Olvida la AGI: el verdadero premio es la Inteligencia Artificial General Empresarial

Por SiliconANGLE · 27 de junio de 2026.

Dave Vellante y George Gilbert, analistas de SiliconANGLE, publican uno de sus habituales 'Breaking Analysis' con una tesis provocadora: la mayor parte de la industria de la inteligencia artificial está compitiendo en la carrera equivocada. Mientras OpenAI, Anthropic y otros laboratorios frontera siguen concentrando esfuerzos en modelos cada vez más generalizados y en alcanzar la superinteligencia, el verdadero premio económico se encuentra en otro lugar: lo que los autores denominan **Enterprise AGI** o AGI empresarial.

**El argumento central: el AGI general ya está resuelto**

Los autores coinciden con Ali Ghodsi, CEO de Databricks, en que la definición práctica de inteligencia artificial general ya ha sido alcanzada. Mover el objetivo hacia la superinteligencia —lo que en análisis previos habían llamado 'Messiah AGI'— genera escaso valor diferenciador para las empresas reales. El debate sobre superinteligencia es, en su opinión, una distracción costosa que beneficia a los laboratorios en términos de narrativa pública, pero no resuelve los problemas concretos que enfrentan las organizaciones.

Para ilustrar este argumento, utilizan la metáfora del Coyote y el Correcaminos: Sam Altman aparece representado como el Coyote (Wile E. Coyote), corriendo a toda velocidad más allá de la oportunidad empresarial y cayendo por el precipicio de la superinteligencia, mientras Ali Ghodsi (Databricks) y Satya Nadella (Microsoft) observan desde el borde como el Correcaminos, sabiendo que la verdadera batalla no es tener el modelo más inteligente, sino ser dueño de la capa de inteligencia empresarial.

**¿Qué es exactamente la Enterprise AGI?**

Se trata de inteligencia que es única y está en propiedad de cada empresa. No es simplemente un modelo más datos empresariales. Los autores la definen como la capacidad de convertir datos propietarios, procesos de negocio y conocimiento tácito en activos gobernados, persistentes y reutilizables sobre los cuales los modelos puedan razonar y los agentes puedan actuar.

El concepto pivota en torno a lo que denominan el **Sistema de Inteligencia (SoI)**, que describen como algo similar a una ontología empresarial o un gemelo digital. Este sistema es el eslabón central: captura cómo funciona realmente una empresa, codifica su significado de negocio, sus métricas, políticas, relaciones y conocimiento institucional. No es una capa técnica auxiliar, sino el núcleo organizador de toda la IA empresarial.

**El debate conceptual: comunismo de datos vs. capitalismo de datos**

Para articular la diferencia entre los dos enfoques, los autores introducen dos metáforas que resultan muy gráficas.

*Comunismo de datos* es el modelo que siguen los laboratorios frontera: las personas más inteligentes del mundo contribuyen con sus trazas de razonamiento a los modelos, que absorben esa inteligencia y la redistribuyen a todos los usuarios y empresas. El resultado es una capa de inteligencia común y poderosa, pero el problema es que todos reciben esencialmente la misma inteligencia integrada. El modelo se vuelve más listo, pero ninguna empresa se diferencia.

Los autores ponen el ejemplo de la banca de inversión: para automatizar o potenciar el trabajo de un analista que valora una adquisición, un modelo necesita ejemplos del flujo de trabajo del analista, sus supuestos, sus decisiones de juicio, sus fuentes de datos, su razonamiento intermedio y sus formatos de salida preferidos. Ese tipo de trazas de razonamiento es costoso de generar, estrecho en alcance y profundamente especializado. Pero una vez que ese conocimiento especializado es capturado y embotellado en un modelo frontera, pasa a formar parte de una capacidad de modelo compartida. Mejora el modelo para todos, pero no crea ventaja propietaria para ninguna empresa en particular.

