¿ChatGPT y Claude acabarán con todos los trabajos?

a16z socios Joe Schmidt IV señala que los laboratorios de grandes modelos solo lideran tareas horizontales, las verdaderas oportunidades de aplicación de IA están en escenarios verticales y flujos de trabajo complejos.
（Resumen previo: Altman retira la predicción de "IA que destruye a la humanidad": estoy muy contento de haberme equivocado, ¿de verdad?）
（Información adicional: Google invierte en la plataforma de enrutamiento de IA OpenRouter, valorada en 13 mil millones de dólares, con un crecimiento del 240% anual）

Índice de este artículo

Alternar

• Camino de ladrillos amarillos
• Otros lugares en Oz
• Por qué otros lugares en Oz no serán ocupados por el mago
• Caso en ventas — consejos prácticos del CEO de 11x
  • Enfocarse en resultados
  • Enfocarse en problemas complejos
  • Las barreras no solo previenen lo malo, sino que esa es la razón por la que los clientes pagan
• Caso en seguros — consejos prácticos del CEO de FurtherAI
• ¿Cómo saber si estás en otros lugares en Oz?
• Ambos pueden (y lo harán) ganar

Los emprendedores y potenciales empleados me preguntan siempre lo mismo: ¿Todavía hay espacio para construir en la capa de aplicaciones de IA? ¿O OpenAI y Anthropic acabarán con todo?

Detrás de esta pregunta se esconde una especie de "ansiedad por IA". Algunos ya concluyen que, para evitar quedar en la base de la pirámide para siempre, solo hay dos lugares duraderos: dentro de laboratorios grandes o en campos de vanguardia como robots y hardware avanzado — en teoría, cosas que "los laboratorios no pueden tocar".

Si cada software va a ser devorado, ya sea por Codex o Claude que reemplazan trabajos directamente, o por modelos futuros que hacen que todo lo que construyes sea innecesario, ¡corre!

Escucha, casi todos somos maximalistas en IA, pero creo que solo tienen razón a medias. Los laboratorios sí están erosionando gran parte del mapa de aplicaciones. Pero la "capa de aplicación" no es una sola oportunidad homogénea. La forma correcta de pensar es: ¿estás en el "Camino de ladrillos amarillos" (Yellow Brick Road), o en otros lugares del país de Oz (Oz)?

El camino de ladrillos amarillos es la denominación que damos a la ruta en la que los laboratorios invierten recursos increíbles. La razón por la que son más aptos para resolver problemas de generación de código, escritura o creación de imágenes, es que estos problemas mejoran a medida que aumenta la "capacidad original del modelo": cada dólar invertido en preentrenamiento y postentrenamiento mejora directamente la calidad del producto.

Al mismo tiempo, otros lugares en Oz están llenos de problemas más complejos, generalmente en áreas verticales. No se trata solo de ofrecer a las empresas una "herramienta universal" con herramientas estándar y permisos de operación en computadora.

Su valor, más que por la capacidad original del modelo (aunque eso sigue siendo importante), proviene de la estructura de soporte (scaffolding) que los rodea, esas estructuras hacen que las salidas sean confiables, conformes y operables en industrias específicas.

Estamos viendo en tiempo real cómo esto se desarrolla: OpenAI y Anthropic están comunicando al mercado que no pueden resolver todos los problemas con un solo colega de IA general. Ya han anunciado planes de despliegue a gran escala, formando empresas completas alrededor de configurar y personalizar modelos para empresas. Si crees que el próximo lanzamiento de un modelo resolverá todo, no invertirías miles de millones en estos proyectos.

Por eso, si quieres hacerte rico desarrollando aplicaciones de IA, evita el camino de ladrillos amarillos y explora otros lugares en Oz. Aquí comparto algunas lecciones que hemos aprendido, y que algunos emprendedores en nuestro portafolio también han internalizado, sobre qué funciona realmente.

Camino de ladrillos amarillos

Si vas a emprender, el camino de ladrillos amarillos parece la opción más obvia, pero también la más peligrosa. Toma un modelo de alto rendimiento, conéctalo con algunos conectores preexistentes (como Google Drive, Slack, Salesforce, Notion, GitHub), y lanza sobre él algún tipo de agente (agent) con capa de orquestación. ¡Magia pura!

El problema es que eso es exactamente lo que hacen los laboratorios con Cowork y Codex. Obviamente, ellos tienen el modelo en sí, lo que les da mejores márgenes, control y poder de fijación de precios sobre cualquier proveedor downstream.

Pero quizás lo más importante es que ellos también controlan la "elección de estructura" que determina qué problemas su producto puede resolver a la perfección. Hasta ahora, han pensado mucho en el modo de "modelo + llamadas a herramientas (tool calls)", que es justo lo que requiere ese nivel de trabajo en el camino de ladrillos amarillos, de pasos bajos y horizontales. Aunque una startup pueda superar a Codex o Claude en ciertos aspectos, los laboratorios tienen canales de distribución enormes y la marca más poderosa en IA.

Si tú eres una empresa de aplicaciones de IA, copiar esa estrategia, usar los mismos conectores, sin tener sub-agentes ni configuraciones profundas, y sin canales de distribución, probablemente estás en un camino sin salida.

