El ajuste de cuentas del envoltorio
, Darren Mowry, vicepresidente de Google que dirige su organización global de startups en Cloud, DeepMind y Alphabet, emitió una advertencia contundente: dos categorías de startups de IA corren peligro de extinción. El primero es el “LLM wrapper”, una empresa que coloca una capa de producto encima de un gran modelo de lenguaje existente y cuenta con ese modelo de back-end para hacer todo el trabajo real. El segundo es el "agregador de IA", una empresa que agrupa varios LLM detrás de una única API o capa de enrutamiento. "La industria ya no tiene mucha paciencia para eso", dijo Mowry.
Semanas más tarde, el acelerador Atoms de Google y Accel revisó aproximadamente 4.000 aplicaciones de inicio de IA y rechazó alrededor del 70% de ellas por considerarlas envoltorios superficiales. Las startups que hicieron el corte compartían un rasgo común: estaban construyendo modelos propietarios para verticales específicas, utilizando la técnica de IA adecuada para el problema en cuestión en lugar de subcontratar toda la inteligencia a un LLM de propósito general.
Esta no es una corrección menor. Señala un cambio fundamental en la forma en que la industria piensa sobre la arquitectura de IA. Y apunta hacia un futuro que no es simplemente “posterior al LLM”, sino algo mucho más interesante: diverso en las tecnologías de IA que aprovecha y distribuido en la forma en que se componen esas tecnologías.
Una década de avances especializados
Para entender por qué, es útil alejarse. Si ha prestado atención a la IA durante la última década, habrá sido testigo de algo notable. No una revolución, sino una serie de ellas, cada una impulsada por una tecnología diferente que conquista una clase diferente de problema.
A principios de la década de 2010, las redes neuronales convolucionales transformaron la visión por computadora. De repente, las máquinas pudieron reconocer rostros, leer escáneres médicos e interpretar el mundo visual con una precisión sobrehumana. Las CNN no resolvieron todo. Resolvieron la visión y lo resolvieron espectacularmente.
Luego vino el aprendizaje por refuerzo profundo. En 2013, DeepMind capacitó a un agente para jugar juegos de Atari a partir de píxeles sin procesar, aprendiendo estrategia a partir de prueba, error y recompensa. Dos años después, AlphaGo derrotó al campeón mundial de Go, un juego con más posiciones posibles que átomos en el universo. DRL no reemplazó a las CNN. Abrió una frontera completamente nueva: máquinas que podían aprender a tomar decisiones en entornos complejos y dinámicos.
Y ahora, grandes modelos de lenguaje. GPT, Claude y sus sucesores han creado máquinas extraordinarias para comprender y generar lenguaje, razonar entre dominios, resumir grandes cantidades de información e interactuar con humanos en conversaciones naturales. El impacto ha sido asombroso, y con razón.
Pero esto es lo que se pierde en la emoción: cada uno de estos avances fue una herramienta especializada que destacó en una clase específica de problema. Las CNN destacan por su percepción. Los LLM se destacan en lenguaje y razonamiento. Y el aprendizaje por refuerzo, específicamente el aprendizaje por diferencias temporales, sobresale en la toma de decisiones secuenciales en condiciones de incertidumbre.
Esta es exactamente la lección que el ajuste de cuentas está enseñando al ecosistema de startups de la manera más difícil.
La herramienta adecuada para cada tarea
La conversación actual sobre IA está dominada por los LLM, y por una buena razón. Son increíblemente versátiles y accesibles. Pero la versatilidad no debe confundirse con la universalidad. Un LLM no es un motor de toma de decisiones. Puede razonar sobre decisiones. Puede generar opciones. Puede explicar maravillosamente las compensaciones. Pero controlar un proceso, tomar una secuencia de elecciones a lo largo del tiempo, en un entorno estocástico, donde la retroalimentación se retrasa semanas o meses: ese es un problema fundamentalmente diferente.
Hubo cierto entusiasmo inicial en torno a Decision Transformers, que intentó replantear el aprendizaje por refuerzo como un problema de modelado de secuencias que podría aprovechar las arquitecturas de transformadores. Fue una idea elegante. Pero en la práctica, no ha desplazado el aprendizaje de diferencias temporales para las tareas de control del mundo real. Cuando el problema es genuinamente secuencial y dinámico, el aprendizaje TD sigue siendo el enfoque probado.
Consideremos los precedentes. DeepMind utilizó el aprendizaje por refuerzo profundo para optimizar los sistemas de refrigeración del centro de datos de Google, reduciendo el consumo de energía en un 40 %. No escribiendo mejores informes sobre energía, sino tomando continuamente decisiones de control en tiempo real en un sistema físico complejo. En la conducción autónoma, la capa de percepción utiliza CNN para ver la carretera, pero la capa de planificación y control, la parte que decide cuándo frenar, acelerar o cambiar de carril, se basa en el aprendizaje por refuerzo. La percepción y el control son problemas diferentes. Merecen herramientas diferentes.
