Despliegue de la IA en infraestructura y logística real
La implementación de la inteligencia artificial en el sector empresarial ha dejado de centrarse en interfaces de chat para integrarse en procesos físicos y operativos. Un análisis de 136 casos de uso revisados en un periodo de 20 días muestra que las organizaciones están priorizando soluciones acotadas y específicas donde el resultado sea verificable. Esta tendencia se refleja en la transformación de infraestructuras básicas, como ocurre en el caso de Narayana Health en Bengaluru. Este hospital ha diseñado su nuevo centro Banashankari sin laboratorio de diagnóstico ni banco de sangre interno, basando su operativa en el uso de drones para transportar muestras diagnósticas.
La colaboración con la empresa Airbound ha permitido completar más de 1.000 vuelos, reduciendo el tiempo de traslado de muestras a unos siete minutos en trayectos de aproximadamente 4 kilómetros. Este proceso, que anteriormente requería entre tres y cinco horas por carretera debido a la logística de agrupación de muestras, demuestra cómo la IA aplicada puede alterar la arquitectura misma de los edificios y la planificación de servicios sanitarios al convertir la automatización en una pieza de infraestructura central.
En el ámbito del transporte terrestre, Frito-Lay ha desplegado 41 camiones autónomos a través de la tecnología de Gatik. Estas unidades operan en Dallas, Phoenix y el noroeste de Arkansas. La estrategia de implementación ha sido progresiva, comenzando con trayectos fijos de menos de 16 kilómetros para evolucionar hacia rutas dinámicas con decenas de paradas que cubren hasta 640 kilómetros. Gatik ha reportado ingresos contratados por valor de 600 millones de dólares, basando su éxito no en la creación de un vehículo inteligente general, sino en la automatización de rutas específicas y predecibles.
Optimización de rutas aéreas y mantenimiento industrial
La aplicación de la IA también se ha extendido al control del tráfico aéreo mediante la colaboración entre Google Research y NATS, el proveedor de servicios de tráfico aéreo del Reino Unido. Ambos desarrollan la Operación Blue Skies, un ensayo de 30 meses que busca rediseñar las rutas de vuelo sobre el Atlántico Norte. El objetivo es utilizar previsiones meteorológicas basadas en IA para evitar la formación de estelas de condensación, que afectan al clima. El proyecto prevé cubrir unas 10.000 rutas anuales en el espacio aéreo de Shanwick, utilizando observaciones satelitales para verificar si las rutas modificadas evitaron efectivamente la creación de dichas estelas.
Por otro lado, Caterpillar ha implementado el Cat AI Assistant, una herramienta diseñada para técnicos de campo que permite resolver problemas de maquinaria e identificar piezas mediante comandos de voz. La ventaja competitiva de este sistema no reside en el modelo de lenguaje en sí, sino en el acceso a 16 petabytes de datos estructurados y la conexión con 1,6 millones de máquinas. El sistema debe integrar el contexto operativo, sabiendo exactamente qué manual aplicar y qué máquina tiene el técnico delante, estableciendo límites claros sobre qué puede modificar el operario y cuándo es obligatoria la intervención humana.
Estrategias de control de costes y migración de modelos
El incremento en los costes operativos ha provocado que diversas empresas abandonen los modelos cerrados de pago por token para migrar hacia soluciones más económicas. Un ejemplo crítico es el de Harvey, una startup de herramientas de IA para bufetes de abogados. La empresa experimentó una caída drástica en sus márgenes brutos, pasando del 50 % a un 50 % negativo hacia junio, debido a que el uso de tokens de OpenAI y Anthropic creció veinte veces. Para revertir esta situación, Harvey lanzó su propio modelo basado en Kimi K3 de Moonshot, un modelo de pesos abiertos (open weight), recuperando así la rentabilidad.
Los modelos de pesos abiertos permiten a las organizaciones descargar el modelo y ejecutarlo en sus propios servidores, pagando únicamente por la capacidad de cómputo y no por cada fragmento de texto procesado. Esta tendencia es visible en grandes corporaciones como AT&T, donde el 40 % de las cargas de trabajo de IA ya son gestionadas por modelos abiertos. Los compradores corporativos han empezado a tratar los modelos de IA como componentes intercambiables que pueden sustituirse cuando el precio de los proveedores de frontera deja de ser competitivo o cuando finalizan los descuentos por volumen.
