El Pentágono aprendió a transformarse con IA. Las empresas siguen repitiendo sus errores previos
Hay un dato que debería incomodar a cualquier ejecutivo que haya aprobado un presupuesto de inteligencia artificial en los últimos dos años: Estados Unidos, el país que fabrica los modelos más potentes del mundo, ocupa el puesto 24 en adopción global de IA. Su tasa es del 28,3%. Singapur está en 61%. Los Emiratos Árabes, en 54%. Goldman Sachs registró que la inversión en IA aportó "prácticamente cero" al crecimiento del PIB estadounidense durante 2025. El problema no es tecnológico. Nunca lo fue.
Drew Cukor lo sabe mejor que casi nadie. Como coronel retirado de los Marines y fundador del Proyecto Maven, el programa con el que el Departamento de Defensa integró IA en sus flujos operativos más complejos, Cukor construyó desde adentro lo que muchos consideraban imposible: demostrar que software comercial podía funcionar dentro de la burocracia más grande del planeta y producir resultados que los sistemas anteriores no podían alcanzar. Hoy, desde su firma TWG AI, observa cómo las empresas estadounidenses cometen, punto por punto, los mismos errores que el Pentágono casi cometió antes de que Maven funcionara.
Su diagnóstico, publicado en Fortune el 11 de mayo de 2026, coincide con un momento singular: dos días después, el Departamento de Defensa anunció acuerdos con ocho empresas tecnológicas —Amazon Web Services, Google, Microsoft, OpenAI, SpaceX, NVIDIA, Reflection y Oracle— para desplegar capacidades de IA de frontera en sus redes clasificadas de nivel IL6 e IL7. El Pentágono no está debatiendo si adoptar IA. Está ejecutando.
La brecha que separa construir de integrar
El índice de Stanford 2026 sobre inteligencia artificial no describe un fracaso de investigación. Describe un fracaso de implementación. Estados Unidos lidera en benchmarks, en inversión en modelos y en capacidad de cómputo. Pero esa ventaja no se traduce en uso operativo porque las organizaciones que deberían desplegar esa tecnología no han cambiado su arquitectura interna para recibirla.
Cukor introduce aquí una distinción que vale más que la mayoría de los marcos estratégicos que circulan en conferencias de C-suite: la diferencia entre organización aumentada con IA y organización nativa de IA. No es semántica. Es la diferencia entre pegar un motor nuevo en una estructura vieja y reconstruir la estructura desde el diseño pensando en ese motor.
Cuando el Pentágono lanzó Maven, no lo trató como un experimento tecnológico ni como un piloto acotado. Los líderes senior lo asumieron personalmente y pelearon por él dentro de la burocracia. Se desmantelaron flujos de trabajo, no se les adosó software encima. El único indicador que importaba era operacional: qué podían hacer los soldados que antes no podían hacer. Esa disciplina es lo que lo hizo funcionar. Y esa disciplina es exactamente lo que falta en la mayoría de los programas corporativos de IA que existen hoy.
La iniciativa china "AI Plus" opera con una lógica estructuralmente similar a la de Maven, aunque desde el lado opuesto del espectro político. Beijing no está construyendo modelos para competir en rankings. Está embebiendo IA en manufactura, logística, investigación científica, salud y educación con datasets industriales específicos y agentes diseñados para flujos concretos. No debate control ni contención. Despliega. Esa diferencia de velocidad entre la potencia de invención estadounidense y la capacidad de integración china es la brecha que Cukor señala como el riesgo competitivo central de esta década.
Tres fallas que el Pentágono casi no sobrevive
Cukor identifica con precisión los tres errores que convirtieron a Maven en una transformación posible, porque estuvieron a punto de no ocurrir.
El primero es la delegación sin propiedad. En demasiadas corporaciones, la estrategia de IA se delega a un Chief AI Officer o a un laboratorio de innovación. Esas estructuras están diseñadas, aunque nadie lo admita, para señalizar progreso sin amenazar la distribución de poder existente. El resultado es lo que Cukor llama "el purgatorio del piloto": proyectos que nunca mueren porque nadie los mató, pero tampoco escalan porque nadie los empujó de verdad. Maven funcionó porque los líderes senior no delegaron la propiedad del problema. La asumieron.
