Decidí salirme de la universidad a inicios de los 2000 porque las posibilidades que traía el internet eran demasiado interesantes como para invertir mi tiempo en otra cosa.

De esa apuesta salió Voice123, la empresa que comenzamos con Tania, que crecimos durante años y que vendimos a un fondo de private equity en 2021.

En 2019, cuando comenzamos Torre, tenía claro que la inteligencia artificial iba a tener un impacto todavía mayor, tan claro que invertí 11 millones de dólares de mi propia bolsa en la compañía.

Lo que no sabía, lo que nadie sabía, era qué tan rápido llegaría: en 2022 ChatGPT lo aceleró todo, y los últimos tres años se han sentido como diez.

Cada semana tengo el privilegio de aprender de otros emprendedores, algunos porque invertí en sus empresas, otros por redes de las que soy parte como YPO. Y hay una sensación que se repite en casi todas esas conversaciones: esto se siente como el internet de los 2000, con una diferencia en la que casi todos coinciden.

Los cambios tecnológicos son organizacionales

Cuando llegó el motor eléctrico, las fábricas del mundo funcionaban alrededor de una rueda gigante de vapor que movía todo con poleas, y los dueños hicieron lo obvio: quitaron el vapor y pusieron un motor eléctrico a mover la misma polea, en la misma fábrica, con los mismos procesos.

¿El resultado? Nada. La productividad tardó décadas en moverse, y no porque faltara tecnología, sino porque faltaba que alguien se preguntara cómo se diseña una fábrica alrededor de la electricidad. Cuando eso por fin pasó, la productividad explotó.

Con las computadoras se repitió la historia: durante años se veían PCs en todas las oficinas, pero la mayoría las usaba como máquinas de escribir más caras.

El patrón es el mismo: la tecnología nunca es el desbloqueo. La reorganización sí.

Y esa parte le toca al líder, porque no se puede delegar: cambia tu rol, cambia el de las personas que lideras y cambia el de tus pares. En Torre lo estamos viviendo en carne propia: éramos 80 personas, hoy somos 29, y cada una opera como una especie de mini CEO de su área.

Da vértigo, lo sé. Nadie quiere desarmar una empresa que todavía funciona. Hace unas semanas, en un evento que hicimos en San Francisco un empresario del público lo dijo sin filtro:

“Estoy en el debate de si rompo toda la organización que tengo y la vuelvo AI native, porque a mi equipo le está costando demasiado la adopción”.

Esto es de lo mas difícil, pero vale recordar cómo termina la historia: las fábricas de vapor no quebraron por falta de electricidad. Quebraron por seguir organizadas alrededor del vapor.

Cientos de conversaciones en 4 meses

Con esa tesis en la cabeza, en los últimos cuatro meses, desde Torrenegra & Co, hemos conversado con más de 150 empresarios, líderes, inversionistas e instituciones de gobierno en Latinoamérica:

• Fundadores que apenas comienzan.

• Corporativos y conglomerados como Grupo Salinas, Grupo BAL, Farmatodo, Davivienda y Banco BCP.

• Empresas tradicionales con 10, 20 o 30 años operando.

• Y equipos de OpenAI y Anthropic, para entender hacia dónde va esto desde adentro.

• Junto a Fedesoft y Cenisoft, y como parte de nuestra alianza, analizamos a gran parte de las empresas que forman su gremio.

Antes de cada sesión pedimos que nos escriban su reto principal, y cientos de personas lo han hecho. Cuando lees todas esas respuestas juntas pasa algo curioso: las frases se repiten.

Estas son textuales, no las escribí yo. Las escribieron CEOs, gerentes y directores de toda la región:

“No sé por dónde empezar, ni en qué procesos específicos.”

“Quiero hacer más con menos, pero no sé si vamos bien.”

“Cómo sustentar el uso de la IA en ciertos casos y en otros no.”

“Es un poco molesto aprender algo y que al siguiente cambie.”

“¿Cómo están usando la IA los CEOs mejor preparados?”

“¿Cómo logro que mi equipo la use de verdad? Cambiar hábitos.”

Si te viste en alguna de esas frases, no estás solo: es literalmente lo que dice casi todo el mundo. Y fíjate en el patrón, porque casi ninguna es sobre tecnología.

Hay una frase de esa lista que me llamó especialmente la atención: “¿cómo están usando la IA los CEOs mejor preparados?”. La pregunta nace de una sospecha: todos los demás van adelante y yo voy tarde.

Te comparto lo que encontramos al analizar las respuestas de 756 empresas inscritas a una de nuestras sesiones, desde pymes hasta corporativos: el 44% usa la IA únicamente como un chat, es decir ChatGPT, Claude o Gemini para preguntas del día a día, y menos del 1% tiene agentes funcionando en producción.

Léelo otra vez, porque en internet parecería que todas las empresas ya tienen agentes autónomos reemplazando equipos completos. En la realidad, de 756 empresas, 6 tenían algo así funcionando.

Parte de nuestro trabajo nos deja ver esto de cerca: en uno de nuestros servicios de auditoría 360 nos metemos a la compañía, entrevistamos a líderes y personas de todas las áreas, mapeamos sus procesos y evaluamos dónde vale la pena usar IA y dónde no, con la perspectiva externa de nuestros benchmarks y de lo que vemos pasando en otras industrias.

Y después de hacer eso una y otra vez, el freno es claro. La diferencia entre esas 756 y esas 6 no era que unas compraron Claude y las otras no: era que las 6 estaban organizando y habilitando a su gente para usarla.

Exactamente la historia de las fábricas. No era el motor, era la organización.

¿Qué podemos hacer con nuestros aprendizajes?

Durante meses nos hicimos una pregunta: ¿cuál es la mejor manera de compactar todo esto y volverlo tangible?

Descartamos las opciones obvias:

• Otro curso no, porque hemos visto de primera mano que los cursos no producen adopción. Son una pildora para hacerte sentir productivo.

• Otro webinar tampoco, porque más contenido es echarle gasolina al mismo ciclo de ansiedad.

• Lo que sí hemos visto funcionar es otra cosa: pocas personas, en el mismo lugar, trabajando sobre sus casos reales, con espacio para hacer las preguntas que nadie hace en público.

Por eso, en octubre, voy a abrir las puertas de mi casa para un retreat para alojar a un grupo pequeño de fundadores y líderes durante 2 días de trabajo sobre el caso de cada empresa y cada líder alrededor de las 5 preguntas que ustedes mismos nos han escrito cientos de veces:

1. Dónde sí usar IA

2. Dónde no

3. Cómo medir si valió la pena,

4. Cómo lograr que el equipo la adopte de verdad

5. Más la quinta, la que casi nadie escribe en un formulario pero todos traen en la cabeza: cómo cambia tu propio rol, y el de tu equipo, en una empresa que se reorganiza alrededor de la IA.

Las mismas conversaciones que hemos tenido con cientos de empresas, pero concentradas, aplicadas a tu negocio.

P.D. Los cupos son pocos por diseño: a pesar de que mi casa es grande, no es un hotel, así que te invito a revisar mas detalle en el botón de abajo.

Haz clic aquí

Cualquier duda por favor contáctanos a hola@ai.torrenegra.com

1. El nuevo modelo de la empresa china Moonshot AI se acercó al desempeño de los más avanzados de OpenAI y Anthropic.

2. Quedó primero en evaluaciones de desarrollo frontend y,

3. Anunció que publicará sus pesos el 27 de julio.

La demanda inicial fue tan alta que Moonshot tuvo que suspender temporalmente nuevas suscripciones mientras añadía capacidad.

Esto no significa que China haya ganado la carrera, pero una capacidad que hasta hace poco parecía exclusiva de unas cuantas compañías estadounidenses podría convertirse, en cuestión de días, en un modelo que diferentes empresas, gobiernos y proveedores podrán descargar, adaptar y operar.

En pocas palabras, Kimi demuestra que la inteligencia de frontera se deprecia cada vez más rápido. Y eso cambia qué debería considerar una empresa como su verdadera propiedad intelectual.

La paradoja que la IA invirtió

Kenneth Arrow describió hace décadas una paradoja en el mercado de la información: para saber si una idea vale la pena, el comprador necesita conocerla; pero una vez que la conoce, ya recibió parte de su valor.

Con la inteligencia artificial ocurre algo parecido, pero en sentido contrario.

Para que un modelo generalista como Fable 5 o GPT-5.6 pueda ser realmente útil, la empresa tiene que enseñarle cómo opera. Debe compartir sus documentos, herramientas, maneras de tomar decisiones, es decir, toda su información.

Pero el conocimiento más valioso no necesariamente está en lo que entrega al principio, sino en lo que se genera después: Cuando alguien explica por qué una respuesta estuvo mal, cuándo una recomendación no aplica o qué resultado sería suficientemente bueno para utilizarlo en producción.

Cada una de esas correcciones contiene conocimiento institucional de la empresa y su sector. Es algo que probablemente nunca apareció en un manual, pero que una persona con años dentro de la compañía reconoce inmediatamente.

En otras palabras: al consumir inteligencia, la empresa también está produciendo inteligencia.

La pregunta es quién se queda con ella.

Privacidad no significa portabilidad

Los principales proveedores como OpenAI y Anthropic o Amazon y Microsoft ofrecen controles sólidos y compromisos para no utilizar los datos de sus clientes para entrenar sus modelos sin autorización. Eso resuelve una parte importante del problema, pero no toda.

Una empresa puede conservar legalmente la propiedad de sus datos y resultados, pero dejar atrapada su capacidad de aprender.

Eso se demuestra con este experimento menta:

Si mañana desaparece OpenAI o Anthropic, ¿tu empresa conserva lo que aprendió o debe comenzar otra vez desde cero?

La respuesta es que deberá comenzar desde cero. Este es uno de los motivos por los que los modelos abiertos han estado ganando popularidad.

Rentar inteligencia, conservar aprendizaje

La arquitectura más probable no será completamente abierta ni completamente cerrada.

Los modelos cerrados seguirán siendo valiosos para resolver problemas nuevos, ambiguos y difíciles, donde unos puntos adicionales de capacidad justifican el precio.

Pero la empresa debería conservar dentro de su propia infraestructura las evaluaciones, correcciones, registros de ejecución, reglas y ejemplos que definen cómo se hace bien el trabajo.

A medida que un proceso se repite y sus criterios se vuelven más claros, parte de ese trabajo puede trasladarse a un modelo abierto adaptado a la organización. Mientras los casos excepcionales pueden seguir utilizando el modelo de frontera.

La empresa renta la mejor inteligencia disponible, pero conserva lo que aprende con ella.

Ojo, esto solo funciona cuando la capa de negocio está separada del proveedor. Es por eso que es sumamente importante que tu seas dueño del harness y puedas cambiar el cerebro (el modelo de IA).

Esto es uno de los puntos mas críticos que todo gobierno y corporativo debería tener en mente.

Ahora bien, la realidad de Latinoamérica tiene una parte buena y una mala. La buena es que estamos frente a un campo prácticamente inexplorado. La mala es que esto se debe a que el nivel de adopción de IA sigue muy estancado.

Sin embargo, esto también permite que las empresas, los gobiernos y otras organizaciones que comiencen a implementar IA desde ahora, algo que ya deberían estar haciendo, aprovechen todo el conocimiento disponible y obtengan una ventaja.

En Torrenegra & Co realizamos un estudio sobre el nivel de adopción de IA en Latinoamérica, en el que analizamos con mayor detalle el estado actual, los principales retos y los pasos que pueden tomar las organizaciones para avanzar.

Lee el reporte completo

Si algo es seguro en este entorno, es el cambio. Pero el objetivo de este artículo no es confundir a más personas ni desalentarlas de adoptar IA. La indecisión y la parálisis por análisis también son decisiones y, probablemente, las peores.

Es mejor equivocarse, experimentar y aprender que limitarse a leer artículos o ver videos. Y sí, reconozco la ironía de decirlo al final de un artículo.

