Seguro que has notado la fiebre que recorre el sector corporativo. Muchos dueños de negocio temen «perder el tren de la inteligencia artificial» y compiten por contratar agencias a medida, gastando decenas o cientos de miles de dólares en sistemas agénticos llave en mano. Los integradores prometen maravillas, atan a toda prisa una telaraña de prompts, scrapers y adaptadores frágiles con cinta aislante y, tres meses después, el cliente se encuentra frente a un desastre: sale una actualización del modelo base de OpenAI o Anthropic y toda esa construcción casera se desmorona como un castillo de naipes.
El fundador de la agencia AI Makeover, Liam Ottley, publicó un análisis muy lúcido y realista: las empresas deben dejar de quemar presupuestos sin pensar en código a medida mientras llegan plataformas corporativas maduras. Ya comentamos este cambio de paradigma en el artículo sobre el fin de la era de los trucos de prompt y el paso a agentes sistémicos, y ahora vamos a desarmar la trastienda arquitectónica de esta crisis.
La lección de Henry Ford: en qué punto estamos
Liam traza un paralelismo histórico muy claro con los albores del automóvil a finales del siglo XIX. Antes de la línea de montaje de Henry Ford, cada coche era una pieza artesanal: los maestros torneaban a mano engranajes, tuercas y ejes únicos. Esos vehículos costaban fortunas, se averiaban en el primer viaje y exigían un mecánico personal que conociera las manías de ese motor concreto.
Justo en ese punto está hoy la industria de la IA aplicada. Cada estudio escribe su propio «framework único de orquestación», reinventando la rueda desde cero. Pero en cuanto los gigantes del mercado estandaricen los protocolos de plataforma, todo ese zoológico hecho a medida se convertirá de golpe en una deuda técnica imposible de sostener.
Las siete capas de una plataforma madura del futuro
Para entender hacia dónde va el mercado, Liam descompone la arquitectura de un verdadero sistema operativo de inteligencia corporativa (AIOS) en siete niveles fundamentales:
- Agentes (Agents): empleados digitales especializados (analista, copywriter, reclutador, revisor de código).
- Contexto (Context): manuales de la empresa, tono de voz de la marca, descripciones de puestos, historial de decisiones y reglas de seguridad.
- Datos (Data): conexión operativa con los almacenes reales de la compañía: CRM, ERP, bases Postgres e inventarios.
- Arnés (Harness): entorno seguro de ejecución de código, sandboxes, reversión automática de transacciones ante fallos y manejo de errores imprevistos.
- Orquestación (Orchestration): enrutamiento inteligente de tareas entre varios agentes y coordinación del traspaso de turno hacia una persona.
- Interfaz (Interface): un UI/UX unificado y cómodo donde el equipo trabaja con los agentes con la misma naturalidad que en Slack o Notion.
- Integraciones (Integration): conectores industriales fiables hacia cientos de APIs corporativas externas.
Construir las siete capas con un equipo pequeño de desarrollo a medida es prácticamente inviable. Intentar programar hoy tu propio arnés y tu propia orquestación está condenado a quedar obsoleto mañana.
La estrategia de la «Sala de espera»: dónde invertir el dinero
Liam propone a las empresas una estrategia sensata: situarse en la «sala de espera» (The AI Waiting Room). Eso no significa quedarse de brazos cruzados, sino concentrarse en aquello que seguirá siendo tuyo sin importar cuántas veces cambien los modelos:
- Invierte en la capa de contexto (Context Layer): pon orden cristalino en tus procedimientos, digitaliza los criterios de calidad de cada departamento y redacta instrucciones y límites de responsabilidad claros. Si un manual resulta ambiguo para un humano, ningún agente del mundo podrá ejecutarlo sin errores.
- Usa servicios estándar ya listos: resuelve el día a día con herramientas masivas probadas (ChatGPT Dots, Claude Code, Manus o flujos sólidos en n8n/Make).
- No pagues por «inventar la rueda»: si un proveedor te propone cobrar medio millón de rublos por programar un motor propio de gestión de contexto, declina con educación. En seis meses los grandes proveedores lo ofrecerán de serie como un servicio en la nube fiable.
Antes de soltar dinero para un desarrollo de IA a medida, hazle al integrador tres preguntas directas: «¿Qué pasará con este sistema cuando salga la próxima versión del modelo base?», «¿Cuántas horas al mes hará falta dedicar al mantenimiento del pegamento a medida entre APIs?» y «¿Podremos migrar los escenarios configurados a otra plataforma sin reescribir el backend?». Las respuestas honestas te ahorrarán millones de rublos.
En resumen: el futuro de la IA corporativa pertenece a las líneas de montaje estandarizadas. Tu tarea principal hoy es preparar una «materia prima» de calidad en forma de datos limpios y reglas claras, en lugar de intentar forjar a mano tu propia máquina de vapor.