Otros lugares en Oz

Para las startups, esto no es el fin del mundo. Fuera del camino de ladrillos amarillos hay oportunidades enormes, con rutas claras para tener clientes propios y resolver problemas complejos.

Estas empresas están construyendo experiencias de agentes, integrando modelos en una red compleja de herramientas, automatización e integración (en otras palabras, software). La mayoría de estas startups son verticales por defecto.

Pueden enfocarse en trabajos con múltiples pasos y roles, creando sub-agentes especializados para tareas específicas y roles verticales, algo que Anthropic y OpenAI, con plataformas universales, no pueden hacer: recopilar contexto entre sistemas y enrutarlo a múltiples personas que deben aprobar en diferentes etapas.

Esto suele involucrar uno o más sistemas heredados (legacy), que requieren resultados deterministas (sin margen para ambigüedades), y que a menudo están ligados a resultados comerciales de alto valor.

Los laboratorios entienden muy bien el valor de estos problemas: por eso están creando sus propios departamentos de externalización y fortaleciendo negocios de aprendizaje por refuerzo (RL) enfocados en mercados premium.

¿Por qué otros lugares en Oz no serán ocupados por el mago?

Algunos argumentan que, hasta ahora, apostar contra los modelos y laboratorios ha sido una apuesta poco rentable. Es probable que sigan fortaleciéndose y acaben dominando los mercados que sirven las empresas de capa de aplicación.

Por supuesto, los laboratorios seguirán avanzando, pero creo que las empresas en otros lugares en Oz pueden protegerse de varias maneras con el tiempo:

Rueda de datos y aprendizaje: La mayor parte de lo que internalizas no está en ningún conjunto de entrenamiento — normas no escritas, estándares no documentados, inteligencia colectiva en las mentes de los profesionales. Todo eso no se encuentra en sitios públicos. Más potencia de entrenamiento no puede reemplazar los "flujos de trabajo" que contienen ese conocimiento en la práctica.

Aquí hay dos ruedas de retroalimentación que se superponen: una es la rueda de retroalimentación entre clientes (ver más variaciones del mismo problema, y el patrón se vuelve exponencial); la otra es la rueda interna del cliente (las razones detrás de decisiones, excepciones no expresadas, reglas de experiencia que solo emergen con interacción real con el sistema).

Una empresa que haya hecho que su agente pase por 100 revisiones de cláusulas legales, 1000 ciclos de aseguramiento o 10,000 campañas de SDR, ha internalizado la forma esencial del problema, algo que un nuevo agente no puede replicar en su primera implementación. Los conjuntos de evaluación, las etiquetas y las clasificaciones de casos límite pueden formar un ciclo de datos vertical específico, impulsando el ajuste fino (fine-tuning).

Variabilidad y complejidad en la gestión de modelos: Los laboratorios ya hacen enrutamiento — usando diferentes modelos para diferentes solicitudes, integrando en el nivel inferior (ensembles). Pero no pueden hacer "enrutamiento entre proveedores", ni evaluar modelos de la competencia para tareas específicas, ni usar modelos de código abierto en segmentos óptimos. Las empresas en otros lugares en Oz seleccionan el modelo más adecuado para cada tarea en todo el mercado.

Cada vez que sale un nuevo modelo, también asume tareas ingratas — volver a evaluar, calibrar prompts en casos límite, desplegar sin afectar producción. Los laboratorios no hacen esas tareas por sus clientes; solo venden el próximo modelo y te dejan migrar tú mismo. Las empresas en otros lugares en Oz asumen esos costos de migración.

Optimización de costos: Ejecutar cada consulta con el modelo de vanguardia más reciente es la forma más rápida de perder dinero. Las mejores empresas de capa de aplicación hacen enrutamiento entre modelos: usan modelos de vanguardia para tareas difíciles, modelos intermedios para la mayoría de tareas rutinarias, y modelos más pequeños o ajustados en segmentos específicos.

Los laboratorios fijan precios en función del valor: ofrecen inteligencia mínima con un costo en dólares X. Las empresas en otros lugares en Oz, en cambio, proporcionan el nivel de inteligencia necesario para cada flujo de trabajo, al menor costo en dólares. Solo funciona si sabes exactamente qué nivel requiere cada sub-tarea.

Gobernanza: Tener un panel de control (control plane) para que los clientes gestionen la IA en su vertical tiene un valor enorme — aquí se gestionan permisos, auditorías, qué puede hacer el agente y qué realmente hizo.

Al tener en sus manos las herramientas, los flujos de trabajo y los datos que los agentes manejan, pueden ofrecer resultados deterministas. También son quienes asumen la responsabilidad regulatoria final — reglas en legal, HIPAA en salud, SEC y FINRA en finanzas, regulaciones de seguros estatales, etc. El CIO busca un socio que pueda declarar en contrato: "Estamos gestionando la conformidad de los agentes que proporcionamos".

Todo esto se reduce a una sola cosa: enfoque. Puede ser un vertical (seguros, legal, contabilidad) o una función especializada (ventas, soporte, finanzas). Los laboratorios no nacieron para esto. Deben estar en todas partes, sirviendo a todos, y esa es la razón por la que están reforzando su camino de ladrillos amarillos. Pero esa misma tensión los mantiene alejados de otros lugares en Oz: no puedes estar en todas partes y ser excelente en algo a la vez. No se puede tener todo.