Lo mejor que puedes hacer ahora es probar por tu cuenta herramientas como Kimi, GPT-5.6 y otras alternativas, y comenzar a formar un criterio propio.

Conversemos

• Estamos planeando un evento durante la San Francisco Tech Week, que tendrá lugar en mi residencia en Napa y contará con la participación de distintos laboratorios de IA. Será similar al evento que realizamos con OpenAI, pero a mayor escala.

  Nos interesa aliarnos con marcas que quieran ayudarnos a construir una experiencia especial. Si te interesa participar, escríbenos a hola@ai.torrenegra.com.

• Si estás buscando talento, te invito a probar Torre. Diseñamos un agente de talento con IA que publica tu vacante, encuentra y clasifica profesionales compatibles y te ayuda a gestionar candidatos. Puedes comenzar a contratar de forma completamente gratuita.

• Si estás liderando una PyME o un corporativo y buscas una opinión externa sobre tu estrategia de adopción de inteligencia artificial, o quieres implementar un proyecto concreto, en Torrenegra Co podemos ayudarte.

Para cualquier otra cosa, puedes escribirme directamente a alexander@torrenegra.com

Este lunes regresamos al Consulado General de Colombia en San Francisco. Con el apoyo del equipo de OpenAI, reunimos a founders, engineers y operadores para conversar directamente con dos de sus ingenieros sobre lo que viene.

Fue una conversación sobre las consecuencias de construir empresas en un momento en el que la capacidad disponible cambia cada pocos meses. Estas son las ideas que más me quedaron:

El nuevo cuello de botella es la ambición

Durante años, muchas buenas ideas no se construyeron porque eran demasiado costosas, necesitaban un equipo técnico enorme o simplemente estaban fuera del alcance de una startup.

Ese límite se está moviendo rápidamente. Con modelos como GPT‑5.6 Sol, Terra y Luna, equipos muy pequeños pueden construir software, analizar grandes cantidades de información y coordinar tareas que antes requerían departamentos completos.

Sin embargo, muchas empresas siguen utilizando esta capacidad para hacer un chatbot, resumir documentos o añadir una delgada capa encima de un modelo. Son productos que funcionan, pero que cualquiera puede replicar rápidamente y que probablemente serán absorbidos por la siguiente versión del propio modelo.

Una pregunta interesante es:

¿Qué problema importante puedes intentar resolver hoy que hace dieciocho meses habría parecido demasiado costoso o técnicamente imposible?

En opinión de Apoorv y Sai la mayoría de empresas, especialmente en Latinoamérica, son muy poco ambiciosas. Y seguramente serán las que OpenAI mismo termine por destrozar.

Cuando construir se vuelve barato, la distribución se vuelve más valiosa

Si miles de personas pueden convertir una idea en software durante un fin de semana, tener el producto deja de ser una ventaja suficiente. El reto vuelve a ser el de siempre: encontrar a alguien que realmente lo necesite.

Por eso dos de los consejos más antiguos de Y Combinator son todavía más importantes:

1. Construye algo que la gente quiera,

2. Habla con tus usuarios.

Ahora podemos producir más software que nunca. Lo que sigue siendo escaso es la atención de los usuarios y su disposición a cambiar la manera en que trabajan.

Tu negocio debería mejorar cuando aparezca el siguiente modelo

Hay un experimento mental que toda empresa que está construyendo con IA debería hacerse:

Si mañana aparece un modelo diez veces mejor, ¿mi negocio se fortalece o desaparece?

Si un modelo más capaz elimina la razón por la que alguien utiliza tu producto, probablemente construiste una solución temporal alrededor de una limitación del modelo.

En cambio, si cada mejora hace que puedas resolver mejor el problema de tus clientes, atender más casos o entregar un resultado superior, entonces el avance de los modelos juega a tu favor.

El mejor negocio es el que acumula clientes, distribución, contexto, datos y conocimiento del flujo de trabajo mientras los modelos mejoran debajo de él.

Ser AI native implica rediseñar la organización

Las compañías que realmente están capturando valor se atreven a cuestionar cómo debería operar la organización si la capacidad de estos modelos continúa aumentando.

No empiezan preguntando dónde añadir IA dentro del proceso actual, primero preguntan si ese proceso debería seguir existiendo de la misma manera.

• Los roles comienzan a definirse por resultados y no únicamente por tareas.

• Las decisiones, llamadas y aprendizajes se capturan para que el contexto no viva solo en la cabeza de algunas personas.

• Los agentes se encargan de una mayor parte de la ejecución y los humanos conservan el juicio, y la responsabilidad final.

Una empresa AI native no es una empresa tradicional con algunas automatizaciones.

Es una organización que rediseñó su manera de trabajar alrededor de capacidades que antes no existían.

a16z

You Just Hired a Million Bad Employees

America | Tech | Opinion | Culture | Charts…

Read more

11 days ago · 253 likes · 17 comments · George Sivulka

Conversemos

• Si estás liderando una PyME o un corporativo y buscas una opinión externa sobre tu estrategia de adopción de inteligencia artificial, o quieres implementar un proyecto concreto, en Torrenegra Co podemos ayudarte.

• Y si eres consultor independiente o tienes una empresa con la que podríamos colaborar para expandir este servicio a nuevos mercados, también nos encantaría conversar.

Puedes escribirme directamente a alexander@torrenegra.com

Hace casi 3 meses formalizamos lo que hoy es Torrenegra Co. En este tiempo hemos aprendido de primera mano los retos que enfrentan las PyMEs de nuestra región al intentar adoptar e implementar soluciones de inteligencia artificial.

En este camino también nos hemos encontrado con aliados que comparten esta visión. Por eso, nos alegra compartir públicamente que Fedesoft, uno de los gremios más importantes de Colombia, junto a Cenisoft, nos ha invitado como aliado oficial para apoyar a las empresas de su red en estrategia e implementación de inteligencia artificial.

Acompáñanos en la sesión de lanzamiento

Por otro lado, si tienes una empresa de consultoría o brindas servicios complementarios a lo que hacemos, como estrategia e implementación de proyectos de inteligencia artificial, nos encantaría conversar.

Seguimos buscando aliados con quienes podamos combinar nuestra marca, nuestra red en Latinoamérica y San Francisco, y nuestro know-how técnico para acelerar nuestra expansión hacia el sector Enterprise.

Siempre abierto a conversar para hacer un ganar-ganar. Puedes escribirme a alexander@torrenegra.com

Hablamos del mejor escenario: más productividad, educación más personalizada, empresas más eficientes, nuevos trabajos, costos más bajos y una oportunidad enorme para que más personas en Latinoamérica construyan productos globales.

Pero también hablamos del escenario difícil: desplazamiento laboral, concentración de poder, pérdida de movilidad social y empresas que pueden quedarse atrás si no se adaptan a tiempo.

Mi postura sigue siendo optimista, pero no ingenua.

Creo que la IA va a volver commodity una gran parte del software. Muchas cosas que antes requerían equipos enteros ahora podrán ser construidas por una persona con agentes de IA. Eso va a comprimir márgenes, cambiar modelos de negocio y obligar a las empresas a repensar dónde está realmente su ventaja.

Y justamente por eso creo que lo humano se volverá más valioso. Mientras más abundante sea la inteligencia artificial, más importantes serán la confianza, la distribución, la marca, la comunidad, el criterio, la creatividad, la empatía y la experiencia humana. A eso le llamo la Human Touch Economy.

Para Latinoamérica, este momento es una oportunidad enorme.

Pueden ver la conversación completa aquí:

Tampoco deberías empezar comprando un curso, una transformación completa o un proyecto enorme de consultoría.

Antes de eso, hay algo más simple que puedes hacer: darle a alguien dentro de tu empresa el rol de entender dónde la IA sí puede mejorar la operación.

No estoy hablando de crear un comité de innovación, sino darle la misión a alguien que:

1. Pueda sentarse con ventas y mirar cómo preparan propuestas.

2. Con finanzas y ver cómo revisan facturas.

3. Con operaciones y detectar dónde se pierde información

Ese rol no necesita empezar construyendo nada. Durante las primeras semanas su trabajo debería ser mucho más básico: escuchar, mapear, preguntar, ordenar y decidir qué no hacer.

Qué haría esa persona

Le daría 30 días y una misión muy concreta.

Primero, mandar una encuesta corta a 10 o 25 personas de distintas áreas. Preguntas simples:

1. Qué tarea les consume más tiempo,

2. Dónde copian y pegan información,

3. Qué decisiones repiten,

4. Qué errores aparecen seguido,

5. Y, muy importante, qué no se sentirían cómodos automatizando.

Puedes diseñar y crear el mejor agente del mundo, pero si tu equipo le tiene miedo, le da pánico que los vas a reemplazar o algo similar. Se va a ir todo a la basura.

Segundo, escoger las respuestas que más se repiten y hablar con las personas que hacen ese trabajo. No una reunión estratégica. No una presentación bonita. Ver la pantalla. Ver los archivos. Ver el sistema. Ver el chat donde se resuelven excepciones. Ver el Excel que nadie quiere tocar pero todos usan.

Tercero, separar las oportunidades en tres grupos:

1. Cosas que sí se pueden mejorar rápido.

2. Cosas que parecen buenas, pero primero necesitan ordenar datos o proceso.

3. Cosas que no deberían automatizarse.

4. Cosas que son un mierdero y no tenemos claro el proceso.

El tercer y cuarto grupo son importantes, decidir que no hacer es una decisión estratégica importante.

La razón por la que este rol debe existir dentro de la empresa es sencilla: nadie de afuera entiende tu operación como tu propio equipo.

Para este rol buscaría a alguien que entienda el negocio, que sea curioso, que no le dé miedo meterse en herramientas, y que tenga suficiente respeto interno para hacer preguntas incómodas sin que lo bloqueen de inmediato.

• Si le das el rol, dale tiempo. Aunque sea 20% o 30% de su semana al comienzo.

• También dale un presupuesto pequeño para probar herramientas.

• Y dale social capital dentro de la empresa. Esta persona no puede descubrir oportunidades reales si cada área la trata como alguien que viene a auditar para recortar puestos.

El mensaje desde arriba tiene que ser claro: esto no es para perseguir personas; es para entender cómo trabajamos y dónde podemos mejorar.

Hay momentos en los que sí tiene sentido buscar ayuda afuera, como:

• Cuando el caso toca datos sensibles, clientes importantes, riesgo legal o decisiones difíciles.

• Cuando el equipo interno tiene claridad del problema, pero no tiene capacidad para construirlo.

• Cuando quieres moverte más rápido.

Pero incluso en ese caso, debería haber alguien adentro liderando. Si un proveedor te promete transformar tu empresa sin una contraparte interna fuerte, yo tendría cuidado.

Puede construir algo útil, pero difícilmente va a haber un cambio a largo plazo en tu empresa.

Te interesa conversar, podemos agendar aqui.

• Facturas emitidas.

• Reportes entregados.

• Tickets resueltos.

• Campañas publicadas.

Y hasta ahora la mayoría de empresas guarda los resultados, pero pierde el proceso que los produjo.

• Guarda la propuesta, pero no el razonamiento que llevó a ese precio.

• Guarda el contrato, pero no las objeciones que casi matan la venta.

Es decir: la empresa guarda el output, pero pierde el código fuente.

En un mundo donde los agentes de IA empiezan a hacer trabajo real, eso se vuelve un problema estratégico. Porque un modelo y un agente es tan bueno como el contexto que tenga disponible.

a16z

Everything is Recorded Now

America | Tech | Opinion | Culture | Charts…

Read more

a month ago · 211 likes · 10 comments · David Haber

“¿Qué tendría que saber un agente para hacer un trabajo como lo haría una de tus mejores personas?”

Quizás ni tu sepas, porque muchas empresas no tienen ese conocimiento en ningún lado. Durante décadas, eso funcionó porque las empresas entrenaban humanos con osmosis.

• Te sentabas al lado de alguien.

