Por fin, una empresa que usa IA descubre que su negocio fue acaparado por empresas de grandes modelos

作者：宇航猿；来源：极客公园

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

Dijo que la industria de la IA está «effing insane» (loca), dijo que los CEO de las empresas estadounidenses están «livid» (furiosos) con OpenAI y Anthropic, dijo que las empresas están haciendo una cosa absurda: pagar descontroladamente por tokens y, a la vez, entregar sus datos operativos más esenciales a proveedores de modelos. Y el valor comercial que se recibe a cambio es casi inconmensurable.

El presentador le preguntó si eso era «culpar a otros». Karp respondió: «No, solo estoy enunciando hechos».

Ese día, la cotización de Palantir subió un 9%. Ese número en sí es una especie de voto: el mercado considera que dijo cosas que muchos querían decir pero no se atrevieron.

No es un desahogo emocional de una sola persona. Cuando el máximo responsable de una empresa con una capitalización de más de mil millones de dólares lanza andanadas contra toda la industria de los grandes modelos en televisión nacional y el mercado responde con retroalimentación real en efectivo, eso significa que una emoción colectiva ya llegó al punto crítico.

En los últimos dos años, todos hablaban de cómo abrazar los grandes modelos. Pero ahora emerge una pregunta nueva: si las empresas están demasiado cerca de los grandes modelos, ¿podrían ser despedazadas por ellos?

**01 **De «estar muy entusiasmados» a «no ser ingenuos»

Recordemos el inicio de 2024: la actitud de las empresas hacia los grandes modelos puede resumirse en cuatro caracteres: «empezar a usarlos».

Da igual el ROI o no el ROI, da igual hacia dónde fluya el dato: lo importante es no quedarse atrás. En ese entonces, el relato dominante era: «llega la revolución de la IA y si no la adoptas te van a dejar fuera». Los CIO y CTO de todos los sectores, bajo una presión enorme, metían la IA en cada eslabón del negocio que pudiera meter. Era una decisión impulsada por un pánico tecnológico típico.

En 2025, «despliegue total» se convirtió en la palabra clave. Las empresas empezaron a integrar los grandes modelos de verdad en los procesos centrales del negocio, ya no solo hacer demos ni organizar hackatones internos. Desde atención al cliente hasta generación de código, desde análisis de mercado hasta diseño de producto: la profundidad y el alcance de la penetración de la IA se están expandiendo de forma exponencial.

Pero al entrar en 2026, se está produciendo un sutil cambio emocional.

Los datos de una investigación de Salesforce muestran que solo la mitad de los líderes de TI confían en que su infraestructura de datos puede sostener el éxito de la implementación de la IA en sus empresas. Un informe de investigación publicado por NTT DATA en mayo de este año usó directamente la palabra «estrellarse» —la IA empresarial está encontrando cuellos de botella de arquitectura causados por 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 esa cifra es solo del 5%.

Karp describe este cambio de manera más directa. Dijo que las empresas están pasando del «tokenmaxxing», consumir tokens sin pensar, a cuestionar de verdad el retorno de inversión. «La idea básica es: ya no pierdas tiempo en tokens».

Esto no es negar los grandes modelos; es que toda la industria está pasando de «estar muy entusiasmada» a «no ser ingenua». Después del período de euforia, las empresas empiezan a mirar un problema fundamental con una perspectiva más fría: lo que entrego, y lo que recibo, ¿esta cuenta sale bien?

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

La crítica de Karp aún se queda en el nivel del modelo de negocio. Pero lo que de verdad pone los pelos de punta es otra amenaza más directa: tu proveedor de servicios de IA podría estar construyendo productos que te reemplacen usando los datos y la comprensión del escenario que tú aportaste.

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

En febrero de este año, Figma y Anthropic todavía estaban colaborando para desarrollar una función llamada «Code to Canvas», que integra sin fisuras el código generado por Claude en el flujo de diseño de Figma. Ambas compañías 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 puede generar prototipos interactivos, 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%.

Un detalle que aparece en reportes posteriores de Fast Company resulta especialmente revelador: Figma, junto con empresas como Adobe y Canva, ha tenido durante años una relación de colaboración con Anthropic; pero antes del lanzamiento de Claude Design, nadie fue notificado. Todos, en el momento, se dieron cuenta de que, bajo sus narices, su socio de IA se había convertido en competidor.

