La próxima ventaja competitiva en la IA empresarial

La inteligencia ya no es el factor diferenciador

La primera generación de IA empresarial se caracterizó por modelos más inteligentes. La próxima generación se caracterizará por una inteligencia operativa más avanzada.

La IA empresarial está entrando en una nueva etapa.

Durante los últimos años, las organizaciones han invertido considerablemente en identificar los modelos de IA con mayores capacidades. Cada nueva versión ha prometido un razonamiento más avanzado, mejores capacidades de programación, conversaciones más naturales y una mayor productividad. Las empresas han evaluado con gran interés modelos fundacionales de OpenAI, Anthropic, Google, Meta y otras compañías, en busca del modelo que pudiera brindarles la mayor ventaja competitiva.

Esos avances han sido extraordinarios. En un período extraordinariamente breve, la inteligencia artificial ha pasado de ser una tecnología emergente a convertirse en una capacidad empresarial esencial, transformando radicalmente la manera en que las organizaciones desarrollan software, brindan asistencia a sus clientes, analizan datos y gestionan entornos digitales cada vez más complejos.

Irónicamente, el éxito de estos modelos está empezando a cambiar la naturaleza de la competencia.

A medida que los modelos de base siguen madurando, la brecha de rendimiento entre las principales plataformas de IA del sector se está reduciendo en muchos casos empresariales de uso. Todos los modelos continúan mejorando y cada uno aporta fortalezas particulares, pero el acceso a una IA con grandes capacidades se está generalizando rápidamente. Con el tiempo, elegir un modelo de IA comenzará a parecerse a elegir un proveedor de servicios en la nube o una suite de productividad. Seguirá siendo una decisión importante, pero dejará de ser el principal factor de diferenciación competitiva.

Ya hemos visto este patrón antes.

En última instancia, la computación en la nube no transformó las empresas simplemente porque mejorara la virtualización. La computación móvil tampoco fue revolucionaria únicamente porque los smartphones se volvieran más potentes. En ambos casos, la ventaja competitiva duradera pasó a depender de factores que iban más allá de la propia tecnología subyacente. Las organizaciones generaron valor al desarrollar nuevos modelos operativos, nuevos procesos empresariales y nuevas formas de conectar la información que permitieron aprovechar todo el potencial de esas tecnologías.

La inteligencia artificial está siguiendo una trayectoria sorprendentemente similar.

La pregunta está cambiando gradualmente de “¿Qué modelo deberíamos utilizar?” a “¿Cómo podemos lograr que cada modelo rinda al máximo?”. Este planteamiento es mucho más estratégico porque reconoce una realidad importante sobre la IA empresarial: incluso el modelo más sofisticado solo puede razonar a partir de la información que recibe.

Si esa información está fragmentada entre decenas de herramientas operativas, dispersa en la documentación, oculta en archivos de configuración o desconectada del contexto empresarial general, la calidad del razonamiento de la IA inevitablemente se resiente. Las respuestas se vuelven más lentas, ya que los modelos dedican tiempo a recopilar el contexto antes de poder empezar a resolver el problema. Las recomendaciones pierden coherencia cuando varios sistemas proporcionan información contradictoria o incompleta. Y, quizá lo más importante, las organizaciones terminan pagando para que la IA vuelva a buscar una y otra vez información que ya poseen.

Las organizaciones que obtengan el mayor valor a largo plazo de la IA no serán necesariamente las que utilicen el modelo de lenguaje más reciente o el más extenso. Serán aquellas que proporcionen sistemáticamente a cada modelo inteligencia operativa confiable, completa, actualizada y disponible para su uso inmediato.

Reconocer esta realidad marca el comienzo de la próxima etapa de la IA empresarial. La ventaja competitiva ya no se define únicamente por la inteligencia del modelo. Cada vez dependerá más de la calidad de la inteligencia operativa en la que este se apoya.

La economía de la IA empresarial

A medida que las organizaciones dejan atrás la fase de experimentación y comienzan a integrar la IA en la ingeniería, las operaciones de TI, la atención al cliente y los flujos de trabajo empresariales, empiezan a surgir otras preguntas.

