La industria de la inteligencia artificial entra en una segunda fase. Durante años, la ventaja parecía estar en comprar o construir mejores modelos. Hoy, esa tesis pierde fuerza a medida que las brechas de desempeño entre los principales modelos se estrechan y las alternativas de código abierto alcanzan tareas que antes solo hacían sistemas especializados.
En ese escenario, la diferencia pasa a estar en la orquestación de datos. Esa es la expresión que usa Harsh Verma, ingeniero principal de software en IA y aprendizaje automático en Palo Alto Networks, para describir el proceso de decidir qué datos usar para que la infraestructura de IA funcione sin tropiezos. En su marco, si la IA es el motor, la orquestación de datos es el sistema de combustible.
La escala del problema no es menor. Según una investigación reciente de Fivetran, las empresas gastan alrededor de 29,3 millones de dólares al año en datos, pero 73% de las iniciativas de datos empresariales no ve el retorno esperado. Para Verma, esa brecha importa todavía más porque los proyectos de IA dependen cada vez más de canales de datos confiables, en tiempo real y bien gobernados.
El ejemplo de Bloomberg es ilustrativo. Cuando desarrolló BloombergGPT, la firma habría diferenciado su propuesta por el acceso a décadas de datos financieros propios, información de mercado, contenido periodístico y conocimiento especializado del sector. La conclusión que extrae Verma es directa: los datos únicos crean más capacidad de defensa que los algoritmos únicos. En otras palabras, la fortaleza de Bloomberg no estaría en poseer una IA distinta, sino en alimentar de forma continua sistemas de IA con inteligencia financiera de alta calidad.
El problema de fondo aparece cuando las empresas se concentran en elegir o ajustar el mejor modelo, pero operan sobre canales lentos, fuentes fragmentadas y sin contexto en tiempo real. En esos casos, incluso un modelo fuerte pierde eficacia en producción. Por el contrario, modelos apenas aceptables pueden rendir bien cuando se apoyan en datos de calidad y bien organizados.
Verma también pone un límite claro a la promesa tecnológica: en una plataforma de pagos digital, la ventaja no estaría en detectar fraude, porque casi todas las plataformas ya lo hacen. Lo decisivo sería orquestar las señales para reducir la inexactitud de las decisiones.
La próxima generación de iniciativas empresariales de IA necesitará mejores canales de datos, entornos más limpios, mejores sistemas de recuperación y monitoreo continuo. La lección es incómoda para quienes prefieren vender poder de cómputo como si fuera una solución completa: el retorno real no proviene solo del modelo, sino de la disciplina operativa que le permite producir decisiones útiles.
Los números primero. Si 73% de las iniciativas de datos empresariales no logra el retorno esperado, el mercado ya votó: el problema no es la escasez de modelos, sino la mala administración del capital informacional.
Capital busca reglas claras. En IA, eso significa gobernanza, flujos consistentes y menos improvisación burocrática. La ventaja durable no está en prometer inteligencia, sino en construir infraestructura para que la inteligencia llegue a tiempo y con contexto.