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

Anthropic pudo crear Claude Design en gran medida porque, en la colaboración con empresas de herramientas de diseño, comprendió profundamente el flujo de trabajo de los diseñadores y sus puntos de dolor.

Pero si ampliamos el enfoque, no es un guion nuevo en la historia tecnológica.

Amazon pasó del comercio electrónico a sus marcas propias: usando datos de la plataforma para identificar de forma precisa las categorías que más dinero dejan y lanzar sus propios productos para comerse a los vendedores de terceros. Microsoft, partiendo del sistema operativo, fue incorporando uno por uno el navegador, el software de oficina y las herramientas de comunicación: Netscape fue eliminado, Slack fue obligado a venderse. Google extendió su motor de búsqueda, respondiendo preguntas directamente en las páginas de resultados: Yelp y numerosos servicios verticales de información quedaron al margen.

La ley férrea del sector tecnológico nunca ha cambiado: cuando una plataforma tiene suficientes datos y comprensión de los usuarios, se desplaza hacia arriba y erosiona al nivel superior.

En la era de los grandes modelos, esta ley férrea se vuelve aún más feroz, porque la erosión de plataformas tradicionales requiere tiempo para acumular comprensión, mientras que los grandes modelos son, de forma natural, un «acelerador de comprensión». Cada llamada a tu API, cada entrada de datos del 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 cuerpo celeste se acerca demasiado a una estrella de gran masa, las fuerzas de marea superan su propia gravedad y el cuerpo celeste es despedazado.

Este símil describe con una precisión inquietante la relación actual entre las empresas y los grandes modelos.

Los grandes modelos son esa estrella de gran masa. Cada empresa quiere aprovechar su gravedad para acelerar: mejorar la eficiencia, reducir costos, innovar. Pero el problema es que, cuando te acercas lo suficiente, tu «materia» empieza a despojarse. Tus datos, tu know-how y tu comprensión de las necesidades de los usuarios fluyen hacia el centro de gravedad en el proceso de colaboración.

Entonces, ¿cuál es el límite de cómo puede una empresa «bailar con la IA» sin ser finalmente consumida?

Esta pregunta ya se ha puesto sobre la mesa en Estados Unidos. Pero si piensas que está muy lejos para las empresas chinas, quizá sea un espejismo.

Hay diferencias de ritmo en la aplicación de la IA entre empresas de China y de Estados Unidos. Las empresas estadounidenses ya entraron en una fase de despliegue a gran escala y profundamente integrado al negocio, mientras que las chinas, en general, siguen pasando de pilotos a escalado. Un estudio publicado por Lenovo junto con IDC en marzo de este año muestra que el 72% de las empresas en el país ya completó pilotos de agentes inteligentes e inició un uso formal, con despliegue de IA en un promedio de 3,5 escenarios. Pero el peso de los desafíos ya se ha desplazado: de «falta de capacidad de cómputo, falta de datos» a «los resultados de aplicación no cumplen expectativas» y «el ROI no está claro».

Dicho de otra manera, las empresas chinas están entrando en un «estado de lucidez respecto a la IA» similar al de las empresas estadounidenses.

Geek Park, al conversar recientemente con muchos emprendedores y empresas con negocios tradicionales, ha encontrado un fenómeno interesante: que la reflexión de todos sobre estos temas muchas veces no nace de una crisis directa como «temer que las empresas de modelos me quiten el negocio», sino de que, después de meter de verdad la IA en el negocio, de forma natural empiezan a redefinir «cuál es mi valor central en la era de la IA».

Esa redefinición termina apoyándose en dos capacidades clave.

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

La primera, y también la más realista, es muy consistente con lo que dijo Karp: los datos y la lógica del negocio, en definitiva, ¿sobre qué «base» se ejecutan?

Karp recalcó en CNBC que los datos operativos más sensibles de la empresa no deberían fluir hacia la caja negra de un proveedor de modelos de terceros. Él posiciona a Palantir como una capa de aplicación que ofrece «IA soberana»: los modelos pueden ser de terceros, pero los datos deben permanecer dentro de sus propios muros; el despliegue debe realizarse en infraestructura que esté bajo su control.

