La IA no mató el software empresarial. Lo separó en ganadores y perdedores estructurales
Hay una narrativa que domina las conversaciones en las juntas directivas y en los fondos de capital de riesgo desde hace dos años: la inteligencia artificial devorará el software empresarial de la misma forma en que el software devoró los modelos analógicos de negocio. Es una imagen poderosa. Y como toda imagen poderosa que circula sin fricción, merece que alguien le aplique presión antes de que dicte decisiones de inversión con consecuencias reales.
Charlie Gottdiener, CEO de Anaplan, publicó recientemente en Fortune un ensayo que propone una lectura distinta. Su tesis no es que la IA no cambiará el software. Es que el cambio no será horizontal ni democrático: será una selección, un proceso de clasificación que amplificará a ciertos vendedores mientras vuelve redundantes a otros. Para Gottdiener, la variable decisiva no es la tecnología en sí, sino la naturaleza de lo que cada capa de software calcula o representa.
Lo que sigue no es una defensa de esa tesis ni una refutación. Es una auditoría de su lógica comercial.
---
El modelo de tres capas y lo que realmente está en disputa
Gottdiener propone que la arquitectura empresarial de software está fracturándose en tres niveles con roles distintos. En la cima, los modelos de lenguaje de gran escala actúan como interfaz conversacional universal. En el fondo, lo que él llama el Protocolo de Contexto de Modelo ejecuta comandos hacia los sistemas existentes. En el medio, la capa que él llama Autoridad de Dominio Determinístico —su término para los motores de cómputo gobernados, auditables y reproducibles— es donde, según su argumento, residirá el valor defensible.
La distinción técnica que sostiene ese argumento es precisa: un modelo de lenguaje es probabilístico. Genera respuestas que varían según el patrón estadístico, no según una lógica de cómputo fija. Cuando una empresa necesita saber el impacto exacto de una modificación en su plan financiero, o calcular el efecto de un cambio en la estructura de compensaciones sobre el costo laboral total, la probabilidad no alcanza. Se necesita un motor que produzca el mismo resultado ante los mismos datos, cada vez, bajo cualquier condición de auditoría regulatoria o fiscal.
Esa limitación de los modelos de lenguaje es real, documentada y no está en disputa técnica seria. Lo que sí está en disputa es qué ocurre con las capas de software que no viven en ese espacio determinístico.
El diagnóstico de Gottdiener sobre las herramientas de inteligencia de negocios y visualización de datos es específico y tiene peso: si el valor principal de un producto era permitirle a un usuario formular preguntas sobre sus datos en lenguaje natural y recibir una respuesta visual, ese producto compite ahora contra una interfaz conversacional integrada en el sistema operativo de trabajo. No en tres años. Hoy. La barrera de entrada para replicar esa funcionalidad básica colapsó.
Lo mismo aplica, aunque con matices, a las herramientas de automatización de flujos de trabajo que no poseen cómputo propio: mueven datos entre sistemas, pero no son la fuente de verdad de ninguno. Cuando un modelo de lenguaje puede orquestar esas integraciones directamente mediante instrucciones en lenguaje natural, la capa intermedia pierde su argumento de existencia.
Donde el análisis se vuelve más interesante, y más susceptible de escrutinio, es en la otra mitad de la clasificación.
---
El foso que Gottdiener propone y lo que no dice de él
Gottdiener sostiene que los motores de planificación empresarial, los sistemas de registro de recursos humanos, los sistemas de gestión de clientes y las bases de datos regulatorias especializadas son los sobrevivientes estructurales. La razón: poseen verdad computacional gobernada. La fecha de contratación de un empleado, el monto de una negociación cerrada, la dosis máxima permitida de un compuesto farmacéutico. Esos son hechos, no sugerencias. Y un modelo de lenguaje no puede fabricarlos ni validarlos con la precisión que exige una auditoría.
Ese argumento tiene solidez técnica. Pero introduce una trampa que Gottdiener reconoce parcialmente y luego no desarrolla del todo.
Si el valor de un motor determinístico es la precisión computacional dentro de un dominio, y si ese motor puede ser replicado por otro proveedor que ofrezca la misma precisión a menor costo, entonces el modelo de lenguaje —que actúa como interfaz universal— será indiferente entre proveedores. El foso no está en el motor. Está en el modelo específico que el cliente ha construido dentro de ese motor.
Gottdiener lo dice: la ventaja real es el modelo de planificación o de operaciones que una empresa particular ha codificado en la plataforma a lo largo de años. Migrar ese modelo a un sistema competidor no es una exportación de datos. Es volver a construir la lógica institucional desde cero. Eso duele, y ese dolor es lo que retiene al cliente.