*Capitalismo de datos* es el modelo alternativo que propugnan los autores. En este paradigma, la inteligencia no se absorbe en un modelo generalizado y se redistribuye a todos. En cambio, cada empresa captura sus propios datos, procesos, políticas y conocimiento tácito, los gobierna según sus propios requisitos corporativos y los convierte en activos duraderos sobre los que los modelos y los agentes pueden razonar.

Este es el punto clave: los modelos frontera siguen siendo fundamentales porque proporcionan razonamiento generalizado, comprensión del lenguaje, generación de código y capacidades multimodales. Pero si esa inteligencia generalizada está ampliamente disponible, no puede ser la base de una diferenciación empresarial sostenible. La fuente de ventaja se desplaza hacia lo que es único de cada empresa: sus clientes, productos, flujos de trabajo, reglas operativas, memoria institucional, restricciones regulatorias, derechos de decisión y cultura.

**La arquitectura del stack de Enterprise AGI**

Los autores describen un stack en capas para la Enterprise AGI:

- **Capa inferior: plataformas de datos y sistemas de registro.** Siguen siendo esenciales. Dicen a la empresa qué ocurrió. Almacenan transacciones, eventos, registros, documentos. Pero por sí solos no explican el negocio: no saben por qué ocurrió algo, qué es probable que ocurra después o qué acción debe tomarse.

- **Capa central: el Sistema de Inteligencia (SoI).** Es la representación digital de la empresa, un modelo vivo del estado del negocio. Conecta datos gobernados con significado empresarial, métricas, políticas, procesos, relaciones y conocimiento tácito. Es el equivalente a la ontología empresarial o gemelo digital de la organización.

- **Sistema de Agencia.** Es donde los agentes utilizan el Sistema de Inteligencia para responder preguntas, analizar opciones, planificar acciones y operacionalizar decisiones. El punto crítico es que los agentes no deben actuar independientemente del contexto empresarial: deben actuar a través del Sistema de Inteligencia, donde las reglas, restricciones, métricas y datos de confianza proporcionan los guardarraíles.

- **Sistema de Engagement (en la parte izquierda del stack).** Es la nueva superficie de trabajo para la interacción humana y de agentes. Aquí los usuarios expresan intención, hacen preguntas, resuelven ambigüedades, aprueban acciones e interactúan con insights, decisiones y datos. No es simplemente un front-end: se convierte en una superficie de aprendizaje que captura el lenguaje, las preguntas, las correcciones y las decisiones que ayudan al Sistema de Inteligencia a entender cómo funciona realmente la empresa.

Uno de los insights más importantes que destacan los autores es que el Sistema de Engagement y el Sistema de Inteligencia deben co-diseñarse: el cliente enseña al back-end, y el back-end mejora al cliente. Esta retroalimentación continua es lo que hace que el sistema se vuelva más valioso con el uso.

**La tensión de diseño: top-down vs. bottom-up**

Los autores señalan una tensión de diseño crítica en esta arquitectura. Un modelo puramente top-down de la empresa puede tardar demasiado en construirse y puede quedar obsoleto antes de completarse. Un modelo puramente bottom-up puede aprender rápidamente de usuarios, consultas, flujos de trabajo y señales de comportamiento, pero corre el riesgo de producir silos e inconsistencias.

La arquitectura más prometedora combina ambos enfoques: infiere lo que puede desde abajo hacia arriba, gobierna lo que debe estandarizarse desde arriba hacia abajo y concilia continuamente los dos. Esta es la razón por la que el capitalismo de datos no trata simplemente de poseer datos, sino de poseer el sistema de producción de inteligencia.

**El panorama competitivo: quién compite por el premio de la Enterprise AGI**

Los autores identifican un conjunto amplio de actores que convergen sobre esta oportunidad desde distintos puntos de partida:

- **Databricks** y **Snowflake**: plataformas de datos modernas que intentan convertir fundamentos de datos gobernados en sistemas de inteligencia. El análisis se centra especialmente en las últimas novedades de Databricks, especialmente su **Genie Ontology**, presentada en el reciente Data + AI Summit, como el paso más concreto hacia la capa de Sistema de Inteligencia.