Esto no es paranoia; la percepción de las empresas dentro de China es totalmente la misma. El responsable de I+D de WPS 365 de Kingsoft, Huang Weijie, dijo hace poco una frase muy acertada: «Lo que hoy les falta a las empresas no es hardware ni modelos, sino una capa de aplicación de IA segura».

Los datos de IDC también respaldan esa tendencia: en los despliegues de capacidad de IA empresarial, la proporción de nube pública está bajando, y el peso total de la nube privada y del despliegue local sube de 54% a 69%. «Los datos no salen del dominio» está pasando de ser un eslogan de cumplimiento a la primera condición de filtrado cuando los CTO eligen soluciones.

Karp lo llama «commodity cognition» de la mercantilización del entendimiento. Su juicio es que, la calidad misma de los modelos se está acercando a una convergencia; el valor de diferenciación real ya no está en la capa de modelo, sino en la capa de aplicación que conecta la capacidad del modelo con escenarios específicos de la empresa. La «IA soberana» que Palantir impulsa junto con NVIDIA, el «soberan AI engine», es la lógica convertida en producto: con modelos de código abierto más la capa de ontología y el marco de gobernanza propio de Palantir, las empresas pueden ejecutar IA en un entorno completamente controlable, sin que salga ni un solo byte de datos. Los ingresos de Palantir en el primer trimestre de 2026 fueron 163 millones de dólares, con un crecimiento interanual del 85%; en cierto sentido, es el voto del mercado por esa ruta.

Hay una señal que vale la pena mirar: en el futuro, las empresas y soluciones que ayuden a ejecutar IA en «tu propia base» serán aún más favorecidas. En China, «cerebros privados de IA» ya se ha convertido en un sector real y muchas startups construyen productos alrededor de esa dirección. No es manía tecnológica; es una elección racional hecha por las empresas después de pensarlo bien.

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

La segunda capacidad es más difícil de cuantificar, pero Geek Park cada vez siente más fuerza en conversaciones con empresas: cuando la IA puede reemplazar cada vez más etapas de ejecución, ¿qué tipo de «personas» necesita una organización?

Algunas empresas ya han caído en esa trampa, al ir más rápido.

Cuando la IA en ciertas etapas supera claramente la eficiencia de las personas, surge un pensamiento natural: «quitamos a la gente». Pero cuando la organización se adelgaza, aparece un problema oculto: lo que hace la IA, en esencia, son las «mejores prácticas» que esas personas condensaron en el entorno anterior. Cuando el entorno cambia, el mercado cambia, los usuarios cambian, la IA sigue ejecutando fielmente esa lógica antigua, pero la organización ya no tiene suficientes personas para percibir esos cambios y empujar la evolución del negocio hacia adelante.

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

Esto no significa que no se deba usar IA para reemplazar la ejecución. Significa que, cuando la IA se hace cargo de cada vez más capas de ejecución, la empresa necesita a otro tipo de personas: no a las que ejecutan tareas concretas en el sentido tradicional, sino a quienes pueden «dirigir» a la IA. Este rol necesita comprender el panorama completo del negocio, poder juzgar si lo que produce la IA sigue siendo aplicable a la realidad cambiante, y ver nuevas posibilidades más allá de los «mejores resultados» que dé la IA.

Algunas empresas adelantadas ya están pensando en serio en esto. Descubren que, con IA, la competitividad real no es «cuántas personas reemplazaste con IA», sino «si tu gente puede dominar la IA para lograr cosas que antes no podía». Si solo haces que la IA automatice continuamente con datos históricos y mantengas el ciclo, en el fondo estás atrapado en algún snapshot del pasado.

La importancia de ese giro de percepción quizá no sea menor que la soberanía de datos. Cuando la IA aplanara las barreras tecnológicas, la «capacidad de juicio de las personas» y la «capacidad de evolución de la organización» se convierten en lo más difícil de replicar. Algunas empresas ya lo entendieron; otras todavía no. Pero este punto de inflexión podría hacerse muy claro en los próximos uno o dos años.

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

En los dos últimos años, una suposición implícita ha dominado toda la industria: en la era de la IA, el valor finalmente se concentrará en las empresas de modelos. Cuanto más cerca de los modelos, más alto será el valor.

Esa suposición se está tambaleando.

