Hace unos meses tuve la oportunidad de visitar la Universidad de Toronto, uno de los grandes epicentros mundiales de investigación en Inteligencia Artificial y hogar académico de Geoffrey Hinton, considerado el padrino de la IA y recientemente galardonado con el Premio Nobel de Física 2024. Pasear por el Bahen Centre for Information Technology, entrar en sus laboratorios y conversar con investigadores que trabajan en la frontera de las redes neuronales modernas es una experiencia que no solo inspira, también obliga a repensar preguntas de fondo.
La que más resonó después de esa visita fue muy sencilla y muy incómoda a la vez: qué significa realmente la Inteligencia Artificial para la economía y para los negocios. No en clave de miedo ni de entusiasmo acrítico, sino desde un marco claro que ayude a tomar decisiones estratégicas. En ese proceso apareció un libro que se ha convertido en lectura imprescindible para entender este cambio: “Máquinas predictivas: La sencilla economía de la inteligencia artificial”, de Ajay Agrawal, Joshua Gans y Avi Goldfarb, economistas de la Universidad de Toronto.
Su propuesta es clara, elegante y con un impacto enorme. La IA no nos está dando inteligencia general, del mismo modo que el ordenador no “pensaba” cuando abarató la aritmética. Lo que está haciendo es abaratar la predicción. Igual que la bombilla abarató la luz y los ordenadores abarataron el cálculo, los sistemas de IA están reduciendo drásticamente el coste de estimar qué es probable que ocurra. Y cuando algo esencial se vuelve barato, se expande por todas partes y termina reconfigurando sectores completos.
La predicción barata como nuevo insumo estratégico del negocio digital
En este contexto, conviene limpiar el concepto de predicción de cualquier connotación mística. Aquí predicción significa usar datos para estimar la probabilidad de que algo suceda. Cada decisión empresarial relevante implica un grado de incertidumbre. Qué clientes están a punto de abandonar, qué productos tendrán más demanda, qué precio maximiza el beneficio, qué ruta logística reducirá mejor tiempos y costes, qué creatividad publicitaria tiene más opciones de convertir.
Durante muchos años, estas decisiones se apoyaron en reglas heurísticas, intuición directiva y análisis estadístico limitado. La IA, y en particular los modelos de aprendizaje automático y los modelos generativos, cambian este equilibrio. La predicción se vuelve más rápida, más precisa, más barata y más escalable. Una vez que el modelo está entrenado y conectado a los datos adecuados, el coste marginal de generar una nueva predicción tiende casi a cero.
En términos económicos, esto convierte a la predicción en un nuevo insumo estratégico del negocio digital. La electricidad barata hizo posible nuevas formas de producción y nuevas industrias. La computación barata hizo viables Internet y el software como servicio. De forma análoga, la predicción barata permite rediseñar procesos, automatizar decisiones y replantear modelos de negocio enteros.
Para el marketing digital y el e-commerce, este cambio no es teórico. Recomendadores que ordenan el catálogo en función de la probabilidad de compra, motores de puja que ajustan en tiempo real las subastas publicitarias, modelos que calculan el valor de vida de cada cliente, sistemas que anticipan el riesgo de fraude o el churn rate, orquestación de journeys personalizados en función de la probabilidad de respuesta en cada punto de contacto. Todo esto es predicción barata operando como nuevo combustible del negocio.
Un marco económico simple para un cambio tecnológico inmenso
El gran valor del enfoque de “Máquinas predictivas” es que ofrece un marco económico muy sencillo para ordenar un fenómeno que a menudo se presenta como algo casi inabarcable. En lugar de hablar de “inteligencia” de forma abstracta, se centra en tres ideas clave que resultan especialmente útiles para quienes trabajan en estrategia, economía digital y negocios.
- En primer lugar, la predicción se convierte en un insumo central de la toma de decisiones. Cuanta más incertidumbre eliminas, mejor puedes decidir. Si mejorar la predicción era caro, solo se aplicaba a unos pocos problemas críticos. Cuando la predicción se abarata, se puede incorporar a una enorme cantidad de microdecisiones diarias. Para un e commerce esto significa pasar de planificar campañas con reglas generales a dejar que modelos ajusten creatividades, segmentación, pujas y ofertas continuamente. Para una empresa de servicios, implica pasar de gestionar clientes por grupos estáticos a trabajar con probabilidades dinámicas de abandono, recomendación o compra cruzada.
- En segundo lugar, a medida que las máquinas predicen mejor, el juicio humano no se vuelve irrelevante, sino más valioso. La predicción responde a la pregunta de qué es probable que ocurra. El juicio responde a qué debería hacer la organización con esa información. Un modelo puede indicar que un cliente tiene alta probabilidad de abandono, pero no define por sí mismo qué nivel de descuento es aceptable, qué implica esa acción para la percepción de marca o qué papel juega ese cliente en la estrategia global.
