En un momento en que la innovación en Inteligencia Artificial avanza a un ritmo casi vertiginoso, con lanzamientos recientes como GPT-5.1 o Gemini 3 elevando de nuevo el listón tecnológico, es fácil perderse entre titulares, benchmarks y promesas de disrupción. En medio de esta avalancha tecnológica, asistí a una sesión de IESE Business School con el profesor Sampsa Samila que me aportó perspectiva sobre este tema.
Lejos del ruido, la sesión ofreció un marco claro para entender qué está cambiando realmente en las organizaciones, en el trabajo y en la estrategia empresarial a medida que la IA se integra en todos los procesos. Estos son los insights clave que permiten separar expectativas de impacto real… y comprender qué significa todo esto para los profesionales que liderarán la transformación digital.
1. La adopción de la IA: masiva, rápida y superficial
La Inteligencia Artificial generativa se ha convertido en la tecnología de adopción más veloz de la historia. Más del 50% de los profesionales en Estados Unidos ya la utilizan en el trabajo, aunque la mayoría lo hace de forma esporádica y con usos limitados. Esta adopción amplia pero poco profunda marca un punto de inflexión: la IA ya no es una novedad, sino una herramienta cotidiana cuya profundidad de uso determinará la ventaja competitiva real.
2. Simplicidad en la interfaz, complejidad debajo
Aunque trabajar con IA parezca tan simple como escribir un texto, bajo esa interfaz convergen infraestructuras complejas como: GPUs (Graphics Processing Units), pipelines de datos, mecanismos de RAG (retrieval-augmented generation), calibración, seguridad y cumplimiento normativo. La clave es entender que la complejidad no desaparece, sino que se desplaza. Para las empresas, la decisión crítica será qué partes desarrollar internamente y cuáles delegar en terceros.
3. El equilibrio entre generalidad y precisión
Los modelos más potentes, como GPT-5.1 o Gemini 3, son extremadamente versátiles, capaces de abordar tareas muy diversas. Sin embargo, esa generalidad convive con modelos más pequeños y especializados (como BloombergGPT) que ofrecen mayor precisión en nichos concretos. Esta dualidad está configurando un mercado donde conviven modelos gigantes orientados a la creatividad y la estrategia, y modelos compactos pensados para automatizar procesos de negocio con máxima eficiencia.
4. Escalada de capacidades: los modelos siguen mejorando
Pese a la sensación de madurez tecnológica, la escalada continúa. Más datos, más parámetros y más entrenamiento siguen elevando el rendimiento de los modelos. Avances recientes como Gemini 3 Pro lo demuestran. Pero el impacto real depende menos de los benchmarks y más de cómo cada empresa adapta la tecnología a sus procesos, su cultura y sus datos internos.
5. Transformación del trabajo y el “problema del 70%”
La IA no sustituye profesiones completas, sino bloques específicos de tareas cognitivas. Su rendimiento ya iguala o supera al de muchos profesionales generalistas, pero aún queda por debajo del nivel experto, lo que obliga a una colaboración híbrida donde la supervisión humana sigue siendo clave. El llamado “problema del 70%” evidencia que la IA entrega resultados aceptables rápidamente, pero alcanzar la excelencia sigue dependiendo del juicio experto.
6. El nuevo “stack” de IA en las empresas
La verdadera precisión se obtiene cuando se combina un modelo generalista con varias capas adicionales: fine-tuning para el dominio, sistemas RAG que conectan la IA con documentación interna y reglas de prompting que guían su comportamiento. Las organizaciones que dominen esta estructura, este stack híbrido de tecnología, datos y experiencia humana, serán las que extraigan el verdadero valor de la IA.
7. Cómo cambia el trabajo dentro de las compañías IA-first
Empresas pioneras ya muestran un nuevo paradigma: los profesionales dejan de ser productores de contenido o código y pasan a ser supervisores y coordinadores de agentes de IA. La mentoría tradicional se transforma, el aprendizaje se acelera, las relaciones de trabajo se reconfiguran y los perfiles se vuelven más versátiles. En este escenario, un ingeniero o un creador de contenidos ya no trabaja “contra” la máquina, sino “con” la máquina como asistente principal.
8. Las organizaciones aún no capitalizan el impacto
Aunque la productividad individual mejora claramente con el uso de modelos generativos, las organizaciones todavía no han capturado beneficios a gran escala. La adopción masiva de la IA exige rediseñar procesos, roles, cultura y flujos de trabajo, y esos ajustes generan costes iniciales que retrasan el impacto global. Es la conocida J-curve: antes de mejorar, todo empeora un poco.
9. Dos estrategias empresariales para competir con IA
Las empresas se enfrentan a una decisión estratégica: pueden competir por eficiencia, adoptando modelos estándar y optimizando la velocidad y el coste por decisión; o pueden competir por diferenciación, construyendo capacidades propias basadas en datos exclusivos, workflows únicos y modelos personalizados. La primera exige escala; la segunda exige entender qué se puede construir sobre los modelos fundacionales que otros también utilizan.
10. El nuevo mapa del talento: menos juniors, más expertos
La IA está reduciendo la necesidad de tareas repetitivas y generalistas, lo que ha provocado un descenso en la contratación de perfiles junior. Paralelamente, los expertos con conocimiento profundo del dominio se vuelven más valiosos que nunca, porque su criterio es el que evalúa, corrige y eleva el trabajo generado por la IA. Las habilidades decisivas del futuro serán el pensamiento conceptual, el dominio específico aplicado y la capacidad de conectar, liderar y comunicar en entornos híbridos.
11. Recomendaciones finales para profesionales y organizaciones
Para el profesor Samila, el camino es claro: experimentar constantemente con la IA para comprenderla de verdad, trabajar en cómo escalarla dentro de la empresa y centrarse en construir los complementos que generan ventaja competitiva real, desde datos propios hasta workflows avanzados y talento experto capaz de sacar lo mejor de la tecnología. La diferenciación no vendrá del modelo que todos usan, sino de cómo cada organización es capaz de ampliar su capacidad mediante él.
Con una IA que evoluciona tan rápido, ¿cuál crees que será la habilidad más importante en los próximos dos años?