Durante la primera ola de la IA empresarial, el éxito se medía principalmente en función de sus capacidades. ¿Podía la IA resumir un incidente? ¿Podía explicar una anomalía? ¿Podía generar código o responder preguntas técnicas? Estas eran las preguntas adecuadas cuando las organizaciones intentaban determinar qué podía hacer la IA.

Hoy, muchos líderes se plantean otras preguntas.

¿Puede la IA seguir generando ese valor millones de veces al día sin alcanzar un costo prohibitivo? ¿Puede responder con suficiente rapidez para que los ingenieros recurran a ella durante un incidente de producción? ¿Pueden las organizaciones implementar la IA a escala en cientos o miles de equipos y, al mismo tiempo, mantener la coherencia, la gobernanza y la confianza?

Estas preguntas ya no se refieren exclusivamente a la inteligencia artificial. Se refieren a la economía de la IA empresarial.

Cada interacción entre un sistema de IA y un entorno empresarial comienza mucho antes de que el modelo genere su primera respuesta. Antes de poder diagnosticar un problema, recomendar un plan de acción o explicar por qué falló un despliegue, la IA debe comprender el entorno en el que opera. Esa comprensión procede del contexto operativo recopilado a partir de la telemetría, los logs, las trazas, los historiales de despliegue, los datos de configuración, la documentación, los runbooks, las relaciones entre servicios y muchas otras fuentes de conocimiento institucional.

Recopilar esa información requiere tiempo y recursos. Cada recuperación de información puede consumir apenas unos pocos tokens, pero, al multiplicarse por miles o incluso millones de interacciones diarias con la IA, esos costos se vuelven considerables. Más importante aún, cada búsqueda adicional aumenta el riesgo de demoras, inconsistencias o una comprensión incompleta, ya que la IA debe conciliar información distribuida entre sistemas desconectados.

Muchas organizaciones responden ampliando las ventanas de contexto, desplegando modelos de mayor tamaño o incorporando más servicios de IA. Aunque estas inversiones pueden mejorar las capacidades, no necesariamente aumentan la eficiencia. En muchos casos, simplemente hacen que la IA deba buscar entre un volumen mayor de información, en lugar de proporcionarle información de mejor calidad desde el principio.

Esa es una distinción importante.

El próximo desafío de la IA empresarial no consiste simplemente en crear modelos más inteligentes, sino en hacer que la inteligencia sea más eficiente. Las organizaciones capaces de proporcionar a la IA un contexto operativo confiable desde el primer momento reducen el tiempo que esta debe dedicar a buscar, recuperar y validar información antes siquiera de poder comenzar a razonar de forma útil. El resultado son respuestas más rápidas, recomendaciones de mayor calidad, un menor consumo de tokens y un modelo económico más sostenible para utilizar la IA a escala empresarial.

Es aquí donde empieza a cambiar el debate sobre la IA empresarial. La ventaja competitiva ya no se mide exclusivamente en función de lo que la IA puede hacer. Cada vez más, se medirá por su capacidad para ofrecer esos resultados día tras día de forma eficiente, coherente y rentable.

El auge de la capa de inteligencia operativa

Cada gran transición tecnológica ha redefinido la arquitectura empresarial mediante la introducción de una nueva capa fundacional.

El auge de internet conectó a las personas entre sí y con la información de maneras que antes no eran posibles. La computación en la nube convirtió la infraestructura en un servicio bajo demanda, lo que permitió a las organizaciones innovar con mayor rapidez sin tener que poseer el hardware subyacente. La computación móvil cambió radicalmente la forma en que se diseñaban y utilizaban las aplicaciones, mientras que la observabilidad proporcionó a los equipos de ingeniería una visibilidad sin precedentes de sistemas de software cada vez más complejos.

Cada uno de estos avances amplió las posibilidades de las organizaciones. También introdujeron formas completamente nuevas de concebir la tecnología empresarial.

La inteligencia artificial está impulsando la próxima evolución arquitectónica.

