Por fin una empresa que usa IA se da cuenta de que su negocio fue acaparado por grandes empresas de modelos de lenguaje

作者：宇航猿；来源：极客公园

1 de julio, el CEO de Palantir, Alex Karp, entró al estudio de CNBC y lanzó una bomba con un tono casi fuera de control.

Dijo que la industria de la IA es «effing insane» (una locura), que los CEO de empresas de Estados Unidos están «livid» (furiosos) con OpenAI y Anthropic, y que las empresas están haciendo una cosa absurda: por un lado pagar frenéticamente por tokens y, por el otro, entregar a los proveedores de modelos sus datos operativos más centrales. Y el valor comercial que se obtiene a cambio es casi imposible de medir.

El presentador le preguntó si esto era «echar la culpa». Karp respondió: «No, solo estoy enunciando hechos».

Ese día, las acciones de Palantir subieron un 9%. Ese número por sí solo ya es una especie de voto — el mercado cree que dijo cosas que mucha gente quería decir pero no se atrevía a hacerlo.

No es solo una descarga emocional de una persona. Cuando el líder de una empresa con una capitalización de más de mil millones de dólares lanza ataques contra toda la industria de grandes modelos en televisión nacional, y el mercado responde con retroalimentación positiva en efectivo, significa que una emoción colectiva ha llegado a su punto crítico.

En los últimos dos años, todo el mundo ha hablado de cómo abrazar los grandes modelos. Pero ahora está saliendo a la luz una pregunta nueva: si una empresa se acerca demasiado a los grandes modelos, ¿podría que ellos la destrocen?

**01 **De «estar embriagados» a «no ser ingenuos»

Recordemos el inicio de 2024: la postura de las empresas hacia los grandes modelos puede resumirse en cuatro caracteres — «primero úsalo».

Da igual el ROI o no el ROI, da igual hacia dónde va el flujo de datos: en cualquier caso, no se puede quedar atrás. En ese entonces, el discurso dominante era «llega la revolución de la IA; si no la abrazas, te van a eliminar». Con un enorme nivel de presión, los CIO y CTO de todos los sectores empezaron a meter la IA en cada eslabón del negocio donde fuera posible meterla. Era una decisión típica impulsada por pánico tecnológico.

Para 2025, «despliegue integral» se convirtió en la palabra clave. Las empresas empezaron de verdad a integrar los grandes modelos en los procesos centrales de negocio, ya no solo para hacer demos o montar hackathones internos. Desde servicio al cliente hasta generación de código, desde análisis de mercado hasta diseño de producto: la profundidad y amplitud de la infiltración de la IA se expandieron de forma exponencial.

Pero al entrar en 2026, se está produciendo una sutil transformación emocional.

Los datos de una encuesta de Salesforce muestran que solo la mitad de los líderes de TI confía en que la infraestructura de datos de su propia empresa pueda respaldar el despliegue exitoso de la IA. El informe de investigación publicado por NTT DATA en mayo de este año usó directamente el término «chocar con un muro»: la IA empresarial está encontrándose con cuellos de botella arquitectónicos derivados de requisitos de privacidad de datos y soberanía. Gartner predice que para 2027 el 35% de los países dependerá de plataformas de IA regionalizadas, mientras que hoy ese porcentaje es solo del 5%.

Karp describió este cambio de manera aún más directa. Dijo que las empresas están pasando del «tokenmaxxing» —consumir tokens sin pensar— a hacer la pregunta real sobre la tasa de retorno de la inversión. «El punto de vista básico es: ya no desperdicien tiempo en tokens».

Esto no es negar los grandes modelos; es que toda la industria está pasando de «estar embriagados» a «no ser ingenuos». Después de que se apaga la fiebre, las empresas empiezan a observar con una mirada más fría un problema fundamental: lo que entrego y lo que recibo a cambio, ¿esta cuenta realmente cierra?

**02 **Cuando un socio se convierte en competidor

Las críticas de Karp aún se quedan en el nivel del modelo de negocio. Pero lo que realmente pone los pelos de punta es otra amenaza, más directa: tu proveedor de servicios de IA podría estar usando los datos y la comprensión de escenarios que tú aportas para construir un producto que te reemplace.

Lo que ocurrió en abril de 2026 convirtió esa preocupación de la teoría en realidad.

En febrero de este año, Figma y Anthropic todavía colaboraban para desarrollar una función llamada «Code to Canvas», que integra sin problemas el código generado por Claude dentro del flujo de diseño de Figma. Las dos empresas parecían socios cercanos.

El 14 de abril, el director de producto de Anthropic, Mike Krieger, renunció en silencio a su puesto en la junta directiva de Figma.

