Le pido al modelo: "abrí mi correo, encontrá los últimos diez mails sin responder de clientes, agrupalos por urgencia y respondé los confirmaciones simples; del resto, dame un resumen para que decida yo".
Ocho minutos después aparece el resumen. Cuatro mails respondidos. Seis pendientes con una línea de contexto cada uno y un sugerido de respuesta. Ningún error. Ninguna alucinación. Vos no clickeaste nada.
Eso pasó hoy, abril de 2026. No es prototipo. No es demo de keynote. Es un agente corriendo sobre Claude Computer Use, una capacidad pública desde hace dieciocho meses. Y es el indicio más fuerte de hacia dónde se mueve la IA en los próximos veinticuatro.
El cambio de régimen no es el modelo, es la agencia
La cobertura de prensa de IA sigue obsesionada con el modelo: cuántos parámetros, qué benchmark superó, cuál empresa publicó qué. Es la métrica equivocada.
El cambio que de verdad reorganiza el mercado en 2026-2028 no es que el modelo sea más inteligente. Es que deja de responder y empieza a actuar.
La diferencia operativa es enorme. Un chatbot reduce el tiempo de redacción. Un agente reduce el tiempo de ejecución de un flujo entero. La primera es una mejora del 30%. La segunda es una mejora del 90% — más una transferencia de quién hace qué.
Hay cuatro vectores que se mueven a la vez. Conviene mapearlos.
Vector 1 — Agentes
Un agente combina tres capacidades: ve la pantalla, razona qué hacer, ejecuta el siguiente paso. Después vuelve a empezar. Hace todo eso solo, hasta terminar la tarea o pedirte ayuda.
Hoy funciona bien en tareas predecibles con interfaces estables: buscar y reservar viajes, procesar formularios, mover datos entre planillas, gestionar bandejas de entrada con reglas claras. Falla cuando la interfaz cambió desde la última vez o cuando hay ambigüedad sobre qué decisión tomar.
La trayectoria es clara: cada seis meses, los agentes toleran tareas más largas y con más decisiones. En 2024 hacían tres pasos sin perderse. En 2026 hacen veinte. La proyección razonable para 2028 son flujos enteros de un día de trabajo, supervisados con gates de aprobación humanos en momentos críticos en lugar de en cada click.
Mini-caso de mi escritorio: un cliente me pidió consolidar facturación de cuatro proveedores en un único reporte mensual. Antes, cuatro horas — abrir cada portal, exportar, normalizar, sumar. Ahora, una instrucción al agente, veinte minutos de revisión, listo. El cliente paga lo mismo. Yo entrego en menos tiempo y tomo otro cliente.
Vector 2 — Multimodalidad real
"Multimodal" hoy es marketing porque la mayoría de modelos procesan formatos múltiples por turnos: subís imagen, la describen como texto, después siguen como texto. Hay pérdida en cada salto.
Multimodalidad real significa que el modelo procesa texto, imagen, audio y video en una representación interna única, sin transcripciones intermedias. La diferencia operativa: tareas que dependen del contexto temporal o emocional de un video — "¿en qué momento la energía de la reunión cambió y qué comentario lo provocó?" — pasan de imposibles a triviales.
La frontera está cerca. Los modelos de finales de 2025 ya procesaban video corto razonablemente bien. La proyección 2027 es video largo nativo, audio largo, mezclas reales sin pérdida.
Vector 3 — IA embebida
El cuello de botella del uso cotidiano de IA hoy no es la calidad del modelo. Es la fricción del workflow. Abrir otra pestaña, copiar, pegar, ajustar, volver.
La fricción se está disolviendo de a poco. Un botón de IA dentro del cliente de correo. Un panel lateral en la planilla. Un comando rápido en el editor de texto. Cada una de estas integraciones, sola, suena marginal. Sumadas, redibujan el día de trabajo de millones de personas.
La pregunta para 2028 no es "¿qué herramienta de IA usás?". Es "¿qué herramienta usás que no tenga IA adentro?". La respuesta cada vez se va a parecer más a "ninguna".
Vector 4 — Personalización persistente
El estado del arte hoy es la versión cargada por el usuario: subís documentos a un Proyecto y el modelo trabaja con eso de fondo. Es útil pero limitado. No persiste entre Proyectos. No aprende de tus elecciones a lo largo del tiempo.
La frontera de los próximos dos años es la memoria que persiste. Modelos que recuerdan tu rubro, tu estilo, las decisiones que tomaste la semana pasada y qué resultado dieron. La consecuencia operativa es alta: dejás de explicar contexto cada vez. La IA arranca calibrada para vos.