El segundo error es superponer IA sobre procesos heredados. Hay una forma de usar IA que garantiza resultados mediocres: tomar el flujo de trabajo actual y agregarle un modelo. Las ganancias de eficiencia serán marginales porque la estructura que genera el cuello de botella permanece intacta. Si después de lanzar una iniciativa de IA el organigrama, las cadenas de aprobación y el ritmo operativo de la empresa son los mismos que antes, no ha ocurrido ninguna transformación. Ha ocurrido una decoración.
El tercer error es medir actividad en lugar de resultados. Modelos entrenados, pruebas de concepto completadas, alianzas anunciadas: esos son indicadores de movimiento, no de impacto. Maven se medía por lo que los operativos podían hacer que antes no podían. Esa es la única pregunta que importa en un programa de IA que pretende cambiar algo.
Estos tres errores no son accidentes de ingeniería. Son accidentes de gobernanza. Nacen de organizaciones que quieren la imagen de la transformación sin asumir el costo político interno que implica desmantelar lo que existe.
Lo que el anuncio del 13 de mayo revela sobre ejecución real
El acuerdo que el Departamento de Defensa anunció el 13 de mayo de 2026 con ocho empresas tecnológicas para operar en redes clasificadas IL6 e IL7 no es simplemente una noticia de contratos. Es una señal sobre qué tipo de institución puede escalar IA en condiciones de máxima complejidad y restricción.
Que el Pentágono, históricamente conocido por sus fracasos en adquisición de software, haya logrado articular una plataforma de IA funcional en entornos de máxima clasificación es, en sí mismo, un caso de madurez estructural. No de tecnología. El CTO del Departamento de Defensa unificó el proceso bajo una estructura de alineación empresarial, como describen los análisis del programa. Eso significa que alguien tomó la decisión de romper los silos que históricamente impidieron que los sistemas tecnológicos del Pentágono funcionaran de forma coherente.
La lección que ese movimiento ofrece para el sector privado es incómoda: si una burocracia de esa escala y esa rigidez histórica fue capaz de reorganizarse para integrar IA de forma operativa, la explicación más honesta de por qué las empresas privadas no lo hacen no es falta de recursos ni falta de talento. Es falta de voluntad para asumir el costo político interno de cambiar quién decide qué, cómo y con qué velocidad.
El análisis de Cukor sobre la diferencia entre empresas que ejecutan experimentos de IA y empresas que ejecutan transformaciones de IA apunta exactamente a ese punto. No es un problema de presupuesto. Es un problema de quién en la cúpula está dispuesto a poner su nombre en el fracaso intermedio que precede a cualquier transformación profunda.
Madurez estructural no es lo que el sistema dice que tiene
Hay una fragilidad específica que aparece antes de que el problema sea visible. Las organizaciones que van a fallar en su transformación de IA no lo anuncian. Tienen roadmaps, tienen laboratorios, tienen Chief AI Officers con presupuesto. Pero si se observa de cerca la cadena de decisiones, aparece el patrón: las decisiones difíciles, las que implican eliminar procesos o cambiar estructuras de poder, nunca llegan a tomarse. Se posponen, se pilotan, se estudian. Y el sistema sigue funcionando, con una apariencia de modernización, hasta que los competidores que sí tomaron esas decisiones hacen que el costo de la inercia sea imposible de ignorar.
Cukor describe esto como un "ajuste de cuentas de cuello blanco" que podría ser peor que la ola de deslocalización industrial de los años setenta, pero más rápido y menos perdonable. No porque la IA sea inevitablemente sustitutiva de empleo, sino porque las empresas que no reorganicen sus estructuras de decisión, aprobación y operación quedarán en una posición de desventaja acumulativa frente a competidores que sí lo hicieron, sean estos occidentales o de economías asiáticas que están tratando la IA como infraestructura operativa desde ya.
La diferencia entre el Pentágono de antes de Maven y el de después no es que hoy tenga mejores modelos. Es que aprendió a sostener una transformación con propiedad ejecutiva, con desmontaje de lo que existía y con métricas que medían resultados. Ese aprendizaje tardó años en consolidarse y estuvo a punto de colapsar varias veces. Las empresas privadas no tienen la misma tolerancia al tiempo, pero tampoco tienen la misma excusa para ignorar el patrón.
Un sistema que parece fuerte porque tiene tecnología avanzada, pero que no ha tocado su estructura de decisiones ni su cadena de aprobaciones, no es un sistema transformado. Es un sistema que compró tiempo. Cuánto tiempo depende de cuánto tarden sus competidores en hacer lo que él todavía no hizo.