Tres días después, Anthropic lanzó Claude Design: una herramienta de diseño de IA que permite generar prototipos de interacción, PPT y materiales de marketing directamente con lenguaje natural, apuntando con precisión al negocio central de Figma.

Ese día, la cotización de Figma cayó cerca de un 8%.

En un reporte posterior de Fast Company había un detalle inquietante: Figma y compañías como Adobe y Canva tienen relaciones de colaboración de muchos años con Anthropic, pero antes del lanzamiento de Claude Design nadie fue notificado. Todos se dieron cuenta en el momento, de golpe, de que sus socios de IA habían terminado convirtiéndose en competidores bajo sus narices.

Este relato merece reflexión porque expone un problema estructural más peligroso en la era de los grandes modelos que en cualquier momento anterior: cuando colaboras en profundidad con una empresa de IA, no solo entregas la puerta de entrada al mercado, también entregas tu comprensión central de escenarios y los datos de necesidades de los usuarios.

Anthropic pudo crear Claude Design en gran medida porque, al colaborar con empresas de herramientas de diseño, comprendió en profundidad los flujos de trabajo y los puntos dolorosos de los diseñadores.

Pero si ampliamos la vista, esto no es un guion nuevo en la historia tecnológica.

Amazon pasó de ser una plataforma de comercio electrónico a lanzar sus propias marcas: usa los datos de la plataforma para identificar con precisión las categorías con más ganancias y luego lanza productos propios para comerse a los vendedores de terceros. Microsoft, partiendo del sistema operativo, fue incorporando uno por uno navegadores, software de oficina y herramientas de comunicación: Netscape fue eliminado y Slack se vio forzado a venderse. Google se extendió desde el motor de búsqueda: al responder preguntas directamente con páginas de resultados, marginó a Yelp y a muchos servicios de información verticales.

La ley férrea de la industria tecnológica nunca cambia: cuando una plataforma tiene suficientes datos y comprensión de usuarios, invade hacia arriba.

En la era de los grandes modelos, esta ley se vuelve aún más agresiva, porque la invasión de plataformas tradicionales requiere tiempo para acumular comprensión, mientras que los grandes modelos son naturalmente un «acelerador de comprensión». Cada llamada a una API, cada entrada de datos de negocio, ayuda al proveedor de modelos a entender más rápido y más profundo tu territorio.

**03 **El «límite de Roche» de la era de la IA

En astronomía existe un concepto llamado «límite de Roche»: cuando un astro se acerca demasiado a una estrella masiva, las fuerzas de marea superan su propia gravedad y el astro puede terminar despedazándose.

Esta metáfora describe hoy la relación entre las empresas y los grandes modelos de una forma tan precisa que resulta inquietante.

Los grandes modelos son esa estrella masiva. Cada empresa quiere acelerar usando su fuerza de atracción: mejorar la eficiencia, reducir costos, innovar. Pero el problema es que, cuando te acercas lo suficiente, tu «materia» empieza a ser despojada. Tus datos, know-how y la comprensión de las necesidades de los usuarios fluyen hacia el centro de gravedad durante la colaboración.

Entonces, ¿cuál es el límite para «bailar con la IA» sin ser finalmente absorbido?

Esta pregunta ya se ha puesto sobre la mesa en Estados Unidos. Pero si crees que está muy lejos de las empresas chinas, quizá sea una ilusión.

En el ritmo de adopción de aplicaciones de IA, las empresas de China y Estados Unidos tienen diferencias. En Estados Unidos, ya están en la fase de despliegue a gran escala y profundamente integrado en el negocio; mientras que en China, en conjunto, las empresas aún están pasando de pilotos a escalado. Una investigación publicada por Lenovo en colaboración con IDC en marzo de este año muestra que, a nivel nacional, el 72% de las empresas ya completó pilotos de agentes y los puso en uso formal, con un despliegue promedio en 3,5 escenarios de IA. Pero el foco del desafío ya se ha movido: de «falta de cómputo» y «falta de datos» a «resultados de aplicación que no cumplen expectativas» y «ROI poco claro».

Dicho de otra manera: las empresas chinas están entrando en una «etapa de lucidez» de IA similar a la de las empresas estadounidenses.

Geeker Park, al conversar recientemente con muchos emprendedores y empresas con negocios tradicionales, encontró un fenómeno interesante: al pensar en estos problemas, muchas veces no nace de una crisis directa como «me preocupa que las empresas de modelos me quiten el negocio», sino de que, después de meter de verdad la IA en el negocio, empiezan de forma natural a redefinir «en la era de la IA, ¿cuál es realmente mi valor central?».

Esa redefinición, al final, se asentará en dos capacidades clave.

**04 **¿Quién controla la «base» de la IA?

La primera, y también la más realista, coincide con lo que Karp dice en CNBC: tus datos y la lógica de tu negocio, ¿en qué base —de quién— realmente corren?