• Escuchabas llamadas.

• Te equivocabas.

• Preguntabas.

• Aprendías los casos raros.

En pocas palabras: absorbías cultura de trabajo.

La empresa AI-native no solo guarda documentos, sino guarda paquetes de aprendizaje. Un paquete de aprendizaje responde cinco preguntas:

1. Qué pasó.

2. Por qué pasó.

3. Qué decidió el equipo.

4. Qué resultado produjo.

5. Qué debería hacer la empresa la próxima vez.

Eso convierte una experiencia aislada en conocimiento reutilizable.

Los 3 loops que todo founder debería capturar

1. El loop de ventas ganadas y perdidas

No basta con saber si ganaste o perdiste, necesitas saber por qué.

Cada oportunidad relevante debería dejar un paquete así:

Cliente:
Segmento:
Problema que quería resolver:
Por qué nos consideró:
Objeciones principales:
Competidores mencionados:
Qué aceleró la decisión:
Qué frenó la decisión:
Qué prometimos:
Por qué ganamos o perdimos:
Qué cambiaríamos en la próxima venta:

2. El loop de decisiones de founder

Muchas empresas dependen demasiado del criterio del founder. Eso no es malo, al inicio, el criterio del founder es la ventaja.

El problema es que, si ese criterio nunca se vuelve explícito, la empresa no escala mas allá del founder. Cada decisión importante debería dejar un memo corto:

Decisión:
Contexto:
Opciones consideradas:
Trade-off principal:
Por qué escogimos esta opción:
Qué tendría que pasar para cambiar de opinión:
Métrica que vamos a observar:
Fecha para revisar:

Con IA, esos memos se vuelven todavía más valiosos porque un agente puede consultarlos antes de recomendar algo nuevo.

3. El loop de customer language

La mayoría de empresas dice que escucha al cliente. Pocas capturan el lenguaje exacto del cliente de forma reutilizable.

Ese lenguaje sirve para vender, priorizar producto, entrenar soporte, escribir contenido y diseñar agentes. Cada conversación importante debería extraer:

Frases textuales del cliente:
Problema en sus palabras:
Alternativas que está considerando:
Miedo principal:
Resultado deseado:
Qué no entendió de nuestra propuesta:
Qué palabra o concepto se repitió:
Qué deberíamos usar en marketing/ventas:

Cada conversación que no se captura, cada excepción que no se convierte en regla, cada venta perdida que no se analiza y cada decisión que no deja rastro es entrenamiento que tu empresa está desaprovechando.

Conoce nuestro AI 360 Assessment en Torrenegra & Co.

Es una evaluación práctica para founders, CEOs y líderes de operación que ya tienen clientes, equipo y procesos. Revisamos tu operación y te devolvemos dos cosas:

1. Una lectura clara de qué sí y qué no: qué automatizar con IA, qué resolver sin IA, qué dejar quieto por ahora y qué condiciones faltan.

2. Un primer caso recomendado: impacto esperado, esfuerzo, riesgo, datos necesarios, dueño interno y métrica para medir si funcionó.

La meta es salir con una decisión:

“Este es el proceso que debemos mover primero, esta es la métrica que debería cambiar y esto es lo que no deberíamos automatizar todavía.”

Conoce mas aqui

Registrate aqui

En abril se supo que Uber quemó en cuatro meses el presupuesto de IA que tenía para todo 2026:

• Claude Code pasó de usarse por el 32% de sus ingenieros en febrero a más del 80% en marzo.

• El propio CTO contó que gastó 1,200 dólares en una sola demo de dos horas.

• Y fue así que la semana pasada tomaron la decisión de poner un tope de 1,500 dólares mensuales por herramienta para cada empleado.

En Meta la historia fue más absurda:

• Un empleado montó un dashboard interno llamado Claudeonomics que rankeaba a más de 85,000 personas por consumo de tokens, con títulos como Token Legend para los primeros lugares.

• El usuario número uno consumió 281 mil millones de tokens en 30 días. Según cálculos de prensa, eso supera 1.4 millones de dólares a precio de lista. Una sola persona.

• El problema es que varios empleados dejaban agentes corriendo sin tarea asignada, solo para subir posiciones.

Y las historias continúan:

• Microsoft canceló la mayoría de sus licencias internas de Claude Code.

La conclusión podría ser que toca dejar de hacer tokenmaxxing y toca quitarles estas herramientas a las personas de tu equipo.

Pero esa sería una conclusión incorrecta.

El problema no es gastar. Es gastar a ciegas.

Ramp, una compañía valuada en $44 mil millones de dólares y que procesa el gasto de más de 70,000 empresas, publicó que desde 2023:

• El cuartil de sus clientes que más invierten en IA duplicó sus ingresos.

• El cuartil que menos invierte quedó plano.

Gastar en tokens funciona. Lo que no funciona es no saber qué compró cada dólar.

Un token por sí solo no te dice nada, es por eso importante que ancles la inversión de tokens al KPI de un área: ventas, operaciones, marketing, ingeniería, etcétera.

Porque cuando nadie mide, todos hacen lo mismo: mandar cualquier tarea, de cualquier tamaño, al modelo más nuevo y más caro.

Por ejemplo: No tiene sentido usar Claude Fable 5 para resumir un texto, cuando Opus 4 lo puede hacer igual de bien, solo que 70% más barato.

El problema del vibe coding

Hay un segundo hueco de desperdicio que ocurre cuando haces todo con vibe coding a diestra y sinistra.

Vibe coding es pedirle software a la IA y aceptar lo que salga sin leerlo a fondo: si compila y se ve bien, sigues.

Entelligence AI analizó el gasto de 2,444 empresas en su plataforma. De cada dólar invertido en tokens para programar:

• 44 centavos se van en arreglar bugs que la propia IA generó.

• 27 centavos, en reescribir código que no sirvió.

• 11 centavos, en revisiones y merges trabados.

• Solo 18 centavos llegan a producto.

Y ojo con el detalle: arreglar el bug que la IA creó también consume tokens. Pagas por generar el error y vuelves a pagar por corregirlo.

Así que si inviertes 100,000 dólares en tokens y solo 18,000 se convierten en algo útil, tu problema no es el precio del token. Es el loop de retrabajo.

Ese loop se arregla antes de pedirle al modelo que genere algo, no después. Por eso:

1. Dale al modelo el contexto del proyecto para que haga un mejor trabajo.

2. Ejemplos de lo que es un buen resultado y tareas con criterios claros.

Qué hacer esta semana

1. Mide en unidades de negocio, no en tokens. Costo por lead calificado, por ticket resuelto, por feature que sobrevive en producción. Si no puedes atribuir el gasto a un caso de uso real de tu empresa, no lo estás haciendo bien y te aseguro que vas a verlo reflejado en tu factura.

2. Define niveles de modelos y rutea por tarea.

   • Los modelos más nuevos, para código complejo y análisis de alto valor.

   • Modelos medios, para trabajo estándar del día a día.

   • Modelos baratos u open source, para extraer, resumir y traducir.

   La mayoría del trabajo diario cae en los últimos dos niveles.

Durante los próximos dos meses estaremos organizando eventos presenciales desde Napa, California.

También queremos aprovechar este tiempo para conocer a más fundadores, operadores y líderes de negocio en el Área de la Bahía y Miami.

Te invitamos a participar:

• ¿Tienes una PyME? Únete a nuestro taller del 20 de junio, donde compartiremos casos prácticos y formas concretas de aplicar IA en tu negocio. Conoce más aquí.

• ¿Prefieres conversar directamente? Agenda una sesión 1 a 1 con nosotros para conocernos en persona y explorar cómo podemos ayudarte. Conoce más aquí.

Si tienes otro interés, puedes visitar nuestra página web aquí.

Puede resumir, escribir, programar, traducir, razonar sobre documentos y combinar ideas mejor que casi cualquier herramienta que habíamos tenido antes. Pero:

¿Qué pasa cuando queremos que la IA descubra cosas que los humanos todavía no sabemos?

1. Los LLMs y los modelos multimodales son extremadamente potentes. La mayoría de nosotros ya usamos estas herramientas todos los días, y algunos hasta hemos desarrollado algo parecido a una dependencia hacia ChatGPT, Claude o Gemini.

2. Pero estos modelos tienen un problema serio. Y el principal, al menos hasta hoy, es que dependen de nosotros, los humanos, para seguir mejorando.

Eso es un techo. El problema es que los humanos no somos un feature en esta historia, somos un bug.

Fei-Fei Li, una de las investigadoras más reconocidas, ha mencionado el problema en la obsesión con los LLM:

Cuando el conocimiento humano es el techo

• Imaginemos por un momento que ChatGPT hubiera existido hace miles de años.

Con el conocimiento que teníamos en ese momento, si le hubieras preguntado si la Tierra era plana, te habría dicho que sí. ¿Por qué? Porque esa era la verdad establecida en los libros y conversaciones de la época.

2. Otro ejemplo. Si le hubieras preguntado a ChatGPT antes de 1954 si un ser humano podía correr la milla en menos de 4 minutos, te habría dicho que no.

Porque ningún humano lo había hecho, y la creencia generalizada era que físicamente no se podía. Cuando Roger Bannister lo hizo, no fue porque la fisiología humana cambió. Fue porque alguien se atrevió a intentarlo.

¿Qué tienen en común estos dos ejemplos? Que la “verdad” que un modelo entrenado en datos humanos te puede dar siempre está limitada por lo que los humanos sabemos en ese momento.

Y esto es exactamente lo que pasa con los LLMs hoy. Son tan buenos como los datos que les dimos. Pero también tan limitados.

Esto tiene un nombre técnico: RLHF, Reinforcement Learning from Human Feedback.

Es el proceso por el cual los modelos se ajustan a partir de retroalimentación humana.

Nosotros somos los profesores, los curadores, los jueces. Y esa es la fortaleza y, al mismo tiempo, un error en ese sistema.

¿Y si los modelos pudieran aprender solos?

Esta es exactamente la pregunta que se hizo el equipo de Google DeepMind cuando construyó AlphaGo, un modelo que terminó venciendo al campeón mundial de Go.

Lo verdaderamente impresionante de ese partido no fue solo que ganara. Fue que el modelo hizo un movimiento (el ahora famoso “move 37”) que ningún humano habría considerado.

Durante la partida, los comentaristas pensaron que era un error. Después se dieron cuenta de que era una jugada que el modelo había descubierto por sí solo, después de millones de iteraciones jugando contra sí mismo. Una jugada que estaba fuera del repertorio de la humanidad.

Hace unas semanas pasó algo parecido pero en otro dominio. OpenAI publicó que uno de sus modelos resolvió un problema matemático abierto. Otra vez: una respuesta que no estaba en los datos de entrenamiento humanos. Surgió del modelo aprendiendo más allá de nosotros.

Esto tiene un nombre nuevo:

• Reinforcement Learning from Verifiable Rewards (RLVR)

La premisa es imitar la forma en que aprendemos los humanos: por recompensa.

Cada acción que hacemos tiene una consecuencia. Un señal positiva o negativa, dependiendo del contexto.

• Si pones la mano en el fuego, tu sistema nervioso te manda una señal negativa. Aprendes a no hacerlo otra vez.

• Si sacas un 100 en clase y tus papás te felicitan, esa es una señal positiva. Aprendes que vale la pena estudiar.

Cómo funciona RLVR (versión simplificada)

1. Construyes un entorno. Hoy esto puede significar muchas cosas, pero básicamente es un espacio donde una tarea tiene reglas, estado y recompensas (positivas o negativas) claramente verificables.

2. Dejas al modelo explorar. A medida que interactúa con el entorno, el modelo aprende. Por ejemplo, cómo resolver una suma o una multiplicación. Si toma muchas decisiones equivocadas, se penaliza. Si toma decisiones correctas, recibe recompensa. Y se mueve hacia donde hay más señal positiva.

El detalle importante: para que esto funcione, las recompensas tienen que ser verificables.