Hay una tensión técnica honesta: cuanto más personalizado el modelo, más sensibles son los datos que guarda. Las arquitecturas que ganen los próximos 24 meses van a ser las que resuelvan personalización con privacidad fuerte, no las que pidan más datos a cambio de más utilidad.
Sobre la AGI y por qué cambia menos de lo que parece
La AGI — un sistema capaz de hacer cualquier tarea intelectual a nivel humano experto — es el debate más ruidoso del campo. Y, para tu vida laboral en los próximos dos años, el menos relevante.
Las posiciones serias de quienes investigan IA forman un rango muy amplio: optimistas técnicos hablan de cinco años, mayoría de investigadores académicos hablan de veinte a cincuenta, escépticos arquitecturales hablan de "necesitamos descubrimientos teóricos que todavía no tenemos". No hay consenso porque no hay evidencia que lo permita.
Pero esto es lo importante: el cambio que afecta tu escritorio en 2026-2028 no depende de la AGI. Depende de los cuatro vectores ya en marcha. Aunque la AGI nunca llegue, los próximos 24 meses ya redibujan tu profesión.
Y si llega, llega encima de un mercado laboral que ya se reorganizó alrededor de "humano + IA". El que se preparó para ese mundo está mejor posicionado en cualquier escenario.
La regla del reemplazo
Cierro con la frase que más me importa de toda esta nota.
No te va a reemplazar la IA. Te va a reemplazar la persona que usa IA mejor que vos.
Ejemplo concreto, real, no inventado. Conozco dos abogados de la misma especialidad. Misma edad, misma facultad. Uno usa Claude para revisar contratos: una hora por contrato, doce contratos por semana. El otro no usa nada: cuatro horas por contrato, tres contratos por semana. El primero gana, en facturación neta, aproximadamente cuatro veces más que el segundo.
Esto no es proyección. Está ocurriendo en abril de 2026. En despachos de Buenos Aires, Madrid, Ciudad de México.
La pregunta inevitable: ¿en qué orilla del río estás vos en mayo de 2028?
Si querés profundizar en cómo se construye esa ventaja sin volverte programador, el artículo sobre IA generativa es el siguiente eslabón. Si querés entender cómo llegamos hasta acá, empezá por la historia de la IA.
¿Cuál de los cuatro vectores — agentes, embebida, multimodal, personalizada — toca más fuerte tu trabajo en los próximos doce meses?
Hoy escribís un mensaje y la IA te responde. En dos años no vas a escribir casi nada — la IA va a vivir adentro del email, del documento, del navegador, haciendo cosas en tu nombre sin que se lo pidas dos veces.
No es ciencia ficción. Es lo que ya empezó.
De responder a hacer
La IA que conocés hoy es un chatbot. Vos escribís, ella lee, te tira texto. Pasivo.
La IA de los próximos dos años es un agente. Vos le decís qué resultado querés y ella se mueve por la pantalla: abre pestañas, busca, compara, completa, manda. Vos mirás.
Caso real, ya disponible: le pedís "buscá tres vuelos a Barcelona en mayo, máximo 500 euros, y mandame los datos por mail". La IA abre el navegador, entra en buscadores de vuelos, filtra, te resume y manda el correo. Diez minutos. Vos tomás un café.
Esto no es promesa. Existe. Claude tiene una función llamada Computer Use que ya hace exactamente eso desde octubre de 2024.
La IA va a estar adentro de todo
Hoy hacés tu trabajo en cinco apps distintas: correo, planilla, presentaciones, mensajería, navegador. Para usar IA, abrís otra pestaña, copiás, pegás, volvés.
En dos años la IA está adentro de cada una de esas apps. No es una herramienta aparte — es un botón en la app que ya usás.
Estás en el correo, apretás un botón, escribís "respondé este mail como si fuera yo, tono cercano". La IA lo redacta dentro del correo. Sin copiar, sin pegar, sin volver atrás.
Ya pasa con Microsoft Office, con Google Docs, con varias apps de diseño. En 24 meses, una app sin IA se va a sentir como una app sin internet. Rara.
Conversaciones que cruzan formatos
Hoy: si querés trabajar con un video largo, lo subís, esperás transcripción, copiás, pegás. Frágil. Lento.
Mañana, esto se vuelve fluido. Le pasás un video de una hora y le decís "armame un mail de seguimiento con los puntos clave". El modelo ve, escucha, entiende. Diez minutos.
O al revés: hablás al micrófono mientras manejás. "Pasá esto a un hilo de cinco mensajes para Twitter." Listo cuando llegás a casa.
Texto, audio, imagen y video en la misma conversación, sin saltos.
La IA que te conoce
Hoy cada conversación con la IA arranca de cero. Le contás de nuevo quién sos, en qué trabajás, qué cliente.