El argumento central que Karp repite una y otra vez es este. Los datos operativos más sensibles de una empresa no deberían fluir hacia la caja negra de un proveedor de modelos externo. Él posiciona a Palantir como una capa de aplicación de «IA soberana»: el modelo puede ser de otro, pero los datos deben permanecer dentro de tu propio recinto; el despliegue debe hacerse sobre infraestructuras que tú puedas controlar.

Esto no es paranoia. La sensación del lado de las empresas chinas es, en esencia, totalmente la misma. El responsable de I+D y producto de WPS 365 de Kingsoft Office, Huang Weijie, dijo recientemente una frase muy acertada: «Hoy, lo que falta en las empresas no son hardware ni modelos, sino una capa de aplicación de IA segura».

Los datos de IDC también respaldan esa tendencia: en el despliegue de capacidad de IA empresarial, la proporción de nube pública está disminuyendo; el total de nube privada y despliegue local sube del 54% al 69%. «Los datos no salen del dominio» está pasando de ser un eslogan de cumplimiento a convertirse en el primer criterio de selección para los CTO.

Karp lo llama «commodity cognition» —«conocimiento comoditizado». Su juicio es que la calidad de los modelos en sí está tendiendo a converger; el valor de diferenciación real no está en la capa de modelo, sino en la capa de aplicación que ata la capacidad del modelo a los escenarios específicos de la empresa. El «motor de IA soberana» que Palantir, en colaboración con NVIDIA, presenta, es precisamente la productización de esa lógica: usar modelos de código abierto más la propia capa de ontología y el marco de gobernanza de Palantir para que las empresas ejecuten IA en un entorno completamente controlable, sin que ni un solo byte salga. Los ingresos del primer trimestre de 2026 de Palantir fueron de 163 millones de dólares, con un crecimiento interanual del 85%; en cierto sentido, es el voto del mercado por esta ruta.

Hay una señal que vale la pena observar: en el futuro, las compañías y soluciones que ayuden a las empresas a ejecutar IA «sobre su propia base» serán aún más atractivas. En el mercado doméstico, «cerebros privados de IA» se ha convertido en una pista real, y ya hay varios startups construyendo productos alrededor de esta dirección. Esto no es manía tecnológica; es una elección racional que las empresas hacen después de pensar las cosas en claro.

**05 **No conviertas la organización en una «máquina de repetición»

La segunda capacidad es más difícil de cuantificar, pero Geeker Park siente cada vez más claramente al conversar con empresas: cuando la IA pueda reemplazar cada vez más eslabones de ejecución, ¿qué tipo de «personas» necesita la organización?

Ya hay algunas empresas que han caído en esa trampa.

Cuando en ciertos eslabones la eficiencia de la IA supera claramente la de las personas, surge un pensamiento natural: «cortar gente». Pero después de adelgazar la organización, aparece un problema oculto: lo que hace la IA, en esencia, es «mejores prácticas» que esas personas habían condensado en el entorno anterior. Cuando el entorno cambia, el mercado cambia, los usuarios cambian, y la IA sigue ejecutando fielmente esa lógica vieja, mientras que en la organización ya no hay suficientes personas para percibir esos cambios y empujar la evolución del negocio.

En otras palabras, una organización llena de IA pero vaciada por personas probablemente solo esté repitiendo el pasado de manera eficiente.

Esto no significa que no se deba usar IA para reemplazar ejecución. Lo que se plantea es que, cuando la IA se hace cargo de más y más capas de ejecución, una empresa necesita aún más a otro tipo de personas: no a quienes ejecutan tareas concretas en el sentido tradicional, sino a quienes pueden «dirigir» la IA. Este rol necesita comprender el panorama completo del negocio, ser capaz de juzgar si lo que produce la IA sigue aplicando a la realidad cambiante, y ver nuevas posibilidades más allá del «óptimo» que entrega la IA.

Algunas empresas adelantadas ya están pensando en serio en este problema. Descubrieron que después de tener IA, la verdadera competitividad no es «cuánta gente reemplazaste con IA», sino si tu gente puede dominar la IA para hacer cosas que antes no se podían». Si solo permites que la IA se automatice de forma continua con base en datos históricos y se quede repitiendo en bucle, en esencia te estás encerrando en una instantánea del pasado.

La importancia de este giro de percepción quizá no sea menor que la soberanía de datos. Cuando la IA aplana las barreras tecnológicas, «el juicio de las personas» y la «capacidad de evolución de la organización» se vuelven lo más difícil de replicar. Algunas compañías ya se dieron cuenta; otras aún no. Pero este punto de quiebre podría volverse muy claro en los próximos uno o dos años.