Por ejemplo: Sumar 2+2=4 es fácil de verificar.

• Resolver un problema de matemáticas también.

• Escribir código que pase una serie de tests también.

• Pero “redactar un correo elegante” o “dar consejo de relaciones” no es verificable de la misma manera.

Por eso hoy RLVR funciona mejor en matemáticas, código y juegos que en, digamos, escritura creativa.

Pero ojo: incluso aquí seguimos en el problema original. Los humanos diseñamos los entornos y las recompensas. Y eso introduce nuestros sesgos y nuestros límites.

Si el entorno está mal diseñado, el modelo aprende cosas raras. Hay un efecto llamado “reward hacking” en el que los modelos encuentran formas absurdas de maximizar recompensa que el diseñador humano no anticipó.

Lo verdaderamente bitter-lesson-pilled sería que el modelo aprendiera por sí solo, en el mundo real, sin que nosotros le digamos qué está bien y qué está mal. Aquí entra el siguiente concepto.

World Models: aprender en una simulación del mundo

Idealmente, los modelos podrían interactuar con un entorno real, igual que nosotros, y descubrir por sí mismos qué es señal positiva y qué es negativa.

Esto es particularmente relevante para problemas del mundo físico. Por ejemplo: conducción autónoma.

Empresas como Waymo, Tesla y Cruise hoy usan world models. Son modelos que aprendieron a representar el mundo (la física, las carreteras, los peatones, el clima) con suficiente fidelidad como para que un sistema de IA pueda entrenarse adentro y aprender sin necesidad de chocar autos reales.

Más todavía: estos modelos pueden predecir las consecuencias de segundo orden de una acción. Por ejemplo:

Si un Waymo está pensando girar a la izquierda, primero predice lo que va a pasar después: ¿hay alguien cruzando la calle? ¿el carro que viene en sentido contrario va a frenar? ¿la calle tiene alguna obstrucción más adelante? El modelo simula varios futuros posibles, evalúa cuál tiene mejor resultado, y solo entonces actúa.

El mismo principio aplica para robots de cualquier tipo. Si quieres que un robot aprenda a doblar ropa, no quieres que falle un millón de veces con ropa real. Quieres que falle un millón de veces en una simulación, y luego baje al mundo físico con el comportamiento ya pulido.

El futuro de los modelos de IA

Los próximos 5 a 10 años en el campo de la IA no se van a parecer a los últimos 3. Los LLMs nos dieron una nueva interfaz para usar conocimiento humano. Pero eso no necesariamente es lo mismo que crear conocimiento nuevo.

Clases enteras de problemas solo se van a resolver cuando los modelos puedan aprender por sí solos del mundo: control físico, robótica, decisiones secuenciales complejas, en fin: resultados que van más allá de patrones conocidos por humanos.

Semanas después escuché el concepto de Big Data (la palabra de moda en ese momento), y poco a poco, después de usar Hadoop y Splunk en Citi Bank, me quedó un poco más claro el por qué los datos eran petróleo para una empresa: se podían transformar en análisis descriptivos o predictivos.

Sin embargo, si antes todo esto era un tema que solo compañías gigantes podían pagar, en los últimos tiempos he experimentado y visto por qué los datos cada vez valen más su peso en oro para cualquier persona que esté leyendo esto y tenga una empresa:

1. Bien sea como ventaja competitiva operativa

2. Bien sea como negocio mismo (recolectar, curar, etiquetar y vender). En este artículo no tocaré este punto.

El intento personal: construyendo un “cerebro” de la empresa

Estas son las estadísticas de nuestra empresa en LinkedIn. ¿Lo más sorprendente?

La mayoría del contenido está generado con inteligencia artificial.

Estos posts son un claro ejemplo.

Y ojo, aclaro, sigo siendo muy necesario en parte del proceso, pero:

Esos posts en particular fueron sugeridos y diseñados en su totalidad por Codex basándose en los intereses reales de los leads y audiencia que tenemos.

¿Cómo? Porque he estado diseñando un “cerebro” de la compañía que puede usar cualquier modelo de IA.

Lo que hago es cargar:

• Todas las listas de leads, cada uno segmentado con su país, sector, tamaño y dudas que tenía

• Transcripciones de charlas como las que damos

• Transcripciones de llamadas de prospección y consultoría

• El performance de los posts en LinkedIn

• Etcétera

Básicamente, el mismo conocimiento que yo me tengo que meter a la cabeza para operar la compañía, se lo pongo en este caso a Codex, para que también lo tenga.

¿Dónde guardo toda esa info? En el mismo context window.

• Codex no tiene límites de prompts por chat (a diferencia de ChatGPT), y maneja/compacta su contexto automáticamente.

• Puedes recuperar info específica que hayas adjuntado pidiéndola explícitamente, lo cual te permite forzar una especie de in-context learning.

• Lo tengo montado tanto en Codex como en Cowork, así obtengo dos puntos de vista distintos, o uso uno como juez del otro.

Aquí estoy dando un ejemplo muy puntual, pero para que tengas en contexto:

• Las páginas web que lanzamos están diseñadas e implementadas por mí

• Los posts en LinkedIn e Instagram de Torrenegra & Co y algunos de la cuenta de Alexander están ideados y diseñados por mí

• Todo el seguimiento a leads y clientes está operado por mí

• Reportes internos de analíticas o financieros también pasan por mí

• Entre muchas cosas más

Todo esto es posible por dos cosas:

1. Porque tengo experiencia previa operando en cada área: ingeniería, diseño, ventas, marketing, etc.

2. Más importante aún: porque tengo un socio (Codex y Claude Cowork) que tiene el mismo contexto del negocio que el que yo tengo, y me ayuda a operar de manera más eficiente.

Disclaimers:

1. Esto no es “magia“, por eso el punto 1 es importante. No para presumir, pero el motivo por el cual me es fácil apalancarme tanto de estas herramientas es porque para delegar efectivamente, ayuda demasiado tener experiencia operando.

Es decir, primero tienes que comenzar tú manualmente haciendo parte del trabajo para que entiendas qué es lo que vas a delegar:

• Si quieres ser eficiente delegando diseño, tengo que dar instrucciones claras de diseño.

• Si quieres ser eficiente delegando desarrollo de producto, tienes que dar instrucciones claras de producto.

2. Para empresas con más empleados: si centralizas toda esa información, puedes hacer que ese cerebro no solo pueda ayudar a una persona, sino a todas dentro de la organización.

La gran condición: todo tiene que ser legible para la IA

Para que esto funcione, todo lo que pasa en la empresa tiene que quedar registrado de una forma que un modelo pueda leer.

• Cada email importante,

• Cada llamada de ventas,

• Cada decisión de roadmap,

• Cada conversación de Slack que define algo,

• Si no quedó grabado, no pasó

En la práctica significa:

• Grabar las llamadas (Fireflies, Granola, lo que prefieras).

• Dejar las decisiones por escrito y no solo en una llamada telefónica.

• Mantener un registro de cómo se llegó a cada decisión, no solo del resultado.

Y como no puedes meter 10,000 horas de grabaciones en una ventana de contexto, también necesitas un sistema que sintetice:

1. Que tome las transcripciones y las convierta en información útil.

2. Que detecte patrones.

3. Que reescriba tus manuales internos cada vez que algo cambia.

En YC contaron que el fin de semana pasado regeneraron el manual completo para founders a partir de 2,000 horas de office hours grabadas. Pasó de ser un documento estático de hace 5-10 años a uno vivo, que se actualiza cada mes.

Aclaración importante: lo que yo tengo hoy es un MVP personal, no un sistema organizacional.

Para una empresa más grande, con más fuentes de datos y personas, lo ideal sería un context engineering real: desacoplado de un modelo o herramienta específica y que use RAG o MCPs para traer la info alojada en otros lugares.

Idealmente lo pensaría como tener diferentes “partes” de la organización accesibles de manera modular:

Qué hacer si tú estás leyendo esto

Cosas concretas que puedes hacer esta semana:

1. Empieza a grabar todo lo que vale la pena grabar. Llamadas de venta, llamadas de cliente, reuniones internas donde se toman decisiones. Fireflies, Granola, Otter, lo que sea. Si no quedó grabado, no existió o existirá para tu IA.

2. Abre un chat de Codex (o de tu modelo preferido) y empieza a cargarle el contexto de tu negocio. ICP, leads, decisiones tomadas, performance de marketing, lo que sea. No esperes a tener todo, empieza y ya.

3. Sácale provecho. Los mejores “hacks“ no son los que ya están escritos, sino los que cada quien descubre intentando y explorando. Mi recomendación es que seas flojo o floja, e intentes delegarle la mayor cantidad de tareas a esta “IA personalizada“, así verás en donde te puede ayudar más y a tu empresa.

Escrito por Alan Arguello

Si te interesa mejorar tu proceso operativo en el área de ventas, conoce nuestro programa de learn by doing.

Más información

Esta es tu última oportunidad para aplicar al AI Summit este 12 de junio. Conoce todos los detalles haciendo clic en el botón de abajo.

Ver detalles

Por qué un LLM no debería ser todo tu sistema de IA

Una de las confusiones más comunes que veo hoy es pensar que implementar “IA” significa conectar un API de OpenAI, Anthropic, Google o cualquier otro proveedor.

Pero eso es como decir que construir una empresa digital es “tener una página web”.

Técnicamente puede ser parte del sistema. Pero no es el sistema. Para explicar esto, quiero usar un ejemplo: radiología.

No porque este sea un artículo para radiólogos, no lo es. Lo quiero usar porque:

1. Aprovecho para reutilizar una investigación que tuve que hacer hace meses.

2. Radiología muestra muy bien algo que se aplica a casi cualquier industria: manufactura, retail, finanzas, gobierno o logística.

Esto es, que la pregunta que cualquier equipo en estos sectores debe hacerse es:

¿Qué tipo de problema estamos resolviendo, con qué tipo de datos, con qué nivel de riesgo y con qué arquitectura?

No todos los problemas de IA son problemas de lenguaje, y no todos los problemas de lenguaje se resuelven solo con un LLM.

Radiología como ejemplo

Desde afuera, puede parecer simple automatizar el flujo de trabajo de un radiólogo:

1. Llega una radiografía.

2. Alguien la mira.

3. Escribe un reporte.

Hasta Geoffrey Hinton, uno de los investigadores con más renombre en el campo de Inteligencia Artificial, ganador de un premio nobel en Física y premio Turing predijo que no tenía sentido seguir entrenando más radiologos, su trabajo sería automatizado.

Así que sería fácil pensar para cualquiera de nosotros:

“Perfecto, le pasamos la imagen a un modelo de OpenAI y que escriba un reporte.”

El primer problema es que no se mapeó el flujo real, y por tonto que parezca, esto es algo tan fácil de hacer, tanto como de no hacer: tener claro el flujo de inicio a fin.

El flujo real de un radiólogo se ve más o menos así:

Orden médica → imagen médica → revisión del radiólogo → comparación con estudios previos → dictado del reporte → edición → firma

El segundo problema es no entender los tipos de datos de entrada y salida.

1. Una radiografía, una tomografía o una resonancia no son solo “imágenes”, son datos médicos especializados.

2. Y el reporte de salida no es solo “texto”. Es un documento clínico que puede influir en una decisión médica real.

Un sistema de IA no puede limitarse a sonar inteligente.

• Tiene que ser correcto.

• Tiene que ser verificable.

• Tiene que saber cuándo no responder.

El tercer problema es que muchos estamos confundiendo automatizar tareas con automatizar trabajos y responsabilidades.

• El trabajo del radiólogo es atención al paciente y una de las tareas de su trabajo es generar reportes.

• Además, cada reporte conlleva una responsabilidad. Si el reporte dice puras cosas locas, el radiólogo será el responsable por ello.

Dudo que la mayoría le delegáramos en su totalidad, sin darle un ojo, nuestra salud, contabilidad, finanzas, etc. a un modelo que pueda alucinar.