- En tercer lugar, la IA no trae soluciones universales, sino nuevas tensiones que deben ser gestionadas como decisiones estratégicas. Más datos suelen implicar menor privacidad. Más automatización suele implicar ceder más control. Más velocidad suele traer más riesgo de error. Cada organización debe decidir en qué punto quiere situarse en estos ejes, de acuerdo con su propuesta de valor, su contexto competitivo y sus obligaciones legales y éticas.
Cuando las máquinas predicen, el juicio humano marca la diferencia
Una de las consecuencias más interesantes de la predicción barata es que desplaza el foco de talento hacia el juicio. La parte que la máquina puede hacer mejor consiste en procesar grandes volúmenes de datos, identificar patrones y estimar probabilidades. Sin embargo, la decisión final incorpora variables que no están en los datos. La visión de largo plazo, la reputación de la marca, la cultura corporativa, el marco regulatorio, las implicaciones éticas y sociales.
En marketing y e-commerce, esto se ve con claridad. Un sistema puede recomendar mostrar una determinada creatividad que maximiza la probabilidad de clic, pero el equipo de marca puede decidir que no es coherente con el posicionamiento deseado. Un modelo puede sugerir subir precios a un segmento que muestra alta disposición a pagar, pero el equipo directivo puede preferir preservar una percepción de accesibilidad. El algoritmo puede proponer campañas extremadamente personalizadas que explotan señales muy sensibles, y el equipo puede trazar una línea para proteger la confianza del cliente.
El liderazgo en la era de la IA consiste en saber interpretar predicciones, comprender sus limitaciones, analizar los riesgos de falsos positivos y falsos negativos, y decidir de forma consciente qué acciones son aceptables y deseables. Cuanta más predicción esté disponible, más importante será contar con líderes capaces de tomar decisiones sólidas bajo incertidumbre, en lugar de delegar ciegamente en modelos que optimizan métricas aisladas.
La estrategia como gestión de trade offs en la economía de la IA
La tercera gran idea que se desprende de este marco es entender la estrategia como un ejercicio constante de gestión de trade offs o disyuntivas. La IA amplifica estas tensiones y las hace más visibles. Utilizar más datos frente a proteger mejor la privacidad. Automatizar más tareas frente a preservar más control humano. Ganar velocidad de decisión frente a cuidar la precisión y la supervisión. Llevar la personalización al extremo frente a reducir el riesgo reputacional y regulatorio.
En e-commerce, un sistema de recomendación muy agresivo puede aumentar la conversión en el corto plazo, pero si el cliente siente que la marca sabe demasiado de él o lo presiona en exceso, la confianza se erosiona. Un modelo logístico que prioriza la velocidad de entrega puede reducir tiempos de forma significativa, pero si incrementa demasiado el margen de error las devoluciones pueden disparar los costes y dañar la experiencia de cliente.
La clave es entender que estas decisiones no pertenecen al ámbito exclusivo de la tecnología, son decisiones de negocio. Implican elegir qué tipo de relación se quiere construir con el cliente, qué promesa de marca se quiere sostener y qué nivel de riesgo se está dispuesto a asumir. Gestionar bien estos trade offs será una de las competencias determinantes del liderazgo moderno.
Impacto en la economía digital y en la formación de talento
Ver la IA como predicción barata cambia también cómo deberíamos formar a los profesionales del marketing, del e-commerce y de la estrategia digital. Aprender IA ya no es solo dominar herramientas concretas o seguir tutoriales, sino comprender la lógica económica que hay detrás. La IA es probabilidad aplicada a decisiones de negocio.
Las empresas que triunfarán serán aquellas que combinen modelos de predicción robustos con procesos de decisión bien diseñados y con juicio humano experto. Eso implica construir capacidades en datos y analítica, pero también en diseño de producto, en experiencia de cliente, en ética aplicada y en gobierno de modelos. Perfiles capaces de traducir problemas de negocio en problemas de predicción, y después volver a traducir las salidas de los modelos en decisiones comprensibles y ejecutables.
Al mismo tiempo, se revaloriza la capacidad de hacer preguntas de calidad, de interpretar métricas sin tratarlas como si fueran “la verdad absoluta” ni la única cosa que importa, de detectar sesgos, de anticipar efectos secundarios y de equilibrar objetivos de corto y largo plazo. En una economía donde la capacidad de predecir se multiplica, el recurso verdaderamente escaso será la capacidad de decidir bien.
Leer el futuro de los negocios a través de la predicción
La lectura de “Máquinas predictivas” ofrece un marco sencillo para entender un cambio tecnológico enorme. Permite dejar atrás debates superficiales sobre robots que nos reemplazan y centrar la atención en el cambio estructural de fondo. Estamos entrando en una economía en la que la predicción es tan accesible como la electricidad o la computación, y en ese entorno las reglas del juego competitivo se reescriben.
Las empresas que liderarán el futuro serán las que entiendan la predicción como un insumo estratégico, desarrollen modelos que la aprovechen de forma responsable y construyan liderazgo capaz de gestionar las tensiones que la IA trae consigo. En ese sentido, la lectura del libro “Máquinas predictivas” es de gran utilidad para establecer un marco de trabajo que nos permita decidir mejor qué tipo de negocio queremos diseñar en la era de la predicción barata.