A diferencia de las transiciones tecnológicas anteriores, la IA no es simplemente una aplicación más que se ejecuta sobre la infraestructura empresarial, sino que está empezando a desempeñar un papel activo en la forma en que se realiza el trabajo. Cada vez más, los ingenieros esperan que la IA explique incidentes, identifique patrones, recomiende medidas correctivas, genere código, automatice tareas repetitivas y, con el tiempo, colabore con otros sistemas inteligentes como parte de las operaciones cotidianas.

Esta evolución transforma algo mucho más amplio que el propio papel de la IA: también transforma el papel de los datos operativos.

Durante años, la telemetría, los logs, las trazas, los registros de despliegues, la documentación y los datos de configuración se utilizaron principalmente para ayudar a las personas a comprender lo que ya había ocurrido. Los ingenieros recopilaban información de múltiples sistemas, correlacionaban eventos y aplicaban su propia experiencia para determinar la explicación más probable antes de decidir qué acciones emprender.

La IA transforma radicalmente este flujo de trabajo.

En lugar de servir únicamente como evidencia para una investigación humana, la información operativa se convierte en la base de conocimiento sobre la que razona la IA. Antes de que un asistente de IA pueda explicar una interrupción del servicio o recomendar un plan de remediación, debe comprender con precisión el entorno en el que se produce el problema. La calidad de su razonamiento depende directamente de la calidad de la inteligencia operativa que recibe.

Esta distinción es sutil, pero tiene una importancia fundamental.

Las organizaciones no solo necesitan que la IA tenga acceso a más información. Las empresas modernas ya generan más datos operativos de los que cualquier ingeniero o modelo de IA podría procesar de manera razonable. El desafío consiste en garantizar que la IA parta de información pertinente, confiable y organizada de forma deliberada, en lugar de obligarla a reconstruir el contexto a partir de decenas de sistemas desconectados cada vez que se formula una pregunta.

Creemos que es aquí donde la arquitectura empresarial está empezando a evolucionar.

Así como la observabilidad proporcionó a los ingenieros una forma unificada de comprender entornos cada vez más complejos, la próxima generación de IA empresarial requerirá una capa específica de inteligencia operativa que transforme los datos operativos sin procesar en un contexto confiable para la IA. En lugar de recopilar y conciliar repetidamente información procedente de innumerables fuentes, la IA debería partir de inteligencia operativa que ya esté organizada, correlacionada, gobernada y preparada para el razonamiento.

El propósito de esta capa arquitectónica va mucho más allá de mejorar el rendimiento de la IA: crea una base coherente para la inteligencia empresarial. Asimismo, reduce las operaciones innecesarias de recuperación de información, mejora la calidad del razonamiento de la IA, acorta los tiempos de respuesta y permite a las organizaciones ampliar el uso de la IA de manera más rentable en las áreas de ingeniería y operaciones de TI. Otra ventaja fundamental es que proporciona una visión común del contexto operativo, que puede compartirse entre varios sistemas de IA sin que cada modelo tenga que redescubrir la misma información por su cuenta.

En muchos sentidos, esto representa la evolución natural de la observabilidad. La observabilidad ayudó a las personas a comprender sistemas cada vez más complejos al transformar la telemetría en información valiosa. El próximo desafío consiste en ayudar a la IA a comprender esos mismos sistemas con el mismo nivel de confianza. Para lograrlo, hace falta algo más que acceso a los datos: se necesita inteligencia operativa confiable.

Creemos que, con el tiempo, esta capa de inteligencia operativa llegará a ser tan fundamental para la IA empresarial como lo es hoy la observabilidad para las operaciones de software modernas. Las organizaciones que inviertan en esta capacidad no se limitarán a crear asistentes de IA más inteligentes. Crearán sistemas de IA más rápidos, económicos y confiables y, en última instancia, más capaces de operar a escala empresarial.

La próxima era de la IA empresarial no estará definida únicamente por los modelos, sino por la inteligencia operativa confiable que les permita razonar y actuar con confianza. New Relic Ground Truth permite que los sistemas de IA comprendan en tiempo real tus aplicaciones, tu infraestructura y tu contexto empresarial, con los controles de gobernanza adecuados. Obtén más información sobre New Relic Ground Truth y descubre cómo puedes proporcionar a tu IA el contexto que necesita para ofrecer resultados con mayor rapidez, coherencia y confiabilidad.