En radiología lo interesante es que no desapareció el trabajo. En muchos sistemas de salud pasó casi lo contrario: aumentó el volumen de estudios, aumentó la presión operativa y el rol del radiólogo siguió siendo necesario.

El rol de muchos sistemas robustos hoy es intentar automatizar tareas, pero no reemplaza la responsabilidad.

Cómo se podría ver el uso de un LLM en un modelo predictivo de radiología

Hay varias arquitecturas posibles, dependiendo de qué problema quieres resolver.

Pero aquí compartiré una de las que está usando una startup compitiendo contra los modelos de MAIRA de Microsoft y Gemma de Google.

Conceptos, evidencia y un LLM controlado

En esta arquitectura en vez de dejar que el LLM genere libremente el reporte:

1. El sistema primero extrae conceptos clínicos de la imagen.

2. Luego conecta esos conceptos con evidencia visual.

3. Y después usa un modelo de lenguaje para redactar, pero bajo restricciones.

Algo así:

imagen → conceptos clínicos → evidencia → generación controlada → reporte verificable

Esta arquitectura intenta separar mejor los roles.

1. El modelo de visión identifica señales.

2. El SAE crea una capa de evidencia.

3. El LLM ayuda a redactar.

4. El humano revisa y firma.

SAE significa Sparse Autoencoder. A nivel simple, es un modelo que intenta encontrar patrones internos más interpretables dentro de las representaciones que ya produjo un modelo de visión.

La parte de “sparse” importa porque el sistema intenta activar pocas señales relevantes a la vez, no una mezcla enorme difícil de entender. Eso permite que algunas features se puedan asociar con conceptos clínicos como derrame pleural, cardiomegalia o presencia de marcapasos.

Entonces el LLM no está escribiendo desde cero. Está redactando sobre señales que otro modelo extrajo antes de la imagen.

El reto es que esta arquitectura también es más compleja porque necesitarás:

1. Verificar que la evidencia sea real.

2. Evitar que el sistema muestre explicaciones que parecen convincentes, pero no son causales.

3. Manejar casos raros.

4. Monitorear drift.

Pero esa complejidad, en una industria donde cada error puede dañar a una persona, es parte de los requisitos.

El aprendizaje para empresas

¿Por qué importa esto si tu empresa no está en salud? Porque el mismo principio se aplica en otras industrias.

• Si estás en retail y quieres predecir demanda, no necesitas pedirle a ChatGPT que “adivine ventas”. Necesitas modelos de forecasting, datos históricos, estacionalidad, inventario y señales externas.

• Si estás en finanzas y quieres detectar fraude, necesitas modelos sobre datos transaccionales, patrones de comportamiento, grafos o anomalías.

• Si estás en logística y quieres optimizar rutas, necesitas optimización matemática, restricciones operativas y datos en tiempo real.

Empieza preguntando: “¿Cuál es el problema, cuáles son los datos, cuáles son los riesgos y cómo vamos a medir si funcionó?”

Una vez que tienes esto mapeado, debes elegir el tipo de arquitectura que necesitas de acuerdo al proceso, datos de entrada y datos de salida.

Artículo escrito por Alan Arguello

La respuesta corta es esa: sí.

Pero obviamente una respuesta tan corta le quitaría lo emocionante: el drama y el chisme.

Además, una burbuja financiera no necesariamente es algo negativo. Finalmente, forma parte de los ciclos económicos, y uno podría argumentar que es un efecto “natural” de los sesgos que tenemos como humanos.

También porque algo que sí puedo decir es que, aun si los multimodal models dejaran de mejorar hoy, ya tienen un valor gigantesco.

Todavía no hemos generado, ni capturado, todo el valor posible de desplegar estos modelos en empresas.

Pero bueno, empecemos por entender de dónde sale esta temática.

Los negocios circulares

Tiene ya meses circulando esta imagen que básicamente muestra cómo muchos de los contratos más grandes entre laboratorios de inteligencia artificial y otras empresas de tecnología son algo… raros.

¿Por qué? Por ejemplo, uno de los retos más grandes ahora mismo es obtener más capacidad de cómputo.

Digamos que entonces Amazon decide invertir US$10 mil millones en OpenAI, pero OpenAI se compromete a gastar casi la totalidad de ese dinero en cómputo de AWS.

Sin embargo, hacia afuera, la narrativa del mercado es otra:

1. Amazon reporta un contrato de un nuevo cliente por US$10 mil millones.

2. OpenAI reporta más inversión a una valuación mayor. Donde sus inversionistas terminan teniendo más dinero en papel y, eventualmente, más liquidez en mercados secundarios si decidieran vender.

Esto no es malo. Finalmente tiene sentido: una empresa necesita dinero para cómputo, la otra vende cómputo, y resulta que quien invierte también es quien vende la infraestructura.

Además, esa es solo una parte, porque no es como que esa sea la única fuente de ingreso. De hecho, ese cómputo sirve principalmente para dos cosas:

1. Entrenar nuevos modelos.

2. Pagar cómputo de inferencia, es decir, correr los modelos.

Este segundo punto es el que nos afecta como consumidores B2C y B2B.

Cada respuesta que obtenemos de un LLM tiene un costo de cómputo, y hoy lo que está ocurriendo es que prácticamente todas las empresas detrás de herramientas como ChatGPT, Claude, Gemini y Grok están subsidiando esos costos para adquirir mercado.

Es decir, parte de por qué necesitan más cómputo es para seguir creciendo. En este punto, su prioridad no es la rentabilidad.

Sin embargo, el reto es que en los mercados privados llega un momento en el que se acaban las opciones de más dinero para seguir comprando cómputo y pagando salarios.

También hay un tema más extenso que discutió Dario, CEO de Anthropic: ¿qué tan rentable es un modelo?

Es decir, para cuando Opus 4.6 ya es público, probablemente Anthropic ya está entrenando 4.7. Eso hace que el modelo se vuelva obsoleto rápidamente.

En la entrevista, el debate era que sí puede ser algo rentable, pero sigue siendo cuestionable.

La bomba de tiempo: salir a la bolsa pública o morir

La manera en que funciona levantar dinero generalmente es: levantas una ronda seed, serie A, serie B, serie C...

Hasta que ocurre una de dos cosas:

1. Un M&A: vendes la compañía.

2. Un IPO: sales a bolsa, como NASDAQ o NYSE.

OpenAI, SpaceX y Anthropic son empresas que ya se mueven en valuaciones cercanas o superiores a US$1T. Esto es algo nunca antes visto en mercados privados.

Y eso prácticamente descarta un M&A tradicional, porque básicamente no hay empresas en el mundo que puedan adquirir compañías de ese tamaño por sí solas.

Por otro lado, si tomamos como ejemplo OpenAI, cuya última ronda fue de US$122 mil millones, tampoco hay tantos fondos que puedan poner cantidades así. Y los que pueden, también tienen capital limitado que se está acabando.

• Fondos institucionales como Fidelity, T. Rowe Price, Blackstone, JP Morgan, entre otros.

• Y fondos de venture capital como a16z, Founders Fund, SoftBank, Sequoia, Lightspeed, Thrive, entre otros.

Es ahí donde, cuando se acaba ese dinero privado, nos necesitan a nosotros: el público o retail investor.

Esta necesidad también surge porque:

1. En este momento tienen detrás la presión de los fondos que invirtieron y que buscan generar liquidez.

2. Se ha invertido tanto dinero en este tipo de compañías que, si alguna de ellas quiebra, podría afectar severamente a muchos fondos, e incluso a parte de la economía.

3. También tendría repercusiones políticas, dado que Estados Unidos y China ya están en una guerra fría tecnológica.

Pero el gran reto de estas compañías es que, antes de salir a bolsa, necesitan presentar un S-1: un documento donde muestran abiertamente sus estados financieros y las condiciones reales de la compañía.

Si alguna vez viste la serie de Apple sobre WeWork, quizás recordarás que Adam Neumann quería sacar su empresa a bolsa a una valuación de US$44 mil millones.

Pero cuando publicaron el S-1 y el público vio que financieramente esa empresa no tenía tanto sentido, el IPO fracasó.

Acá es diferente. No estamos hablando de una compañía de real estate. Pero sí hay algo específico en estas compañías: queman dinero rápidamente, están lejos de ser rentables, y eso no va a cambiar pronto.

Por lo que la única manera en que su S-1 no cause pánico es que estén creciendo ingresos tan rápido que no importe que estén quemando cantidades absurdas de dinero.

Anthropic parece estarlo logrando. Sin embargo, no sabemos en qué acabará todo esto, porque parte de ese crecimiento rápido también está ocurriendo gracias a subsidios enormes de cómputo.

¿Qué pasará cuando deje de sonar la música?

Hay algo que seguro pasará; simplemente no sabemos cuándo:

En algún momento será insostenible seguir subsidiando el costo de cómputo de estos modelos.

Anthropic mismo ha estado restringiendo Claude en algunos planes y bajando el número de tokens disponibles. Por ese motivo tuvo que acudir a SpaceX.

Cursor reportó que cree que Anthropic tiene un subsidio de hasta 25 veces el costo de cómputo. Es decir, una suscripción de US$20 en realidad debería costar US$500 si no estuviera subsidiada.

Hoy no pueden quitar ese subsidio porque, de nuevo, lo que necesitan es crecer en usuarios e ingresos para poder salir a bolsa. Pero, ¿qué pasará cuando la música deje de sonar?

Lo que yo creo.

1. No tendrá sentido utilizar LLMs para todo.

Cuando algo es tan abundante, no apreciamos su valor. Hay ocasiones en las que uso Codex para tareas muy sencillas de programación, como cambiar el color de un botón o reemplazar una imagen.

Lo hago porque puedo. Porque parece que no me cuesta.

Sin embargo, si todos los modelos empiezan a ser mucho más caros, pensaría dos veces si gasto tokens en cosas que realmente no tienen tanto sentido.

Esto, desde mi perspectiva, también explica por qué muchas herramientas tipo OpenClaw en la mayoría de casos de uso que uno encuentra en YouTube, no tienen demasiado sentido lógico.

• ¿Puede leer tus correos y darte un resumen? Sí.

• ¿Es eso lo que más retorno de inversión te genera? No realmente.

Y esto será un gran problema para muchas compañías que construyeron “wrappers”.

De hecho, ese es uno de los motivos por los que el CEO de Cursor dio el mandato de que debían crear su propio modelo: depender de modelos de terceros era una bomba de tiempo.

Y el motivo de por qué en nuestras consultorías somos cautelosos qué procesos se automatizan y cómo se automatizan.

2. Se caerá la inversión en empresas de “IA”

Siempre que una burbuja explota, la gente entra en pánico, la economía se enfría y entramos en un ciclo económico de contracción.

En esos momentos, invertir en startups y tecnologías nuevas es de las últimas cosas que alguien quiere hacer.

Es así como probablemente, durante 2 a 5 años, caiga drásticamente el número de startups de IA, incluso muchas bien fondeadas.

Hay más consecuencias, pero diría que esas son las principales.

Y con todo esto dicho: creo que es un gran momento para seguir adoptando e implementando inteligencia artificial.

Las oportunidades

Cuando explotó la burbuja dotcom, la mayoría de empresas murió. Pero gracias a esa época también tenemos Amazon, MercadoLibre, Facebook, Netflix, entre muchas otras.

Acá creo que pasará algo parecido.

Además, si no creyera que la IA tiene sentido, sería una locura estar construyendo Torrenegra & Co. Personalmente creo que:

1. La tecnología, tal como existe hoy, ya tiene demasiados casos de uso para generar y capturar valor.

Lo tomo por sentado, pero:

• El hecho de que hoy pueda hacer páginas web con buen diseño en 2 días, versus lo que antes tomaba 2 o 3 semanas haciéndolo extremadamente rápido, para mí sigue siendo algo irreal.

• He podido mejorar muchísimo mi diseño gráfico gracias a Nano Banana y al editor de imágenes de ChatGPT.

