Español

La Evolución de la AI Empresarial: Del ML Clásico a la AI Moderna

Escalera de tres peldaños que traza la evolución de la AI: ML Clásico, Deep Learning, AI Moderna

Priya dirige una empresa de logística de 120 personas en el medio oeste, con unos ingresos anuales de aproximadamente 22 millones de dólares.

El negocio va bien. 2025 fue el mejor año de la historia de la empresa y el equipo lo sabe.

Pero algo en la forma en que la gente habla de AI le estaba molestando. Cada demo de un proveedor comenzaba con "la revolución de la AI." Uno de sus managers de operaciones, que se incorporó el año pasado directamente desde la universidad, le dijo la semana pasada que la AI realmente no existía antes de los modelos de lenguaje grandes.

Eso último fue lo que colmó el vaso.

Porque Priya sabe que no es verdad. Trabajó en un banco a principios de los años 2000. Los sistemas estadísticos filtraban solicitudes de préstamo antes de que su manager las viera. La AI no empezó en 2022. Lo que cambió fue la interfaz. Lo que cambió fue la accesibilidad. El nivel de ruido, sin duda, también cambió.

Pero la base lleva construyéndose 30 años.

Este artículo es para Priya, y para cada fundador o responsable de operaciones que quiera entender qué cambió realmente en esas tres décadas, por qué la ola de 2022 fue una evolución y no una ruptura, y cómo el ACE Framework está construido para sobrevivir la próxima transición.

Era 1: ML Clásico (aproximadamente 1990 a 2010)

La primera era de la AI empresarial fue silenciosa. No tenía marca. Nadie escribía diapositivas de keynote sobre ella. Simplemente funcionaba dentro de los sistemas que las empresas pagaban y que, en su mayoría, ignoraban.

La columna vertebral técnica era el machine learning clásico: árboles de decisión, regresión logística, modelos estadísticos entrenados con datos históricos. No eran redes neuronales en el sentido del deep learning. Eran, en esencia, herramientas sofisticadas de reconocimiento de patrones que convertían registros históricos etiquetados en estimaciones de probabilidad.

Lo que funcionó. Filtros de spam, puntuaciones FICO (introducidas en 1989, dominantes durante los años 90) y motores de recomendación en los primeros Amazon y Netflix. No eran glamorosos. Pero funcionaban a escala. A mediados de los años 2000, los grandes bancos ejecutaban sistemas de suscripción automatizados que procesaban miles de solicitudes de préstamo con supervisión humana mínima en la primera pantalla.

Quién lo desplegaba. Grandes empresas con equipos de data science e infraestructura propia. Se necesitaban doctores, pipelines de entrenamiento propietarios y meses para construir y desplegar un modelo significativo. Una empresa del mercado medio de 200 personas no tenía eso.

Mapeo al ACE Framework. Esta era era principalmente Predict: scoring, forecasting, detección de anomalías, ranking. Algo de Analyze estaba presente. Ingest, Generate y Execute estaban ausentes o eran extremadamente limitados. Esta era la AI para unos pocos.

Era 2: Deep Learning a Escala (aproximadamente 2010 a 2020)

La segunda era trajo un tipo diferente de cambio. No fue que Predict mejorara drásticamente. Fue que una nueva familia de capacidades se volvió viable comercialmente.

El deep learning, impulsado por GPUs y entrenado en conjuntos de datos de escala internet, desbloqueó capacidades que el ML clásico no podía hacer bien: percibir imágenes, entender el habla, traducir entre idiomas. El artículo de AlexNet en 2012 demostró que una red neuronal profunda podía superar a todos los enfoques existentes en reconocimiento de imágenes. Ese resultado desencadenó una década de investigación aplicada que encontró su camino en productos en pocos años.

Lo que cambió. Ingest confiable a escala. La AI podía procesar imágenes (Google Vision API, 2015), transcribir voz con precisión cercana a la humana (Google Cloud Speech-to-Text, 2016) y traducir en tiempo real. La información atrapada en audio e imágenes podía fluir a sistemas de AI a bajo costo.