La misma lógica se aplica a las ventas. Escribir un mejor correo electrónico es un problema de idioma y los LLM son perfectos para ello. Enriquecer una lista de clientes potenciales es un problema de recuperación de datos. Pero, ¿comprender la dinámica de un canal, modelar cómo evolucionan los acuerdos con el tiempo y aprender qué patrones conducen a ganancias y pérdidas? Ese es un problema de control y optimización. Y exige un aprendizaje de diferencias temporales.
Para hacer esto más concreto: considere cómo avanza un acuerdo a través de un canal de ventas B2B. En cada etapa, un representante enfrenta una secuencia de decisiones. Cuándo realizar el seguimiento. ¿Qué parte interesada involucrar a continuación? Ya sea para ofrecer un descuento o mantenerse firme en el precio. Cada elección afecta lo que sucede en el futuro, y el resultado (ganado o perdido) puede no materializarse durante meses. El espacio estatal tiene muchas dimensiones (tamaño del acuerdo, niveles de participación de las partes interesadas, presión competitiva, calendario), las transiciones son estocásticas y la señal de recompensa es escasa y retrasada. Este es un problema de aprendizaje por refuerzo de libros de texto. Un LLM puede redactar el correo electrónico de seguimiento, pero decidir si enviarlo, cuándo y a quién es un desafío completamente diferente.
Ésta es la distinción que el modelo contenedor omite por completo. Una startup que integra un LLM en un flujo de trabajo de ventas puede ayudar a los representantes a escribir mejores correos electrónicos. No puede aprender, a través de miles de resultados de acuerdos, que una secuencia específica de participación de las partes interesadas en acuerdos de atención médica empresarial conduce a una mejora de tres veces en las tasas de cierre. Eso requiere un tipo de inteligencia fundamentalmente diferente.
Desde modelos monolíticos hasta diversas redes de agentes
Esta idea apunta hacia algo mucho más grande que qué modelo usar para qué tarea. Apunta hacia una nueva arquitectura para la IA empresarial y explica por qué la advertencia de Mowry tuvo tanta repercusión.
El paradigma actual es esencialmente monolítico: un gran modelo al que se le pide que lo haga todo. Chatea con los clientes. Escribir documentos. Analizar datos. Hacer recomendaciones. Es como si toda la industria del software hubiera intentado crear cada aplicación como un solo programa.
Pero ya hemos aprendido esta lección antes. A principios de la década de 2000, la industria del software pasó de las aplicaciones monolíticas a la arquitectura orientada a servicios, o SOA. En lugar de una base de código masiva que intentaba hacerlo todo, se construyeron redes de servicios pequeños y especializados, cada uno de los cuales hacía una cosa excepcionalmente bien. Cada servicio tenía una interfaz bien definida y un conjunto claro de capacidades. Una capa de orquestación los compuso en flujos de trabajo complejos. El resultado fue más robusto, más escalable y más adaptable que cualquier cosa que un monolito pudiera lograr.
La IA va en la misma dirección. El futuro no es un modelo que los gobierne a todos. Son millones de agentes especializados, cada uno de ellos capacitado para hacer una cosa con precisión. Un agente que comprende el impulso de los acuerdos en SaaS empresarial. Un agente que detecta la dinámica del comité de compras. Un agente que modela la sensibilidad de los precios en transacciones del mercado medio. Cada uno pequeño, concentrado y muy bueno en su trabajo. Y, lo que es más importante, cada uno de ellos se basa en el paradigma de la IA que realmente se adapta al problema que resuelve, no en un transformador porque eso es lo que está de moda.
Estos agentes no trabajan de forma aislada. Forman redes. Se comunican. Y hacer que funcionen juntas requiere dos capacidades distintas que son fáciles de combinar pero fundamentalmente diferentes.
El primero es el razonamiento y la descomposición. Aquí es donde brillan los LLM. Dado un objetivo complejo, por ejemplo, "evaluar la salud de este acuerdo empresarial", un LLM puede dividirlo en subtareas: analizar la participación de las partes interesadas, evaluar la dinámica de precios y comparar con patrones históricos de este tipo de acuerdo. Entiende la intención, descompone los problemas y puede sintetizar los resultados en una visión coherente.
El segundo es la orquestación, y esto es algo completamente distinto. Un solo agente podría requerir los resultados de múltiples modelos antes de poder actuar: una señal de impulso de un modelo, un mapa de partes interesadas de otro, un contexto de mercado de un tercero. Gestionar ese flujo de ejecución, manejar las dependencias, enrutar las salidas a las entradas correctas y coordinar los tiempos es un problema de infraestructura, no un problema de razonamiento. Requiere una capa de orquestación dedicada que se encuentre entre la dirección estratégica del LLM y la ejecución de los agentes.