• Y hoy puedo analizar cientos de llamadas transcritas automáticamente, algo que antes habría sido muy difícil de hacer.

2. Latinoamérica particularmente tiene una gran oportunidad

El mayor motivo por el que decidí meterme tiempo completo a implementar IA en empresas es porque Latinoamérica es un mercado perfecto para esto.

Somos una región con muchísimas empresas de servicios: legal, contabilidad, call centers, logística, salud, B2B services, back office, construcción, industria, entre muchas más.

Y quien contrata esos servicios compra el resultado. No le interesa tanto cómo llegas a ese resultado.

Por eso creo que muchas compañías en la región pueden transformarse en empresas de servicios AI-native.

Enter, una empresa de Brasil, esta semana se convirtió en el primer unicornio de IA en Latinoamérica. Básicamente es una firma de servicios legales apalancada por IA.

Runway fue fundada por chilenos y tiene una valuación de cinco mil millones de dólares, pero su mercado principal es Estados Unidos.

Esto apenas está comenzando, y es algo que ya están viendo en Silicon Valley. Sequoia, uno de los fondos más reconocidos del mundo, publicó hace poco sobre esta oportunidad.

Y con base en los clientes que hemos tenido y las empresas que he analizado, creo que esto puede verse así en diferentes industrias:

• Radiología

Esto me tocó verlo ya puesto en marcha con un fondo de Silicon Valley con el que estuve hablando. Una de sus empresas tiene un modelo de IA especializado en radiología que lee radiografías, historial del paciente y genera un reporte médico. El radiólogo revisa, edita y aprueba.

Esto permite atender más pacientes, con mejores diagnósticos y sin reemplazar el criterio médico.

• Contabilidad y finanzas

Empresas donde agentes de IA hacen conciliaciones, auditorías, revisión de facturas, cuentas por cobrar, cuentas por pagar y preparación de reportes financieros. El contador deja de pasar tanto tiempo haciendo trabajo manual y pasa a revisar, corregir, interpretar y tomar mejores decisiones.

• Legal

Firmas legales o áreas jurídicas que usan IA para revisar contratos, extraer riesgos, preparar respuestas, analizar expedientes y resumir documentación. El abogado no desaparece; se vuelve el responsable de criterio, estrategia y validación.

• Manufactura e industria

Compañías que usan visión por computador para control de calidad, modelos para mantenimiento predictivo, agentes para cotizaciones, análisis de compras, planeación de producción y seguimiento de órdenes.

• Construcción y real estate

Empresas que usan IA para preparar propuestas, presupuestos, cronogramas, compras, reportes de avance, análisis de contratos, control documental y seguimiento de cambios en obra.

Y así podríamos seguir.

Creo que estamos en uno de los mejores momentos para construir. Incluso si la burbuja explota, la tecnología real ya existe.

Si en tu empresa ya están explorando IA, pero todavía no tienen claro qué workflows rediseñar, cómo priorizarlos o cómo traducir eso en impacto real, en Torrenegra Consulting estamos ayudando a equipos a aterrizarlo de forma práctica dentro de su operación.

Conoce más aquí

Después de millones de años de evolución, el cerebro sigue siendo una de las máquinas más impresionantes que conocemos: aprende con pocos ejemplos, se adapta a contextos cambiantes, interpreta señales incompletas, coordina movimiento, memoria, percepción y decisión, todo con una eficiencia energética que ningún modelo de inteligencia artificial actual está cerca de igualar.

No es exageración. Los miles de millones de dólares que se han invertido en OpenAI, Anthropic, Google Deepmind, xAI, Mistral, Cohere y todos los demás laboratorios de inteligencia artificial buscan, en últimas, igualar al cerebro humano.

Inspirado por Demis Hassabis, fundador de Google DeepMind y, desde mi perspectiva, una de las figuras más importantes de nuestra época, me parece interesante indagar en: ¿qué es realmente la inteligencia? y ¿cómo se modela la percepción del mundo?

Durante décadas hemos intentado replicar la inteligencia de forma artificial: con código, chips, redes neuronales, datos y modelos cada vez más grandes.

¿Qué pasaría si en vez de intentar imitar la inteligencia biológica, la replicáramos?

Una empresa australiana llamada Cortical Labs publicó un video: aproximadamente 200,000 neuronas humanas vivas, cultivadas sobre un chip de silicio, jugando Doom.

Para la mayoría de personas, la reacción fue “qué loco” y siguieron de largo.

Lo que pocos vieron es que detrás de ese demo hay una de las áreas e ideas más interesantes de replicar la inteligencia humana.

En el newsletter anterior hablamos de cómo la robótica está pasando por su momento “ChatGPT” sin que muchos lo noten.

Torrenegra & Co

Pocos están prestando atención a lo que viene después de ChatGPT y los LLM

Para muchos de nosotros, hoy parece obvio por qué herramientas como ChatGPT son sorprendentes. Pero la realidad es que, en cierta perspectiva, nos montamos tarde en la ola…

Read more

3 months ago · 3 likes · 1 comment · Torrenegra & Co

Hoy quiero hablar de algo todavía menos visible: las computadoras biológicas, también llamadas organoid intelligence o synthetic biological intelligence (SBI).

Qué es exactamente una computadora biológica

Es fácil malentender esto, así que, primero:

• No estamos hablando de un cerebro completo en una caja.

• Tampoco de un humano en miniatura.

• Tampoco de algo extraído de un cerebro real.

Una computadora biológica como la CL1 de Cortical Labs es esto:

Un chip de silicio con aproximadamente 800,000 neuronas humanas vivas creciendo en su superficie.

1. Esas neuronas no fueron extraídas de cerebros. Fueron creadas a partir de muestras de sangre o piel de donantes adultos, reprogramadas en células madre pluripotentes (iPSCs), y luego diferenciadas en neuronas funcionales.

2. Un sistema de soporte vital mantiene esas neuronas vivas hasta seis meses, regulando temperatura, nutrientes, oxígeno y filtración de desechos.

3. 59 electrodos pueden enviar y recibir señales eléctricas hacia y desde esas neuronas en tiempo real, en loops sub-milisegundo.

4. Y un sistema operativo biológico (biOS) traduce información del mundo digital en estímulos eléctricos, recibe las respuestas de las neuronas y las traduce de vuelta a información digital.

El idioma compartido entre los transistores de silicio y la biología es la electricidad.

Ambos se comunican mediante impulsos eléctricos. Por eso esta integración es físicamente posible.

Cuando se “programa“ este tipo de sistemas, lo que en realidad pasa es que el programa traduce la entrada (por ejemplo, el estado actual de un juego de Doom) en un patrón de estímulos eléctricos. Las neuronas reaccionan, y su patrón de respuesta se traduce en una acción (mover el personaje, disparar, voltear).

Por qué esto puede ser un cambio fundamental

Hay 2 razones por las que el cómputo biológico es muy interesante.

1. En la parte de energía

El cerebro humano tiene aproximadamente 86 mil millones de neuronas y consume 20 watts. Eso es menos energía que un foco LED viejo.

Para entrenar GPT-4, se estima que OpenAI invirtió $100 millónes de dólares y consumió cerca de 50 GW/hora de electricidad. Los centros de datos dedicados a IA están empujando a empresas como Microsoft y Amazon a contratar capacidad nuclear directamente.

Fred Jordan, cofundador de FinalSpark, lo ha dicho:

las neuronas biológicas son aproximadamente un millón de veces más eficientes energéticamente que las neuronas artificiales. No es exageración retórica. El cerebro humano hace, con la energía de un foco, trabajo cognitivo que un supercomputador moderno no puede replicar consumiendo N veces más.

Si esto se lograra escalar, el impacto en costos de cómputo y en huella ambiental sería enorme.

2. El argumento del “ground truth”.

Las redes neuronales artificiales que entrenan modelos como GPT, Claude o Gemini son una abstracción matemática inspirada en cómo creemos que funcionan las redes biológicas. Pero al final del día, son una imitación.

El único ejemplo real de inteligencia generalizada que tenemos en el universo conocido es el cerebro biológico.

La tesis de este tipo de empresas es: en vez de gastar décadas tratando de simular el cerebro con silicio, ¿por qué no usamos uno real?

La dificultad: programar algo vivo

Los LLM como GPT-4 o Claude son altamente programables.

1. Tienes pesos en las redes neuronales que puedes ajustar.

2. Tienes funciones de loss y optimizers.

3. Si el modelo no hace lo que quieres, tunes los hyperparameters y vuelves a entrenar.

Las neuronas vivas no funcionan así. No tienen “pesos” que puedas modificar manualmente. Aprenden de una forma totalmente distinta: a través de cambios fisicoquímicos en sus conexiones (las sinapsis), modulados por neurotransmisores como la dopamina y la serotonina, en respuesta a patrones de estímulo a lo largo del tiempo.

• FinalSpark usa dopamina como “recompensa química” para reforzar comportamientos deseados en sus organoides.

• Cortical Labs usa patrones específicos de estimulación eléctrica que premian respuestas predecibles y “castigan” respuestas caóticas.

Programar neuronas vivas requiere entender cómo aprenden, qué condiciones permiten que se reorganicen, y cómo medir si el aprendizaje está ocurriendo. Es un campo que está apenas empezando a desarrollar sus métodos.

Qué problemas reales puede resolver hoy

1. La primera es el desarrollo de medicamentos.

Brett Kagan menciona que entre el 93% y el 99% de los ensayos clínicos en el área neuropsiquiátrica fallan, dependiendo de cómo se midan. La razón principal: los modelos animales no replican bien la fisiología cerebral humana, y los datos preclínicos no se traducen al humano.

Una computadora biológica permite probar medicamentos directamente en redes neuronales humanas funcionales, observando cómo cambia el comportamiento del sistema en tiempo real.

2. La segunda aplicación es el modelado de enfermedades.

En lugar de estudiar Alzheimer en ratones que no tienen Alzheimer, puedes estudiar Alzheimer en redes neuronales humanas que sí reproducen la patología. Johns Hopkins ya tiene proyectos en esta línea.

2. La tercera aplicación es alternativa al testing animal.

En muchos países hay regulaciones recientes que están restringiendo pruebas en animales para investigación cosmética, farmacéutica y de toxicología. Las computadoras biológicas ofrecen una alternativa más predictiva del humano y éticamente menos cuestionable.

Las computadoras vivas no son un capítulo futuro. Ya están aquí.

Si quieres conocer este tipo de temas de primera mano de personas trabajando en los campos que están moldeando el futuro, te invitamos a que revises nuestro programa en Silicon Valley este verano.

Conoce más aquí

Entre 2015 y 2022, los modelos de lenguaje todavía no eran parte de la conversación mainstream y durante este tiempo te aseguro que no le prestamos atención suficiente a OpenAI.

Existían avances importantes desde hace décadas, pero para la mayoría de personas no se sentía como “el futuro”. Luego llegó ChatGPT y de pronto parecía evidente.

No porque mañana vayamos a tener humanoides haciendo todo en nuestras casas. Eso probablemente tomará más tiempo. Pero sí porque está habiendo un cambio muy importante.

Estamos pasando de robots programados tarea por tarea a modelos que aprenden principios generales para actuar en el mundo físico.

En este artículo quiero explicar por qué este campo me ha llamado tanto la atención, qué está cambiando y por qué puede ser una de las áreas más importantes de la próxima década.

Para que te des una idea, estas son solo algunas de las empresas que están apostándole a este sector: Tesla, OpenAI, Mistral, HuggingFace, Gemini Robotics, Atoms, Amazon, DoorDash, Waymo, entre muchas más.

Esto es solo una parte de lo que he aprendido estudiando este campo durante estos meses y conversando con personas que recopilan datos para modelos fundacionales de robótica.

La robótica ya era enorme, pero no como la imaginábamos

Durante décadas, la robótica avanzó bajo una lógica muy distinta al software moderno: si querías que un robot hiciera una tarea, tenías que diseñar buena parte del sistema alrededor de esa tarea.