Aquí es donde conviene separar la narrativa del hallazgo comercial. Porque lo que Gottdiener está describiendo, sin nombrarlo así, es un mecanismo de retención basado en costo de sustitución acumulado, no en superioridad técnica continua. Es un argumento de stickiness, no de innovación permanente. Eso no lo invalida. Pero cambia radicalmente cómo debe leerse la propuesta de valor para un cliente que todavía no ha comenzado la implementación.
Un comprador que aún no está atado a ninguna plataforma debe preguntarse —y aquí el análisis de Gottdiener no lo ayuda demasiado— cuánto del valor que recibirá proviene del motor en sí, cuánto proviene de la profundidad de su propio modelo construido en el tiempo, y cuánto proviene de la integración con el ecosistema de modelos de lenguaje que vendrá. Esas son tres propuestas de valor con estructuras de costo y de retención radicalmente distintas.
---
La variable que no aparece en el argumento visible
Gottdiener escribe desde una posición de conflicto de interés que declara con honestidad: Anaplan es, según su propia descripción, exactamente el tipo de plataforma que su marco teórico declara ganadora. Eso no descalifica el análisis, pero obliga a leerlo con mayor atención sobre lo que no dice.
Lo que no aparece en el texto es la dinámica de precios en un mercado donde los motores determinísticos se multiplican. Si el modelo de lenguaje actúa como interfaz neutral y selecciona el motor más preciso al menor costo, el precio de los motores determinísticos tenderá a caer conforme más proveedores los ofrezcan. La competencia no desaparecerá porque el cómputo sea preciso. Se trasladará a otro nivel: quién ofrece la misma precisión con mejor rendimiento y menor costo de implementación inicial.
En ese escenario, la única defensa durable no es el motor, sino la profundidad del modelo institucional del cliente. Lo que significa que el valor del proveedor se concentra progresivamente en la fase de implementación y construcción del modelo, no en la licencia del software en sí. Eso tiene consecuencias directas sobre los márgenes y sobre la estructura de ingresos: si el valor está en el servicio profesional y en la complejidad del modelo construido, el negocio se parece cada vez más a una consultoría con plataforma propia que a un producto de software con márgenes altos y crecimiento por expansión de licencias.
Ese giro no necesariamente es malo. Pero tampoco es el relato que circula cuando se habla de plataformas SaaS con valuaciones de software puro.
La otra ausencia notable es la velocidad de mejora de los propios modelos de lenguaje en tareas de razonamiento matemático y lógico. Gottdiener asume que la limitación probabilística de los modelos de lenguaje es estructural y permanente para el cómputo empresarial complejo. Esa asunción puede ser válida hoy. Puede no serlo en cuatro años. Las mejoras en razonamiento formal de los modelos de nueva generación son consistentes y documentadas. Si esa brecha se cierra parcialmente, la dependencia de motores determinísticos externos se reduce, y con ella, la premisa central del argumento.
---
Lo que separa un foso estructural de una narrativa que se autoconfirma
El argumento de Gottdiener no es humo. Identifica una distinción técnica real —cómputo determinístico frente a inferencia probabilística— y la conecta correctamente con una necesidad empresarial concreta: la auditoría, la precisión regulatoria y la reproducibilidad en decisiones financieras y operativas de alto impacto.
Donde el argumento requiere más trabajo no es en su premisa técnica, sino en su arquitectura comercial proyectada. La retención por costo de sustitución acumulado es poderosa, pero opera en empresas ya implementadas. La propuesta de valor para un comprador nuevo es más frágil de lo que el marco sugiere, porque ese comprador puede elegir implementar con mayor cautela, con menor profundidad de modelo inicial, y con más opciones de salida. La presión de precios sobre los motores determinísticos aumentará conforme la categoría madure. Y la mejora continua de los modelos de lenguaje en razonamiento complejo seguirá estrechando el espacio donde la delegación a un motor externo es obligatoria.
Lo que sí queda claro, y merece tomarse sin reservas, es el diagnóstico sobre las capas de software basadas principalmente en experiencia de usuario y visualización. Esas capas no tienen un argumento de retención basado en cómputo propio. Su moat era la interfaz, y la interfaz ya tiene un sustituto más conveniente. No es que vayan a desaparecer mañana. Es que su capacidad de sostener precios y retención sin transformar su propuesta de valor hacia cómputo o datos gobernados se deteriora a cada trimestre que pasa.
La IA no está comiendo el software empresarial de manera uniforme. Está aplicando una presión asimétrica que favorece a quienes poseen cómputo gobernado y penaliza a quienes vendían principalmente acceso cómodo a datos que otros calculaban. Esa separación no la inventó Gottdiener. La aceleró la IA. Y las empresas que todavía no han auditado en cuál de los dos lados de esa línea vive su proveedor actual tendrán que hacerlo antes de renovar su próximo contrato.
