Las empresas han pasado años diversificando su tecnología, pero eso no siempre evita la concentración del riesgo. Swati Deepak Kumar, vicepresidenta sénior de tecnología de la información en Citi, plantea que varias aplicaciones distintas pueden estar «pensando con el mismo cerebro» si usan el mismo modelo base, familia de modelos, API o proveedor de cómputo.
A esa dependencia la llama «concentración cognitiva». No se trata de un término regulatorio establecido, sino de un lente de gestión para mirar debajo de la capa visible de las aplicaciones. El problema, advierte, es que una empresa puede creer que está diversificada porque compra software de distintos vendedores, cuando en realidad varias plataformas dependen de la misma inteligencia subyacente.
La alerta no es menor. Un cambio de versión en un modelo puede afectar simultáneamente varios flujos de trabajo sin que nada se caiga. A diferencia de una falla de nube o de un proveedor, aquí el sistema puede seguir operando en verde mientras sus juicios se desplazan de forma correlacionada. El negocio sigue encendido; la calidad de sus decisiones, no necesariamente.
Kumar cita una encuesta de 2024 de Bank of England y la Financial Conduct Authority (FCA) sobre 118 firmas financieras. Allí, los tres principales proveedores externos concentraban 73% de los proveedores de cloud reportados y 44% de los proveedores de modelos. Además, 55% de los casos de uso de IA involucraban algún tipo de toma de decisiones automatizada, aunque solo 2% eran totalmente autónomos.
El dato importa porque el riesgo no se distribuye por igual. Una aplicación de marketing de bajo riesgo puede tolerar cierta concentración. Pero si plataformas de compras y cadena de suministro usan el mismo modelo, no tienen respaldo y su cambio toma tiempo, la exposición se vuelve más seria. Lo mismo ocurre en créditos, suscripción, trading, precios, ciberseguridad o cambios de producción.
La autora propone medir esa dependencia con un tablero de resiliencia cognitiva y, con el tiempo, un índice de concentración cognitiva. También sugiere mapear familias de modelos, proveedores de API, cómputo y datos críticos; luego cruzar esa fotografía con criticidad del negocio, disponibilidad de respaldo y tiempo real de sustitución.
La evidencia disponible refuerza el punto. En una encuesta de 2026 del IBM Institute for Business Value, 91% de 1.000 altos ejecutivos en 16 países y 17 industrias admitió «no entender por completo sus dependencias de IA entre proveedores, modelos e infraestructura», y 71% dijo que cambiar su proveedor o modelo principal de IA sería difícil.
El mercado ya votó: la conveniencia de un ecosistema común pesa más que la redundancia, hasta que aparece el costo de una falla correlacionada. Para las empresas, el mensaje es claro: no basta con comprar más software; hay que comprar margen, respaldo y capacidad de cambio.
Para los contribuyentes y reguladores, la lección es otra. Cuanto más crítica sea la decisión automatizada, más importante será exigir controles, validaciones independientes y pruebas reales de sustitución. La eficiencia tecnológica no puede convertirse en una nueva forma de fragilidad sistémica. Capital busca reglas claras, pero también sistemas que no dependan de un solo cerebro invisible.