• Un brazo industrial para soldar autos.

• Un robot de almacén para mover cajas.

• Un robot quirúrgico para asistir una operación.

Cada caso requería hardware específico, sensores específicos, software específico, integración específica y un ambiente relativamente controlado. Y ese enfoque funcionó.

En 2024 había 4.66 millones de robots industriales operando en el mundo, y se instalaron 542,000 robots industriales nuevos ese año. China representó el 54% de esas instalaciones globales.

La automatización industrial no es una promesa futura. Ya es infraestructura productiva. Pero lo que está cambiando hoy es más profundo que “más robots en fábricas”.

La nueva tesis es que los robots pueden dejar de ser máquinas programadas para una tarea específica y empezar a convertirse en sistemas que aprenden a actuar en el mundo físico.

A esto se le está llamando embodied AI o physical AI: inteligencia artificial que no solo procesa texto, imágenes o código, sino que percibe, decide y ejecuta acciones en el mundo real.

De robots especializados a modelos generalistas

La robótica moderna empezó a tener impacto comercial en los años sesenta. Unimate, considerado el primer robot industrial, fue desarrollado a partir del trabajo de George Devol y Joseph Engelberger, y llegó a líneas de producción automotriz en 1961. Su valor era claro: hacer tareas repetitivas, peligrosas o físicamente pesadas con más consistencia que un humano.

Casi al mismo tiempo, la investigación académica empezó a imaginar robots más inteligentes.

Shakey, desarrollado por SRI entre 1966 y 1972, fue uno de los primeros robots móviles capaces de percibir su entorno, planear rutas y reorganizar objetos simples. Era una demostración temprana de una idea poderosa: un robot no solo como máquina mecánica, sino como sistema que conecta percepción, razonamiento y acción.

El problema es que esa visión tardó mucho más de lo esperado. Durante años, los robots fueron excelentes en entornos controlados y muy malos fuera de ellos.

En una fábrica, donde las piezas están en posiciones conocidas, la iluminación es estable y el proceso está diseñado alrededor de la máquina, un robot puede ser extraordinario.

Pero en una casa, una cocina, una bodega desordenada o un hospital, el mundo cambia todo el tiempo.

• Los objetos se mueven.

• El suelo puede estar mojado.

• Una puerta puede no abrir bien.

• Una persona puede atravesarse.

Ese tipo de variabilidad es exactamente lo que hace difícil la robótica general.

Por qué los robots “simples” son tan difíciles

Hay una idea clásica en inteligencia artificial llamada la paradoja de Moravec. Explica gran parte del retraso histórico de la robótica.

Para los humanos, resolver ecuaciones, jugar ajedrez o escribir código se siente difícil. Caminar, agarrar una taza, doblar una playera o limpiar una mesa se siente fácil.

Las computadoras pudieron hacer cálculo, jugar ajedrez y manipular símbolos mucho antes de poder moverse en el mundo con la flexibilidad de un niño.

La explicación es que las habilidades físicas que nos parecen “fáciles” son el resultado de millones de años de evolución: visión, equilibrio, tacto, coordinación, intuición espacial, manipulación fina. No las notamos porque las ejecutamos sin pensar.

Por eso muchas demos robóticas importantes se ven aburridas para una persona normal.

Un robot doblando ropa, guardando platos o limpiando una cocina no se ve tan espectacular como un humanoide dando una vuelta en el aire. Pero técnicamente no tienen comparación.

Un robot haciendo acrobacias puede estar en un entorno controlado, con movimientos preprogramados y condiciones muy específicas.

En cambio, limpiar una cocina desconocida requiere reconocer objetos, inferir su función, decidir qué va dónde, coordinar movimientos finos y reaccionar a errores.

Qué cambió con los modelos de lenguaje

ChatGPT cambió la percepción pública de la inteligencia artificial porque mostró que un modelo generalista podía hacer muchas tareas de lenguaje sin haber sido programado una por una.

Antes había sistemas especializados en traducir, sistemas para resumir, sistemas para corregir texto, sistemas para clasificar documentos.

La robótica está intentando una transición parecida. Aquí aparecen los modelos VLA, por vision-language-action. En términos simples: modelos que reciben información visual, entienden instrucciones en lenguaje natural y producen acciones físicas.

Google DeepMind presentó RT-2 en 2023 como un modelo VLA que aprende tanto de datos web como de datos robóticos para traducir visión y lenguaje en acciones de control robótico.

Eso es importante porque conecta dos mundos que antes estaban más separados.

Por un lado, los modelos de lenguaje y visión tienen una especie de “sentido común” aprendido de internet. Pueden entender que si alguien dice “limpia el derrame”, probablemente hay que buscar algo para limpiar, ubicar el líquido y pasar una esponja o trapo por la superficie. Pero ese entendimiento no basta.

Un robot también necesita saber si puede alcanzar el objeto, cuánta fuerza usar, cómo mover el brazo, qué pasa si el trapo se dobla, cómo corregir si el vaso se cae o si la mesa está en una posición distinta.

Existen otras arquitecturas como DVA, JEPA, world models, entre otros.

El gran cuello de botella: no existe un internet del movimiento

Los modelos de lenguaje pudieron entrenarse con una cantidad enorme de texto disponible en internet: libros, páginas web, foros, documentación, código, artículos.

La robótica no tiene un equivalente directo. No existe un internet masivo de cómo se siente agarrar una taza, cuánta fuerza se necesita para cerrar un cajón viejo, cómo cambia la fricción de una tela al doblarla o qué hacer cuando una puerta se atora.

Ese es uno de los mayores cuellos de botella del campo y una de las oportunidades de negocio que más ha crecido en San Francisco, y que pocos han explorado en Latinoamérica.

Los robots necesitan datos físicos. Y los datos físicos son caros, lentos y difíciles de recolectar.

El problema de tiempo real

Hay otra diferencia enorme entre un chatbot y un robot. Si le pides algo a ChatGPT y tarda dos segundos más, casi no pasa nada. La respuesta llega completa.

Un robot no tiene ese lujo, está moviéndose en el mundo físico. Si tarda demasiado en decidir el siguiente movimiento, se nota. Puede pausar, temblar, chocar, perder equilibrio o simplemente verse torpe.

Por eso parte del avance reciente no está solo en “hacer modelos más inteligentes”, sino en hacerlos capaces de actuar en tiempo real.

Physical Intelligence ha trabajado en técnicas como real-time chunking. La idea es simple de explicar: en lugar de pedirle al modelo que decida un movimiento a la vez, le pides que prediga una secuencia de movimientos. Mientras el robot ejecuta esa secuencia, el modelo ya está calculando la siguiente. En sus modelos, usan bloques de 50 acciones, aproximadamente un segundo de tiempo real.

Ese detalle puede sonar menor, pero para el usuario final es la diferencia entre una máquina que se mueve de forma torpe y una máquina que empieza a moverse de forma natural.

Por qué los humanoides llaman tanto la atención

Los humanoides reciben tanta atención por una razón sencilla: el mundo humano está diseñado para cuerpos humanos.

Si quieres automatizar un mundo construido para humanos, tienes dos opciones.

1. La primera es rediseñar el mundo para máquinas. Eso es lo que muchas fábricas ya hicieron.

2. La segunda es construir máquinas que puedan operar en espacios humanos.

No necesariamente porque sea la forma óptima para todo, sino porque promete entrar en entornos existentes sin tener que rediseñarlos desde cero.

Pero también tiene sus contras. Un humanoide es uno de los formatos más difíciles: equilibrio, manos, locomoción, manipulación fina, consumo energético, seguridad cerca de personas, costo de fabricación y mantenimiento.

En muchos casos, un robot especializado puede ser más rentable que un humanoide general. Por eso no creo que debamos pensar en “humanoides vs robots especializados” como una guerra con un solo ganador.

Lo más probable es que veamos una mezcla.

1. En fábricas, almacenes, minería, agricultura, hospitales y cocinas industriales, muchos robots seguirán siendo especializados.

2. En hogares, oficinas, retail y ciertos espacios humanos, los humanoides pueden tener más sentido si logran suficiente confiabilidad a un costo razonable.

Por qué todos están mirando este espacio

En los últimos años, este campo dejó de ser solo académico.

1. Google DeepMind lanzó Gemini Robotics y en abril de 2026 presentó Gemini Robotics-ER 1.6, enfocado en capacidades críticas para robots como razonamiento visual y espacial, planeación de tareas y detección de éxito.

2. NVIDIA presentó GR00T N1, un modelo fundacional abierto para humanoides entrenado con videos humanos, trayectorias robóticas reales, simulación y datos sintéticos.

3. Figure presentó Helix, un modelo VLA para humanoides que une percepción, lenguaje y control aprendido, incluyendo control del torso, cabeza, muñecas y dedos.

4. Physical Intelligence ha trabajado en modelos VLA como π0.5, enfocados en generalizar tareas robóticas fuera del laboratorio.

Los LLM ya transformaron parte del trabajo digital. Ahora el capital, los laboratorios y los founders están intentando llevar esa capacidad al mundo físico.

Qué falta para que esto se vuelva masivo

El progreso técnico es real, pero todavía hay obstáculos grandes.

El primero es confiabilidad. En software, un modelo que acierta 80% de las veces puede ser útil si hay supervisión humana. En robótica, 80% puede ser insuficiente. Una empresa no quiere un robot que “casi siempre” cargue una pieza correctamente si el 20% restante detiene la línea.

El segundo es costo. Un robot no es solo software. Tiene cuerpo, mantenimiento, piezas, baterías, sensores, instalación, soporte y seguro. El modelo económico tiene que competir contra mano de obra, outsourcing, máquinas existentes o rediseño de procesos.

El tercero es datos. Para que los robots mejoren, necesitan operar en el mundo real. Pero para operar en el mundo real, necesitan ser suficientemente buenos. Ese ciclo todavía está empezando.

El cuarto es seguridad. Un agente digital puede equivocarse en un documento. Un agente físico puede mover una herramienta, empujar una mesa, derramar líquido o acercarse demasiado a una persona. La seguridad no será un tema secundario. Será parte del producto.

El quinto es integración. Muchas empresas no tienen procesos listos para automatización física. Sus operaciones dependen de excepciones, improvisación, comunicación informal y conocimiento tácito de operadores.

Antes de meter robots, muchas tendrán que rediseñar flujos, layouts, datos operativos y responsabilidades.

Entonces, ¿cuándo llega?

Depende de qué entendamos por “llegar”.

• Los robots ya están aquí en fábricas, logística y ciertos entornos industriales.

• Lo nuevo es que están empezando a ganar flexibilidad.

En los próximos años, los avances más importantes probablemente ocurran en entornos comerciales controlados: manufactura, almacenes, alimentos, inspección industrial, minería, agricultura especializada, hospitales y servicios donde las tareas sean repetibles, medibles y económicamente claras.

El hogar será más difícil. No porque no haya demanda, sino porque el hogar es un entorno caótico, emocional, diverso y poco estandarizado. Cada casa es distinta. Cada familia organiza las cosas distinto. La tolerancia a errores es baja. El costo tiene que bajar mucho.

Contenido escrito por Alan Arguello.

Si quieres conocer este tipo de temas de primera mano de personas trabajando en este campo, te invitamos a que revises nuestro programa en Silicon Valley este verano.

Conoce más aquí

Lanzamos Torrenegra & Co y en este artículo quiero compartir los aprendizajes que nos llevaron a ello.

En diciembre terminé en un hackathon en el HQ de xAI en Palo Alto. Pudimos convivir con talento técnico de altísimo nivel y, sobre todo, estar muy cerca de una parte del ecosistema que hoy está empujando la frontera de la inteligencia artificial. Sin embargo, lo más importante de ese viaje no fue el hackathon en sí.

Durante los meses previos, junto a Alexander, habíamos estado explorando entrar al mercado de recolección y venta de datos para empresas como OpenAI, Anthropic, xAI o DeepMind.