- **Microsoft**: con Satya Nadella retratado como un jugador que entiende que la batalla es por la capa de inteligencia empresarial, no por el modelo frontera más inteligente.

- **Palantir**: destacada como pionera en este trabajo difícil, conectando datos propietarios, procesos operativos y conocimiento de dominio en un modelo de cómo funciona la empresa. Los autores le otorgan crédito por haber hecho este trabajo duro antes que el resto del mercado.

- **Google, AWS, Salesforce, SAP**: los hiperescaladores ven cómo se forma el punto de control por encima de la infraestructura; los vendedores de SaaS están bajo presión para moverse más allá de los sistemas de registro.

La convergencia es el mensaje principal: todos estos actores están llegando al mismo destino desde ángulos distintos, lo que hace que la competencia sea especialmente intensa.

**Las implicaciones para la IA agéntica**

Este análisis tiene implicaciones profundas para el desarrollo de sistemas agénticos. Los autores argumentan que los agentes solo pueden operar eficazmente cuando están anclados en un sistema de inteligencia empresarial. Sin ese contexto, los agentes actúan de forma genérica o, peor aún, de forma incorrecta para el contexto específico de la organización.

El marco de Enterprise AGI sugiere que los agentes no reemplazarán simplemente a individuos, sino que, cuando estén fundamentados en un sistema de inteligencia, podrán soportar planificación, control, coordinación, asignación de recursos y alineación organizativa. Estas son las funciones centrales de la gestión. Cuanto más completa sea la capa de inteligencia subyacente, más podrán coordinarse humanos y agentes a escala.

Cuestionando el mito de la empresa de un solo empleado con un ejército de agentes, los autores argumentan que esto captura la productividad individual pero ignora la oportunidad organizativa más amplia. En su visión, la Enterprise AGI apunta hacia formas de organización económica más grandes y complejas, no hacia empresas más pequeñas con menos personas.

**La analogía de Amazon y la escala como plataforma operativa**

Los autores recurren al ejemplo de Amazon para ilustrar su tesis: la ventaja de escala proviene cada vez más de una plataforma operativa que permite a humanos, software y datos coordinarse en muchos dominios. La Enterprise AGI extiende esa lógica añadiendo agentes que pueden razonar y actuar a través del modelo empresarial.

En la era industrial, las empresas se organizaban en torno a activos físicos como ferrocarriles, almacenes, fábricas y líneas de montaje. En la era de la IA, las empresas se organizarán crecientemente en torno a activos de inteligencia: la representación modelada de cómo funciona la empresa y, específicamente, sus procesos.

**La evaluación de Databricks y Genie Ontology**

El análisis utiliza el Data + AI Summit de Databricks y el anuncio de **Genie Ontology** como caso de uso principal para evaluar hacia dónde se dirige el mercado. Los autores plantean que esta herramienta es uno de los intentos más concretos de construir la capa de Sistema de Inteligencia, aunque señalan que queda trabajo por hacer y que la madurez del producto aún está en construcción.

La pregunta central que el análisis intenta responder es qué vendedores pueden ayudar a las empresas a convertir sus datos únicos, procesos y conocimiento tácito en activos de inteligencia gobernados y compuestos, y si Databricks está bien posicionado para liderar esa carrera.

**Riesgos y limitaciones del marco propuesto**

Aunque los autores presentan el marco de Enterprise AGI con considerable convicción, el propio análisis sugiere varias tensiones no resueltas:

1. **El problema de construcción del SoI**: crear una ontología empresarial completa es un proyecto enormemente costoso y complejo. Los autores reconocen la tensión entre el enfoque top-down (tarda mucho y puede quedar obsoleto) y el bottom-up (genera silos). La solución híbrida que proponen es conceptualmente sólida pero operativamente difícil.