Piénselo a través del paralelo SOA: el LLM es como la lógica empresarial que decide lo que debe suceder. La capa de orquestación es el middleware que garantiza que realmente suceda, que se llamen a los servicios correctos en el orden correcto y con los datos correctos. Y los agentes son los propios servicios, cada uno con una capacidad bien definida registrada en lo que equivale a un directorio de habilidades.
Esto es lo que significa decir que el futuro de la IA para las ventas es diverso y distribuido. Diverso en las tecnologías que aprovecha: LLM para razonamiento, aprendizaje TD para control, modelos especializados para tareas de dominios específicos. Y distribuido en su arquitectura: no un cerebro, sino una red coordinada de agentes, orquestados para trabajar juntos y compuestos en algo mucho más poderoso de lo que podría ser cualquier modelo individual.
La empresa agente
Si ampliamos esta visión más allá de las ventas, comenzaremos a ver la forma de algo transformador: la empresa agencial.
Pero esto es lo que hace que esto sea realmente poderoso: los humanos y los agentes no operan en carriles separados. Trabajan de la mano. Un agente que explora un vasto espacio estatal podría descubrir un patrón que ningún ser humano habría notado, una secuencia de interacción contraintuitiva que mejora dramáticamente las tasas de cierre en un segmento específico. Y la intuición humana, una corazonada sobre un nuevo mercado, la sensación de que un acuerdo no es lo que parece en el papel, pueden redirigir a los agentes hacia un territorio inexplorado que ningún algoritmo habría priorizado por sí solo.
De ahí proviene la verdadera disrupción. No solo de agentes, ni solo de humanos, sino del vínculo entre ellos. Los agentes amplían lo que es posible observar y optimizar. Los humanos aportan contexto, juicio y el tipo de pensamiento lateral que ninguna exploración del espacio estatal puede replicar por completo. Cada uno hace al otro mejor. Los avances ocurren en la interfaz.
En la empresa de agentes, la ventaja competitiva no es la IA ni las personas. Es la calidad de la colaboración entre ellos.
Qué significa esto para los profesionales
Si está integrando la IA en una organización de ventas (o en cualquier proceso empresarial complejo), la conclusión práctica es la siguiente: resista la tentación de tratar su LLM como un solucionador universal. El ajuste de cuentas no es sólo una tendencia del capital de riesgo. Refleja una auténtica realidad técnica.
¿Es un problema de idioma? Utilice un LLM. Redactar información divulgativa, resumir transcripciones de llamadas, extraer términos clave de contratos: estas son tareas en las que los transformadores sobresalen y en las que obtendrá excelentes resultados con los modelos actuales.
¿Es un problema de percepción o de clasificación? Considere la arquitectura del modelo adecuado para el tipo de señal. Detectar sentimientos en grabaciones de voz, clasificar clientes potenciales entrantes por intención, leer y estructurar documentos: cada uno de estos puede requerir un modelo especializado en lugar de uno de propósito general.
¿Es un problema de decisión secuencial? Aquí es donde la mayoría de los equipos buscan un LLM y obtienen resultados mediocres. Decidir qué acuerdos priorizar, cuándo escalar, cómo distribuir el tiempo de un representante en una cartera de oportunidades: estos son problemas de control con recompensas retrasadas y dinámicas estocásticas. El aprendizaje de diferencias temporales, no la predicción del siguiente token, es el marco correcto.
Luego plantee la pregunta arquitectónica más difícil: ¿cómo se componen estos agentes especializados? ¿Qué capa de orquestación gestiona el flujo de información entre ellos? ¿Cómo se construye un sistema en el que un LLM descompone el objetivo, un orquestador coordina la ejecución y un conjunto de agentes enfocados manejan cada uno su pieza?
Este no es un problema de ingeniería trivial. Pero es la dirección en la que se está moviendo el campo, y las startups que sobrevivieron al filtro acelerador de Atoms son una prueba de que el mercado ya está optando por ello. Las organizaciones que comiencen a desarrollar esta arquitectura ahora tendrán una ventaja significativa a medida que madure el ecosistema de agentes de IA especializados.
El futuro de la IA para las ventas no es un modelo que lo haga todo. Es la tecnología adecuada para cada problema, el agente adecuado para cada tarea y una arquitectura de red que los compone en algo mucho más poderoso que cualquier modelo individual.
El futuro es diverso y distribuido. Un humano, millones de agentes.
Nicolas Maquaire es cofundador y director ejecutivo de Dynamiks.ai. Con sede en San Francisco y París, anteriormente fundó EntropySoft, que fue adquirida por Salesforce.