Así que AI 2.0 ya está aquí, y si has estado esperando que llegue la segunda ola, ya estás en ella. Estamos viendo cómo la IA pasa de los laboratorios a aplicaciones comerciales reales en todos los sectores. Sí, NVIDIA acapara los titulares como proveedor de chips, pero honestamente, son solo una pieza de un rompecabezas mucho más grande.

Lo que pasa es que la IA no es una sola cosa monolítica. Hay múltiples tipos de IA emergiendo simultáneamente, y no todos funcionan igual. La mayoría eventualmente se integrarán juntas, pero eso tomará tiempo. Por eso mismo, esto es una jugada generacional: estamos hablando de décadas de desarrollo por delante, no solo unos años.

Las redes transformadoras están acaparando la mayor atención en este momento, y con razón. Estos modelos preentrenados masivos pueden manejar múltiples tareas a la vez, entender el lenguaje, leer código, generar contenido — ChatGPT y herramientas similares son los ejemplos obvios que todos conocen. Son mucho más eficientes que los modelos independientes antiguos que hacían el mismo trabajo. La infraestructura real aquí la están construyendo los hyperscalers — Amazon Web Services, Google, IBM, Microsoft. Estas empresas alojan la nube, y ahí es donde la IA realmente vive en este momento. La jugada de infraestructura en la nube seguirá creciendo.

Luego está la data sintética, que es algo bastante sorprendente cuando lo piensas. Las empresas de IA necesitan cantidades enormes de datos para entrenar sus modelos, pero conseguir esos datos a costos razonables se está volviendo más difícil. Las preocupaciones de privacidad están impulsando a la industria a usar datos generados por IA para entrenar otros sistemas de IA. Empresas de conducción autónoma, servicios financieros, seguros, farmacéuticas — todos están usando datos sintéticos ahora. Cuando combinas esto con la tecnología de visión por computadora de empresas como Ambarella, estás convirtiendo datos brutos de chips en conocimientos reales.

El aprendizaje por refuerzo lleva esto aún más lejos. Estás usando múltiples flujos de datos mejorados por datos sintéticos para optimizar cómo funcionan la manufactura y la robótica. Empresas como Rockwell Automation, Zebra Technologies, Intuitive Surgical y UiPath están haciendo movimientos importantes en esto. La plataforma de automatización de UiPath es un caso de estudio perfecto: Uber estaba ahogado en complejidad operativa, pero logró reenfocarse implementando robots digitales de UiPath en toda su empresa.

La capa de conectividad es el aprendizaje federado — básicamente cómo todos estos modelos de IA se comunican entre sí y comparten datos. Google y Microsoft lideran aquí, pero Oracle y Adobe también son actores clave. Lo interesante de Adobe es que su interfaz está en todas partes en internet, lo que la hace fundamental para cómo se despliegan las aplicaciones de IA. MongoDB es otro destacado, creciendo a un ritmo acelerado.

Lo que menos es obvio pero igual de importante es la inferencia causal — la próxima evolución del análisis de datos. Esto no es solo buscar patrones; es determinar la causa y efecto reales a partir de conjuntos de datos, hacer predicciones, detectar errores antes de que ocurran. Los equipos de I+D en farmacéutica están muy involucrados en esto. Novartis se asoció con Microsoft y NVIDIA para escalar su infraestructura de IA en la próxima década, lo que dice mucho sobre lo serio que es esto.

La verdadera historia aquí es que AI 2.0 apenas está comenzando. Esto no es un ciclo de hype a corto plazo — estamos ante retornos sostenidos en múltiples aplicaciones de IA y jugadas de infraestructura durante un marco de tiempo muy largo.