos no capturan esto
Una encuesta del Instituto de Valor para el Negocio de IBM realizada en 2026 a mil ejecutivos senior en 16 países encontró que el 91% admitía no entender completamente sus dependencias de inteligencia artificial entre proveedores, modelos e infraestructura. El 71% afirmó que cambiar su proveedor principal de inteligencia artificial o su modelo sería difícil. Esos dos porcentajes juntos describen una situación específica: organizaciones que han construido dependencias que no comprenden del todo y que serían costosas de revertir.
Parte de la explicación es estructural. Los inventarios tecnológicos tradicionales están organizados por aplicación o por proveedor de software. Capturan bien la capa visible: qué plataforma, de qué compañía, con qué contrato. Lo que no capturan es la capa de inteligencia subyacente: qué modelo base, de qué familia, con qué proveedor de cómputo, con qué datos de entrenamiento, con qué política de actualización. Esa capa es la que determina cómo razona el sistema, y es la que puede estar concentrada aunque las aplicaciones visibles parezcan diversas.
La otra parte de la explicación es de velocidad organizacional. La presión por mostrar casos de uso de inteligencia artificial operando en producción fue, en muchas organizaciones, mayor que la presión por documentar dependencias. Los equipos desplegaron rápido. Los controles de gobierno vinieron después, cuando venían. El resultado es que el inventario de aplicaciones es bastante completo en la mayoría de las empresas medianas y grandes, pero el inventario de dependencias cognitivas, modelos, familias de modelos, proveedores de API, fuentes de datos, sistemas de recuperación, no existe con el mismo nivel de detalle.
Esta no es una crítica a los equipos que tomaron esas decisiones. Bajo las restricciones de tiempo, recursos y presión competitiva que existían entre 2023 y 2025, moverse rápido fue muchas veces la elección correcta. El problema es que moverse rápido sin registrar las dependencias que se crean produce exactamente la situación que el 91% de los ejecutivos encuestados por IBM describió: dependencias que no se entienden del todo y que serían difíciles de cambiar.
La pregunta que los directorios deberían estar haciendo
El artículo de Forbes propone un instrumento analítico que denomina Índice de Concentración Cognitiva, una métrica que aún no tiene estándar de industria pero cuya lógica es directa: mapear qué modelos, qué proveedores de API, qué fuentes de cómputo y qué repositorios de datos comparten las aplicaciones de inteligencia artificial de la organización, cruzar esa información con la criticidad de los procesos de negocio que dependen de cada capa, y evaluar cuánto tiempo llevaría cambiar en un escenario de falla o degradación.
El valor del instrumento no está en el número que produce sino en el proceso que fuerza. Una organización que intenta construir ese mapa por primera vez descubre rápidamente qué sabe y qué asumía saber sobre sus dependencias. Esa diferencia, entre lo documentado y lo asumido, es donde suele vivir el riesgo.
Hay tres variables que determinan cuándo la concentración cognitiva pasa de ser una incomodidad arquitectónica a ser un problema de gobierno ejecutivo. La primera es la criticidad del proceso: concentración en aplicaciones de marketing de bajo riesgo con alternativas disponibles es un problema menor; concentración en sistemas de suscripción, aprobación de crédito, detección de fraude o decisiones de precios es una prioridad distinta. La segunda es la velocidad de sustitución: cuánto tiempo lleva efectivamente cambiar de modelo o proveedor en un proceso de negocio real, no en teoría, sino probado en un ejercicio de continuidad. La tercera es la capacidad de detección de derivas: si la organización tiene o no mecanismos para identificar que un modelo cambió su comportamiento antes de que ese cambio produzca daño medible.
McKinsey reportó en su encuesta global de 2026 que el 28% de las organizaciones destinaba más del 10% de su presupuesto de tecnología e información a inteligencia artificial. Cuando la inversión alcanza ese nivel, la dependencia deja de ser experimental y pasa a ser estructural. Una dependencia estructural que no está mapeada, evaluada y con protocolos de continuidad es exactamente el tipo de riesgo que los directorios están obligados a entender, aunque la mayoría todavía no tenga el marco conceptual para formularlo con precisión.
La diversificación de aplicaciones fue una decisión de compra. La resiliencia cognitiva es una decisión de arquitectura. Son dos decisiones diferentes que muchas organizaciones confundieron porque una era visible y la otra no. Corregir esa confusión a tiempo, mientras las dependencias todavía son modificables, es considerablemente menos costoso que hacerlo después de que un cambio de modelo propagado a través de ocho procesos de negocio simultáneos obligue a hacerlo en modo de crisis.