Aplicaciones empresariales. Asistentes de voz (Siri 2011, Alexa 2014), reconocimiento de imágenes para control de calidad en retail y manufactura, herramientas de traducción. Gong y Chorus se fundaron en este período, construidos sobre la idea de que la AI ya podía transcribir de forma confiable una llamada de ventas y extraer significado de ella.

Quién lo desplegaba. Big Tech construyó los cimientos (Google, Microsoft, Amazon) y los abrió como APIs. Los seguidores rápidos con equipos de ingeniería consumían esas APIs. La barrera bajó de "contratar un equipo de doctores" a "contratar un ingeniero de software que conozca REST."

Mapeo al ACE Framework. Ingest se convirtió en una capacidad real y accesible. Analyze se enriqueció. Predict continuó madurando. Generate seguía siendo primitivo. Execute era técnicamente posible pero raramente autónomo.

Era 3: LLMs y Agentes (2022 hasta hoy)

ChatGPT se lanzó en noviembre de 2022 y alcanzó un millón de usuarios en cinco días. Ese ritmo de adopción fue real y reflejó algo genuinamente nuevo: por primera vez, la interfaz con la AI era el lenguaje natural. No hacía falta saber programar, configurar una API ni entender la arquitectura del modelo. Solo había que escribir.

Pero la tecnología detrás de la interfaz no nació ese mes. GPT-3 había estado disponible públicamente desde 2020. La arquitectura Transformer data de un artículo de Google de 2017. La investigación que hizo posible GPT-4 llevaba años en marcha. Lo que cambió en noviembre de 2022 fue el empaquetado y el acceso, no la física subyacente de lo que la AI podía hacer.

Lo que cambió. La capacidad Generate pasó de ser periférica a dominante. La AI podía producir texto fluido y coherente en casi cualquier dominio. Y como la interfaz era conversacional, el usuario no necesitaba saber nada sobre el modelo subyacente. Un representante de ventas podía escribir un email de prospección. Un fundador podía redactar un resumen para el directorio. Un responsable de operaciones podía construir un primer borrador de un documento de proceso.

Y luego llegaron los agentes. AI que no solo genera un borrador sino que toma secuencias de acciones: busca, resume, escribe y luego realmente hace algo en un sistema externo. Esto es Execute haciéndose real a escala.

Aplicaciones empresariales. GitHub Copilot (generación de código), resúmenes de llamadas de AI de Gong, Intercom Fin (agente de soporte que gestiona tickets de principio a fin), Salesforce Agentforce, Jasper y Writer para contenido. La lista sigue creciendo porque la barrera para construir con esta tecnología cayó casi a cero.

Quién lo despliega. Todos. Product managers. Responsables de operaciones. Representantes de ventas. CEOs. Esta es la primera era en la que una persona no técnica puede obtener valor significativo de la AI sin más configuración que abrir una pestaña del navegador.

Mapeo al ACE Framework. Generate se convirtió en una capacidad empresarial de primer nivel. Execute se volvió real: sistemas de AI que envían emails, actualizan registros de CRM, confirman código y desencadenan flujos de trabajo sin que un humano toque cada paso. El cuadro completo de cinco capacidades, Ingest, Analyze, Predict, Generate, Execute, es ahora accesible para las empresas del mercado medio por primera vez.

Lo que no ha cambiado en las tres eras

La verdad incómoda que no aparece en las demos de los proveedores: la mayor parte de lo que determina si la AI funciona o falla ha sido cierto desde los años 90. La era cambió. Los obstáculos no.

La calidad de los datos sigue determinando los resultados. Un informe de Gartner de 2025 encontró que el 60% de los proyectos de AI serán abandonados hasta 2026 por datos inadecuados. Este es un problema de 30 años con un sombrero nuevo. El modelo de crédito del banco de 2001 fallaba con entradas malas. Su lead scoring basado en CRM falla con entradas malas hoy. La preparación de datos sigue siendo el prerrequisito poco atractivo que lo decide todo.