2. **El riesgo de fragmentación**: si cada empresa construye su propio sistema de inteligencia propietario, los costes de integración entre organizaciones pueden dispararse. El capitalismo de datos puede crear ventaja competitiva individual pero dificultar la colaboración inter-empresarial.

3. **La amenaza de los modelos frontera mejorando**: si los laboratorios como OpenAI y Anthropic logran que sus modelos absorban suficiente conocimiento especializado y se personalicen eficientemente para cada empresa, la brecha con el enfoque de capitalismo de datos podría estrecharse.

4. **El conocimiento tácito sigue siendo difícil de capturar**: la promesa de convertir el conocimiento tácito en activos gobernados es atractiva pero extremadamente difícil de ejecutar. El conocimiento tácito, por definición, es el que los expertos no pueden articular completamente.

**Perspectiva regulatoria**

Como contexto del sector, el marco regulatorio europeo —especialmente el EU AI Act— favorece en cierta medida el enfoque de Enterprise AGI al exigir transparencia, trazabilidad y responsabilidad en los sistemas de IA de alto riesgo. Un sistema de inteligencia empresarial con datos gobernados, reglas explícitas y guardarraíles para agentes se alinea mejor con los requisitos de documentación y auditoría del EU AI Act que un modelo frontera de caja negra aplicado directamente a procesos de negocio críticos.

**Impacto sobre desarrolladores y equipos de ingeniería**

Para los equipos de ingeniería y los arquitectos de soluciones, el marco de Enterprise AGI tiene implicaciones prácticas importantes:

- La prioridad ya no es simplemente integrar el mejor modelo disponible, sino construir la capa de Sistema de Inteligencia que ancla a los agentes en el contexto empresarial. - Las inversiones en ontologías empresariales, grafos de conocimiento y arquitecturas de datos gobernadas pasan de ser proyectos secundarios a ser proyectos de importancia estratégica. - El diseño conjunto del sistema de engagement y el sistema de inteligencia requiere una colaboración más estrecha entre equipos de producto, datos e ingeniería de IA. - Los datos de entrenamiento propietarios y las trazas de razonamiento específicas del dominio se convierten en activos estratégicos que no deben compartirse con los laboratorios frontera si se quiere mantener ventaja competitiva.

**Prospectiva**

Si el marco de Vellante y Gilbert es correcto, las implicaciones para el mercado son significativas. Los laboratorios frontera como OpenAI y Anthropic enfrentarán una creciente presión para demostrar que sus modelos no solo son los más inteligentes en términos abstractos, sino que pueden integrarse de forma nativa en la capa de Sistema de Inteligencia empresarial. La mera potencia del modelo dejará de ser suficiente.

Las plataformas de datos como Databricks y Snowflake tienen una oportunidad histórica para convertirse en el sistema nervioso central de la Enterprise AGI, dado que ya controlan grandes volúmenes de datos empresariales gobernados y tienen relaciones de confianza con los equipos de datos de las organizaciones.

Los grandes vendedores de software empresarial —SAP, Salesforce— están en una posición ambivalente: tienen acceso privilegiado a los procesos de negocio y los datos de registro, pero sus arquitecturas heredadas pueden dificultar la construcción de un Sistema de Inteligencia fluido.

Y Palantir, que lleva años construyendo exactamente este tipo de sistemas de inteligencia operativa, podría ver cómo el mercado finalmente llega al lugar donde ellos llevan tiempo trabajando.

El análisis concluye con una advertencia clara: las empresas que simplemente alquilen inteligencia generalizada de los laboratorios frontera sin construir su propio sistema de inteligencia propietario estarán en desventaja frente a competidores que conviertan sus datos, procesos y conocimiento tácito en activos compuestos y gobernados. En la economía de la IA, la inteligencia que todos pueden comprar no es ventaja. La ventaja es la inteligencia que solo tú posees.