Pasé semanas hablando con ingenieros y operadores en distintas compañías. También terminamos organizando un hackathon con Anthropic.

Al final concluimos que entrar al mercado de datos no era tan simple. Pero hubo una observación que me dejó pensando mucho más que la oportunidad de negocio en sí:

No me refiero solo a que no apareciera como región construyendo modelos fundacionales, lo cual era predecible. Me refiero también a que tampoco aparecía como una región de la que estuvieran saliendo empresas importantes de esta nueva ola.

Mientras en otros mercados veías compañías como ElevenLabs, Replit, Harvey o Lovable redefiniendo categorías, Latinoamérica no figuraba en la conversación.

Eso me preocupó porque, cuando una región no construye, no adopta rápido y tampoco genera compañías relevantes alrededor de una nueva tecnología, normalmente termina en el peor lugar posible: el de mercado tardío.

Y cuando eso pasa, el patrón suele repetirse. No somos quienes crean la categoría, tampoco quienes capturan la mayor parte del valor. Terminamos siendo el mercado al que alguien más llega, mejor fondeado y con mejor producto, a quedarse con la oportunidad.

Eso ya pasó con ElevenLabs. Antes había varias empresas en Latinoamérica ofreciendo soluciones de voz para call centers. ElevenLabs no llegó a competir de forma incremental. Llegó a romper por completo la lógica del mercado, conozco de primera mano empresas en Latinoamérica que perdieron más del 50% de sus ingresos.

A partir de ahí empecé a conectar cosas.

Meses antes había participado como invitado en programas ejecutivos en ITAM, en la Javeriana y en la Universidad Continental. En esos espacios había líderes de corporativos grandes, instituciones y entidades gubernamentales.

Había interés genuino por entender qué estaba pasando con IA, qué herramientas estaban saliendo y cómo no quedarse atrás.

Durante un tiempo pensé que el problema era simplemente que muchas de estas organizaciones eran demasiado lentas o demasiado tradicionales.

Después de hablar con más empresas que están vendiendo soluciones con inteligencia artificial, incluyendo algunas que están creciendo muy rápido en Latinoamérica y otras que ya operan a gran escala, entendí algo distinto.

Eso ayuda a explicar por qué tomó tanta fuerza el rol del Forward Deployed Engineer y, más recientemente, perfiles tipo AI Ops o AI Lead.

No son roles que existen para “hablar de IA” en abstracto. Existen porque muchas compañías descubrieron que el valor no aparece por comprar una herramienta, sino por tener a alguien capaz de meterse en la operación, entender los flujos del negocio, identificar dónde sí hay retorno y ejecutar ahí.

Una conversación que me terminó de aterrizar esto fue con Grupo BAL, uno de los conglomerados más grandes de México, con operaciones en educación, retail, seguros, minería y otros sectores.

Su preocupación era bastante lógica: esta tecnología podía terminar afectando prácticamente todas sus líneas de negocio, y no estaban seguros de estar moviéndose con la velocidad suficiente.

Ese patrón se ha repetido bastante en las conversaciones que hemos tenido después junto a Alexander. El freno no es falta de interés. Tampoco es falta de acceso a herramientas. El freno real suele estar en la dificultad de traducir la tecnología a cambios concretos dentro de la empresa.

Aquí es donde aparecen tres obstáculos:

1. El primero es cultural. Hay líderes que sí quieren mover el cambio, pero sus equipos lo resisten porque perciben cualquier iniciativa como una amenaza a su lugar dentro de la organización y porque en su día a día no lo perciben como necesario. Por ende, si esa conversación se aborda mal, la empresa termina discutiendo sustitución antes de haber entendido siquiera dónde existe una oportunidad económica real.

2. El segundo, muchas empresas quieren optimizar procesos que en realidad no están bien identificados. Quieren “poner IA” sobre algo que no está claro ni mapeado. No saben con precisión dónde empieza un flujo, dónde termina, qué excepciones tiene, qué parte es repetitiva, qué parte requiere criterio, ni qué sistema contiene la fuente de verdad.

3. El tercero es la falta de acceso a talento y know-how, aunque muchos no sean conscientes de ello. Hoy en día, la mayoría de las personas piensa que la “IA” no es más que conectarse al API de OpenAI o Anthropic, y muchas fábricas de software y consultores terminan creando porquerías para sus clientes que los hacen gastar dinero de forma absurda. El talento que realmente sabe implementar soluciones de IA es mucho más escaso.

Mi consejo para cualquier empresa

Después de todas estas conversaciones y rebotar ideas con amigos trabajando en BCG y McKinsey, esta es mi conclusión actual y framework que “robé“ de ellos:

• Primero, identifica qué variable económica quieres mover.

No “qué herramienta quieres probar”, sino qué te está doliendo hoy: margen, velocidad, capacidad instalada, error operativo, calidad de servicio o tiempo de ciclo.

Mientras no esté claro qué métrica quieres mejorar, cualquier iniciativa de IA corre el riesgo de verse interesante en una demo, pero irrelevante en la operación.

• Segundo, baja esa variable a un workflow concreto.

No hables de “ventas”, “finanzas” o “servicio” en general. Habla de algo que puedas dibujar.

Por ejemplo: generación de cotizaciones, conciliación de facturas, onboarding de clientes, clasificación de tickets o validación documental.

Si no puedes delimitar un flujo con inicio, fin, dueño y excepciones, todavía no estás listo para automatizar nada.

• Tercero, separa dentro de ese workflow qué parte es determinista y qué parte es estocástica.

Hay tareas donde lo que importa es consistencia, reglas claras y bajo margen de error. Ahí normalmente la oportunidad de estructurar o automatizar es más obvia.

Pero hay otras donde manda el juicio, la negociación, el contexto o la excepción. En esas, la pregunta correcta no suele ser “cómo reemplazo a la persona”, sino “cómo reduzco fricción, cómo preparo mejor el contexto y cómo libero tiempo para que el humano se enfoque en lo más valioso”.

Esto último es, para mí, lo más valioso: no se trata de reemplazar personas. Sino de entender qué tareas de su trabajo pueden ser más eficientes.

Punto extremadamente importante que mencionó Jensen Huang, CEO de NVIDIA.

• Cuarto, recién entonces piensa en el sistema.

McKinsey señala que:

Si las organizaciones no replantean tareas, roles y estructuras de equipo, el ROI de incluso las mejores herramientas termina topándose con un techo.

Lo que separa una demo bonita de algo que sí funciona es el contexto que recibe, las herramientas que puede usar, las reglas que debe seguir, dónde entra el humano y cómo se miden los resultados.

El salto ocurre cuando alguien asume responsabilidad por rediseñar el trabajo, conectar sistemas, definir criterios, acompañar el cambio y operar ese nuevo flujo. No es casualidad que estén apareciendo roles tipo AI Ops, AI Lead o perfiles similares.

Por último, leería estos artículos:

• From Hierarchy to Intelligence

• Institutional AI vs Individual AI

• Services: The New Software

Resumiendo todo esto, me haría estas cinco preguntas:

1. ¿Qué resultado del negocio quiero mover de verdad? Margen, velocidad, capacidad, calidad, error operativo, tiempo de ciclo o crecimiento.

2. ¿Qué workflow concreto explica una parte importante de ese problema? No “ventas” o “finanzas”, sino algo que pueda dibujarse y medirse.

3. Dentro de ese workflow, qué parte depende de reglas y qué parte sigue dependiendo de juicio? Ahí suele estar la diferencia entre lo que conviene automatizar, estructurar o solo asistir.

4. ¿Tenemos las condiciones mínimas para intervenir ese flujo? Un dueño claro, datos razonables, reglas entendidas, excepciones visibles y una línea base que permita medir mejora.

5. Si esto funcionara, qué tendría que cambiar realmente en el día a día de la empresa? Porque si no cambia una decisión, un tiempo de respuesta, una carga operativa o una restricción concreta, probablemente no estamos resolviendo algo importante.

Este artículo fue escrito por Alan Arguello.

Conoce más de Torrenegra & Co aquí

Si pasas suficiente tiempo en X, LinkedIn, Hacker News o en ciertos rincones de tecnología, es fácil sentir que ya vas tarde.

• Sale un modelo nuevo de OpenAI, Anthropic o Gemini.

• Sale otro framework.

• Alguien dice que automatizó media empresa en un fin de semana.

• Otro presume un agente que hace el trabajo de cinco personas.

Y en cuestión de minutos, la conclusión parece obvia:

8 mil millones de personas en la Tierra y solo 0.3% paga por IA

Pero esa sensación tiene un problema: está construida sobre una muestra muy mala del mundo.

La gente que vive obsesionada con AI representa a una minoría muy pequeña, muy intensa y muy adelantada. Si usas esa minoría como termómetro, todo se va a sentir saturado.

Mira con calma la imagen, cada cuadro representa alrededor de 3.2 millones de personas. En total, los 2,500 cuadros representan a los 8.1 mil millones de humanos:

• El gris muestra a quienes nunca han usado IA.

• El verde, a quienes han usado un chatbot gratis.

• El amarillo, a quienes pagan por herramientas de AI.

• El rojo, a quienes usan AI para coding o desarrollo.

Las estimaciones asociadas a la visualización son durísimas: alrededor de 84% del mundo nunca ha usado IA, apenas 0.3% paga por alguna herramienta y solo cerca de 0.04% usa algo como Cursor, Claude Code o herramientas de coding scaffold.

Ese puntito rojo casi invisible, el que en internet parece “todo el mundo”, en realidad es una minoría absurdamente pequeña.

En empresas, la brecha es aún más absurda

1. La Reserva Federal, resumiendo datos del Census Bureau, reportó que al cierre de 2025 solo alrededor de 18% de las firmas en Estados Unidos había adoptado IA.

2. Por otro lado, Ramp, que mide gasto real de negocios en herramientas de AI, estimó que 46.6% de las empresas ya usaba IA a finales de 2025, y más recientemente reportó que en marzo de 2026 la cifra cruzó 50%.

La diferencia entre Census y Ramp depende muchísimo de qué entiendas por adopción:

Si una empresa paga por ChatGPT Team, Copilot o alguna función embebida con IA, eso puede aparecer como adopción en gasto. Pero eso todavía no quiere decir que la empresa tenga una estrategia seria, ni que haya rediseñado cómo trabaja, ni que haya salido de pilotos aislados.

Y esta es una de las cosas que más hemos visto en conversaciones con founders y directivos: empresas que ya usan AI técnicamente, pero todavía no tienen una postura clara sobre qué workflow rediseñar, qué parte comprar, qué parte construir y qué rol debería cambiar de verdad.

No desperdicies esta oportunidad

La distancia entre lo que hoy ya es posible con IA y lo que realmente se ha implementado en el mercado sigue siendo gigantesca.

La ola de internet creó toda una generación de personas que construyeron negocios ayudando a empresas a “subirse a internet”.

Pero el valor que puedes entregar a tus clientes es mucho más alto. Antes, una página web podía costarle a una empresa unos cuantos miles de dólares y, con suerte, traerle algo más de visibilidad o tráfico. Hoy, una buena implementación de IA puede ahorrarle decenas de miles de dólares al año, mejorar tiempos de respuesta, aumentar capacidad operativa o destrabar ingresos, y la empresa puede verlo en semanas, a veces incluso en días.

Así que deja de mirar redes sociales a diario pensando que ya te quedaste atrás.

La ventana está abierta. No va a quedarse abierta para siempre. En los próximos 3 a 5 años esta brecha se va a reducir de forma importante y tendrás más competidores en tu sector.

Así que aprovecha esta oportunidad.

Si en tu empresa ya están explorando IA, pero todavía no tienen claro qué workflows rediseñar, cómo priorizarlos o cómo traducir eso en impacto real, en Torrenegra Consulting estamos ayudando a equipos a aterrizarlo de forma práctica dentro de su operación.

Conoce más haciendo clic aquí.