La integración de sistemas sigue tardando más de lo esperado. Cada era hizo las capacidades de AI más accesibles. Ninguna de ellas hizo significativamente más rápido conectar esas capacidades a los sistemas empresariales existentes. Todavía se necesitan contratos de API, trabajo en el pipeline de datos y gestión de permisos en la misma dolorosa secuencia que antes.

La gobernanza sigue siendo importante. El scoring crediticio en la Era 1 tenía que cumplir las normas de préstamo justo. El reconocimiento de imágenes en la Era 2 reveló sesgos en herramientas de selección de personal. Los LLMs en la Era 3 producen respuestas equivocadas con confianza total y filtran datos sensibles. La naturaleza del problema de gobernanza evolucionó. La necesidad nunca desapareció.

Predict sigue siendo la capacidad más difícil. Predict depende de datos históricos etiquetados que reflejen el futuro que se intenta predecir. Esa dependencia no cambia con el modelo subyacente. Las entradas malas producen scores malos en las tres eras.

Los humanos siguen necesitando permanecer en el bucle para Execute de alto impacto. El límite entre Generate y Execute merece supervisión humana independientemente del año. La Era 1 tuvo denegaciones automáticas de préstamos que violaron las normas de préstamo justo. La Era 3 tiene agentes de AI que envían emails incorrectos y actualizan registros de CRM de forma equivocada. Herramientas distintas, misma categoría de problema.

Cómo se mapea el ACE Framework en las tres eras

El ACE Framework está estructurado en torno a capacidades en lugar de tecnologías porque las capacidades preceden a las herramientas actuales por décadas.

Ingest existía en las tres eras: OCR y entrada manual en la Era 1, APIs de Google Vision y speech-to-text en la Era 2, modelos multimodales en la Era 3. La capacidad es consistente. La fidelidad y el acceso mejoraron.

Analyze es la capacidad más antigua. La clasificación de texto y la extracción de entidades existían en investigación antes de que la AI comercial fuera una categoría. La Era 3 las pone disponibles mediante instrucción en lenguaje natural para cualquiera que tenga un navegador.

Predict es el territorio nativo de la Era 1, refinado durante 30 años. La lógica (los datos históricos producen pronósticos probabilísticos) no ha cambiado. Los enfoques aumentados con LLM ahora incorporan señales no estructuradas junto con datos estructurados, pero la categoría de capacidad es la misma.

Generate apenas existía en la Era 1 más allá de plantillas predefinidas. La Era 3 la convirtió en la capacidad más visible, porque su resultado es legible para cualquier humano sin contexto técnico.

Execute existió en las tres eras en formas progresivamente más amplias: denegaciones automáticas de préstamos en la Era 1, marcado de contenido a escala en la Era 2, agentes de AI autónomos en la Era 3. Lo que cambió es el alcance de las acciones y la velocidad con que la AI puede encadenarlas. Los requisitos de gobernanza crecieron proporcionalmente.

Por qué la estabilidad del marco importa

Los nombres de modelos específicos tienen una vida útil corta. GPT-4 se convirtió en GPT-4o. Claude-3 se convirtió en Claude-3.5, luego en 3.7. Gemini Ultra fue anunciado, actualizado y renombrado en menos de un año. GitHub Copilot añadió funcionalidades trimestralmente. Jasper tuvo rumores de adquisición, cambios de socios y un par de pivotes.

Si su comprensión de la AI está organizada alrededor de productos específicos, está reconstruyendo su modelo mental cada seis meses. Esto es agotador y conduce a malas decisiones: perseguir el modelo más nuevo en lugar de hacer el trabajo de integración poco glamoroso, sobre-apostar en un proveedor que puede no existir en dos años, y confundir "nueva interfaz" con "nueva capacidad."

El ACE Framework está organizado a un nivel de abstracción que supera los ciclos de producto. Ingest es Ingest tanto si llama a Google Vision API en 2016 como a un endpoint multimodal de GPT-4o en 2025. Predict es Predict tanto si ejecuta XGBoost en un servidor como si llama a Salesforce Einstein Forecasting. Las herramientas cambian. Las capacidades no.