Karp, en realidad, puntualizó en CNBC una cosa: los propios modelos se están convirtiendo en una «mercantilización del entendimiento». Cuando las diferencias en capacidades entre distintos grandes modelos cada vez se reducen, la diferenciación real ya no está en la capa de modelo. Una estructura de industria donde solo una empresa de modelos domina no solo no es saludable para las empresas, sino también una limitación para la velocidad de desarrollo de toda la industria de la IA.

Lo que necesitan las empresas nunca es un modelo más fuerte. Necesitan un ecosistema completo: que responda a la ansiedad por la soberanía de datos, que proteja las barreras competitivas para que no las «succionen», y que haga que la IA se incruste de verdad en el negocio sin perder el control. Esta demanda está creando un mercado mucho más complejo que «vender tokens».

Ya hay señales claras en varios frentes.

«Infraestructura de IA soberana» se está convirtiendo en un sector real, con acceso a grandes cantidades de dinero. No es solo un concepto. Solo en la primera mitad de 2026, Europa tiene tres empresas que hacen infraestructura de IA soberana (Nebius, nScale, AtlasEsge) que en conjunto recaudaron más de 11.800 millones de dólares. Hace solo unos días, Valarian en Londres acabó de conseguir 50 millones de dólares en su ronda A: lo que hacen es muy concreto —añadir una capa de «control soberano» entre los sistemas de IA y los datos sensibles, decidiendo qué IA puede tocar qué datos y bajo qué condiciones. Esto no existía como demanda hace dos años; ahora gobiernos y grandes empresas están haciendo cola para ello.

«Pasarelas de IA» y la capa intermedia de orquestación se están convirtiendo en una pieza imprescindible de la arquitectura de IA empresarial. Cuando una empresa usa al mismo tiempo OpenAI, Anthropic, modelos de código abierto y también modelos especializados que ajustó por su cuenta, ¿quién se encarga del enrutamiento unificado, el control de costos, la gobernanza de permisos y la auditoría? En la era del software tradicional, ese rol se llamaba middleware; en la era de la IA, se llama pasarela o capa de orquestación. No es algo “sexy”, pero es infraestructura clave para que las empresas pasen de «usar IA» a «gestionar bien la IA». Palantir, en esencia, hace esa capa; solo que lo hace en su versión más pesada. Las soluciones más ligeras, orientadas a empresas de distintos tamaños, tienen un espacio enorme.

En la capa de aplicación, las soluciones de IA específicas por industria también están pasando de «poner una carcasa» a «profundizar». Muchas de las llamadas aplicaciones de IA del pasado, dicho sin rodeos, eran simplemente poner una capa de GPT. Pero ahora, lo que realmente puede sostenerse son productos que comprenden a fondo el know-how de una industria específica y conectan estrechamente la capacidad de la IA con la lógica de ese sector. El ancla de valor de estas empresas no está en el modelo, sino en el entendimiento de la industria, algo que las empresas de modelos tienen muy difícil de adquirir mediante el entrenamiento.

Incluso en la capa de «personas», está surgiendo un nuevo mercado de servicios. Cuando más empresas entienden que no necesitan más herramientas de IA, sino personas capaces de «dirigir la IA» y metodologías organizativas de apoyo, crece rápidamente la demanda de consultoría de cambio organizacional en la era de la IA, formación de talento y rediseño de procesos.

Al final, una industria con solo «la capa de modelo» es frágil. Lo que realmente permite que la industria de la IA avance más rápido y de forma más sana es un ecosistema más tridimensional. En ese ecosistema, hay quien hace modelos, hay quien hace infraestructura soberana, hay quien hace pasarelas y gobernanza, hay quien hace aplicaciones profundas por industria, y hay quien ayuda a las empresas a reconfigurar sus capacidades organizativas. Cada capa responde a necesidades reales de las empresas en el proceso de pasar de «abrazar» a «dominar» la IA.

En el último año, estas necesidades pasaron de ser vagas a hacerse cada vez más claras. A continuación, las nuevas soluciones, proveedores de servicios y productos de la siguiente generación que nazcan alrededor de estas necesidades podrían entrar en una ola de explosión definida.

Volvamos al símil del límite de Roche. Encontrar esa vía segura no es un asunto de una sola empresa. Cuando todo el ecosistema empieza a crecer con fuerzas más allá del modelo, las empresas realmente tienen la base para no ser despedazadas.