Gobernanza, hardware y riesgos en el entorno corporativo
La integración de la IA en los informes financieros y regulatorios, como los presentados ante la SEC, revela que la prioridad empresarial se ha desplazado hacia el control, la energía y la seguridad. Intapp ha implementado agentes expertos que siguen manuales específicos de la firma utilizando memoria institucional y ontologías industriales, integrando controles de permisos y registros de auditoría para rastrear cada decisión. En este sentido, la gobernanza se ha convertido en parte del producto y no en un trámite administrativo posterior.
Desde la perspectiva del hardware, ChronoScale planea construir 50 megavatios de capacidad de cómputo en Norteamérica para Microsoft utilizando sistemas NVIDIA GB300 NVL72. Este despliegue subraya que la IA aplicada depende críticamente de factores físicos como el suministro eléctrico, la disponibilidad de terrenos y la implementación de sistemas de refrigeración líquida. Simultáneamente, existen despliegues de alta criticidad y baja escala, como el contrato de Safe Pro en Ucrania, que suministra cinco portátiles con GPU endurecidas para la detección de amenazas explosivas, diseñados para operar sin conexión a internet.
En cuanto a la seguridad, Analog Devices ha incluido formalmente el código generado por IA como un riesgo operativo en sus declaraciones. La empresa advierte que el código automatizado puede introducir vulnerabilidades o código malicioso, situando la generación de software mediante IA dentro del perímetro de riesgo formal de la compañía. Esto marca un cambio en la percepción de la IA, que pasa de ser una herramienta de productividad a un vector potencial de fallos de seguridad.
Análisis de resultados y brecha de evidencia
Existe una disparidad notable entre los anuncios corporativos y los resultados medibles. De los 136 despliegues analizados por AI Weekly entre el 11 y el 30 de agosto, solo 38 presentaron resultados reportados, mientras que 98 no aportaron datos sobre el impacto real de la implementación. De estos casos, 47 están en producción, 34 son anuncios, 16 son pilotos y 9 han sido detenidos o revertidos. Esta falta de evidencia sugiere que gran parte de la retórica empresarial sobre la IA aún no se ha traducido en casos de estudio con mejoras cuantificables.
La eficacia de la IA aplicada se está midiendo ahora mediante cuatro criterios estrictos: la identificación del flujo de trabajo exacto que ha cambiado, la definición de quién asume la responsabilidad cuando el sistema falla, la delimitación de las capacidades de decisión de la IA y la comparación de la mejora respecto a un estado anterior. Sin estas respuestas, las implementaciones se consideran meros anuncios y no casos de éxito operativos.
Riesgos de autonomía y supervisión humana
La delegación de decisiones críticas a la IA ha mostrado fallos significativos en la gestión de personal. Un caso experimental en una tienda de San Francisco gestionada por la IA Luna resultó en el despido de un empleado. A pesar de que el empleado había incurrido en faltas graves, como llegar tarde y sustraer mercancía, la IA no reconoció que estos comportamientos violaban el manual del empleado que ella misma había redactado. Fue necesaria la intervención de ingenieros para que el sistema detectara el patrón de infracción, lo que resultó en una pérdida económica de 40.000 dólares para el negocio.
Este incidente pone de relieve la incertidumbre sobre la capacidad de los agentes de IA para aplicar reglas coherentes en entornos reales sin una supervisión humana constante. Aunque Andon Labs afirma que las decisiones de alto riesgo siguen contando con supervisión, el hecho de que una IA participara en un proceso de despido tras olvidar sus propias normas subraya la fragilidad de los sistemas autónomos en la gestión de recursos humanos.
El mercado de la IA de frontera se ha fragmentado ahora en tres ejes estratégicos: el control del acceso a la inteligencia, la propiedad directa del modelo para evitar la dependencia de terceros y la gestión técnica de asignar tareas específicas a modelos concretos según su coste y capacidad.