Esto no es solo filosófico. Tiene implicaciones prácticas en cómo estructura su pensamiento sobre AI. Si evalúa las iniciativas de AI usando etiquetado de capacidades en lugar de nombres de productos, su marco de evaluación sobrevive a los cambios de proveedor, fusiones y depreciaciones de modelos. Puede cambiar la herramienta. El mapa de capacidades se mantiene consistente.

Lo que podría venir en la Era 4: especulación

Nadie sabe cómo se verá la Era 4. Pero hay direcciones de investigación que vale la pena observar y que podrían promover nuevas capacidades de primer nivel.

Los modelos de mundo dan a la AI una comprensión física persistente: cómo se comportan los objetos en el espacio, cómo funcionan los sistemas mecánicos. Esto importa sobre todo para la manufactura y la infraestructura física. Los modelos de mundo confiables representarían un eje de capacidad genuinamente nuevo, no solo una versión mejorada de los existentes.

La memoria persistente cambia cómo funcionan Analyze y Predict. La AI de hoy en gran medida empieza de cero en cada sesión. Un sistema que acumula contexto sobre su empresa durante meses funcionaría de forma muy diferente a uno que le olvida en cada actualización.

La coordinación multiagente lleva Execute hacia la plena autonomía: un agente planifica, otro ejecuta, un tercero valida, un cuarto escala a un humano. Existen versiones tempranas (AutoGPT, Microsoft Copilot Studio), pero los sistemas multiagente confiables a escala empresarial todavía son incipientes.

Si alguno de estos madura hasta convertirse en capacidad comercial, "Recordar" o "Coordinar" podría merecer un lugar junto a las cinco capacidades ACE existentes. El marco es explícito en que puede necesitar revisión. Las cinco actuales cubren el campo a fecha de 2026.

Cómo prepararse para la Era 4

La estrategia de preparación no es "elegir el mejor modelo hoy." Todas las empresas que apostaron fuertemente por un modelo o proveedor específico han tenido que rehacer su trabajo cuando las cosas cambiaron. Las inversiones duraderas son independientes de la era.

Invierta primero en el trabajo de Fundamentos. La preparación de datos es aburrida. También es la inversión en AI más duradera. Los datos limpios, etiquetados y accesibles extraen valor de cada generación de herramientas. Las entradas desordenadas producen resultados deficientes independientemente del modelo.

Mantenga el modelo subyacente intercambiable. Si sus flujos de trabajo están construidos sobre la API de un único proveedor sin capa de abstracción, ese proveedor puede revocar su enfoque en cualquier momento. Librerías como LangChain y LlamaIndex existen precisamente para que pueda cambiar de modelo sin reconstruir los flujos de trabajo. Los límites del ACE Framework incluyen explícitamente ser agnóstico en tecnología. Su stack también debería serlo.

Evalúe por capacidad, no por nombre de producto. Pregunte qué capacidades ACE usa una nueva iniciativa. Etiquete las herramientas por capacidad. Leer un caso de uso de AI por su combinación de capacidades es una habilidad que se transfiere entre eras, porque el panorama de proveedores seguirá cambiando.

El arco de 30 años, en un solo marco

La AI empresarial ha estado en el campo desde antes de que la mayoría de las personas que hoy la venden comenzaran sus carreras. Las capacidades se han expandido. Las barreras de acceso han caído. La interfaz cambió drásticamente en 2022, y ese cambio es real y significativo.

Pero la lógica subyacente no ha cambiado. La calidad de los datos determina los resultados. La integración es difícil. La gobernanza importa. Predict sigue siendo la capacidad más difícil de hacer bien. Los humanos siguen necesitando permanecer en el bucle para acciones consecuentes.

El ACE Framework no describe la AI de 2026. Describe lo que es la AI empresarial: cinco verbos, aplicados a datos, compuestos en flujos de trabajo. Esos cinco verbos preceden a ChatGPT por décadas. Y si la Era 4 añade un sexto, actualizaremos el marco para reflejarlo.

Priya no necesita creer que la AI empezó en 2022. Necesita entender qué hace, cómo evaluarla y dónde están las inversiones duraderas. Esa comprensión es lo que el marco está construido para proporcionar.

Qué leer a continuación