**06 **La industria necesita «nuevas empresas de IA»

En los últimos dos años, una suposición implícita dominó toda la industria: el valor en la era de la IA terminaría concentrándose en las manos de las empresas de modelos. Cuanto más cerca estés del modelo, mayor el valor.

Esa suposición está empezando a tambalearse.

Karp, en CNBC, en realidad señaló algo: los modelos en sí mismos se están volviendo «conocimiento cognitivo comoditizado». Cuando las diferencias de capacidad entre distintos grandes modelos se reducen cada vez más, la diferenciación real deja de estar en la capa de modelos. Una estructura de industria donde una sola empresa de modelos domina no solo es poco saludable para las empresas; también restringe la velocidad de desarrollo de toda la industria de la IA.

Lo que las empresas necesitan no es un modelo más fuerte. Necesitan un ecosistema completo: capaz de responder a la ansiedad por la soberanía de datos, capaz de proteger las barreras competitivas para que no sean «aspiradas», y capaz de incrustar la IA en el negocio sin perder el control. Esa demanda está creando un mercado mucho más complejo que el de «vender tokens».

Ya hay señales claras en varias direcciones.

La «infraestructura de IA soberana» está convirtiéndose en una pista real, con grandes inversiones. Esto no es solo concepto. En apenas la primera mitad de 2026, ya había tres empresas en Europa centradas en infraestructura de IA soberana (Nebius, nScale y AtlasEsge) que en conjunto recaudaron más de 1180 millones de dólares. Hace apenas unos días, Valarian en Londres acabó de obtener 50 millones de dólares en su ronda A, haciendo algo muy concreto: añadir una capa de «control soberano» entre los sistemas de IA y los datos sensibles, para decidir qué IA puede tocar qué datos y bajo qué condiciones. Este tipo de cosas no existía como demanda hace dos años; ahora gobiernos y grandes empresas hacen cola por ello.

Las «pasarelas de IA» y las capas intermedias de orquestación se están volviendo un eslabón indispensable en la arquitectura de IA empresarial. Cuando una empresa usa simultáneamente OpenAI, Anthropic, modelos de código abierto y también modelos especializados que ajusta, ¿quién se encarga de una enrutación unificada, control de costos, gobernanza de permisos y auditoría? En la era del software tradicional, esa posición se llamaba middleware; en la era de la IA, se llama gateway o capa de orquestación. No es atractivo, pero es infraestructura clave para que las empresas pasen de «usar IA» a «gestionar bien la IA». Palantir, en esencia, hace esta capa, solo que lo hizo en su versión más pesada. Las soluciones más ligeras, diseñadas para empresas de distintos tamaños, tienen un espacio enorme.

En la capa de aplicación, las soluciones de IA por industria vertical también están pasando de «encapsular» a «profundizar». Antes, muchas llamadas aplicaciones de IA, en el fondo, solo eran una «cáscara» de GPT. Pero ahora, las que realmente se sostienen son las que entienden a fondo el know-how específico del sector y atan estrechamente la capacidad de la IA con la lógica de la industria. El ancla de valor de este tipo de empresas no está en los modelos, sino en el entendimiento del sector: precisamente lo que las empresas de modelos encuentran muy difícil de obtener mediante entrenamiento.

Incluso en la capa de «personas» está apareciendo un nuevo mercado de servicios. A medida que más empresas se dan cuenta de que lo que necesitan no son más herramientas de IA, sino personas que puedan «dirigir la IA» y metodologías organizacionales que acompañen, la demanda de consultoría sobre transformación organizacional en la era de IA, formación de talento y rediseño de procesos también está surgiendo con rapidez.

En definitiva, una industria que solo tiene la «capa de modelos» es frágil. Lo que de verdad permite que la industria de la IA avance más rápido y de forma más saludable es un ecosistema más tridimensional. En ese ecosistema, hay quienes hacen modelos, quienes hacen infraestructura de soberanía, quienes hacen gateways y gobernanza, quienes crean aplicaciones profundas para industrias verticales, y quienes ayudan a las empresas a remodelar su capacidad organizacional. Cada capa responde a necesidades reales de las empresas en su proceso de pasar de «abrazar» a «dominar» la IA.

Estas necesidades se han vuelto cada vez más claras durante el último año: de estar difusas a estarlo cada vez menos. Lo siguiente es que, alrededor de estas demandas, la nueva generación de soluciones, proveedores de servicios y productos que nazca podría entrar en una fase de explosión bien definida.

Volviendo a la metáfora del límite de Roche: encontrar esa órbita segura nunca es asunto de una sola empresa. Cuando todo el ecosistema empiece a crecer con fuerzas más allá de los modelos, las empresas de verdad tendrán el respaldo para no ser despedazadas.