Mañana, la IA va a recordar. No el chiste de ayer — pero sí tu rubro, tu voz al escribir, el cliente con el que trabajás todos los meses, el formato en el que entregás tus reportes.
Hoy ya hay una versión inicial de esto. Se llaman Proyectos: subís cinco documentos sobre vos o tu negocio, la IA los aprende, y todo lo que le pidas en ese Proyecto sale con ese contexto cargado de fondo.
En dos años eso es más profundo. No vas a tener que recordarle nada.
Y la AGI
AGI quiere decir una IA que puede hacer cualquier tarea intelectual de humano experto. Hoy no existe.
¿Cuándo llega? Algunos dicen cinco años. Otros, nunca.
Nadie sabe. En serio.
Pero acá está el punto que importa: no necesitás esperar a la AGI para que tu trabajo cambie. Los cuatro vectores de arriba — agentes, embebida, multimodal, personalizada — ya están cambiando el escritorio de millones de personas en estos meses.
La carrera real es de personas, no contra máquinas
La frase que circula es "la IA me va a reemplazar". Es la frase equivocada.
La frase correcta: la persona que usa IA mejor que vos te va a reemplazar a vos.
Es como Excel en 1995. Los contadores no desaparecieron. Desaparecieron los contadores que no aprendieron Excel.
El abogado que redacta un contrato en una hora con Claude reemplaza al que tarda cuatro horas sin Claude. La diseñadora que entrega diez propuestas en un día reemplaza a la que entrega tres.
En dos años, "saber usar IA" va a ser básico. No diferenciador. Como hoy mandar un mail.
Pero ahora, en estos 24 meses, todavía es ventaja real. Esa es la ventana.
Lo que tenés que llevarte
Tres ideas, las únicas que hace falta que recuerdes:
- La IA pasa de responder a actuar. Agentes que ejecutan tareas, no chatbots que tiran texto.
- La IA pasa de estar afuera a estar adentro de las apps que ya usás.
- La carrera no es contra la máquina. Es contra la persona que aprendió IA antes que vos. Y la ventana se cierra alrededor de 2028.
Le pido al modelo: "abrí mi correo, encontrá los últimos diez mails sin responder de clientes, agrupalos por urgencia y respondé los confirmaciones simples; del resto, dame un resumen para que decida yo".
Ocho minutos después aparece el resumen. Cuatro mails respondidos. Seis pendientes con una línea de contexto cada uno y un sugerido de respuesta. Ningún error. Ninguna alucinación. Vos no clickeaste nada.
Eso pasó hoy, abril de 2026. No es prototipo. No es demo de keynote. Es un agente corriendo sobre Claude Computer Use, una capacidad pública desde hace dieciocho meses. Y es el indicio más fuerte de hacia dónde se mueve la IA en los próximos veinticuatro.
El cambio de régimen no es el modelo, es la agencia
La cobertura de prensa de IA sigue obsesionada con el modelo: cuántos parámetros, qué benchmark superó, cuál empresa publicó qué. Es la métrica equivocada.
El cambio que de verdad reorganiza el mercado en 2026-2028 no es que el modelo sea más inteligente. Es que deja de responder y empieza a actuar.
La diferencia operativa es enorme. Un chatbot reduce el tiempo de redacción. Un agente reduce el tiempo de ejecución de un flujo entero. La primera es una mejora del 30%. La segunda es una mejora del 90% — más una transferencia de quién hace qué.
Hay cuatro vectores que se mueven a la vez. Conviene mapearlos.
Vector 1 — Agentes
Un agente combina tres capacidades: ve la pantalla, razona qué hacer, ejecuta el siguiente paso. Después vuelve a empezar. Hace todo eso solo, hasta terminar la tarea o pedirte ayuda.
Hoy funciona bien en tareas predecibles con interfaces estables: buscar y reservar viajes, procesar formularios, mover datos entre planillas, gestionar bandejas de entrada con reglas claras. Falla cuando la interfaz cambió desde la última vez o cuando hay ambigüedad sobre qué decisión tomar.
La trayectoria es clara: cada seis meses, los agentes toleran tareas más largas y con más decisiones. En 2024 hacían tres pasos sin perderse. En 2026 hacen veinte. La proyección razonable para 2028 son flujos enteros de un día de trabajo, supervisados con gates de aprobación humanos en momentos críticos en lugar de en cada click.
Mini-caso de mi escritorio: un cliente me pidió consolidar facturación de cuatro proveedores en un único reporte mensual. Antes, cuatro horas — abrir cada portal, exportar, normalizar, sumar. Ahora, una instrucción al agente, veinte minutos de revisión, listo. El cliente paga lo mismo. Yo entrego en menos tiempo y tomo otro cliente.
Vector 2 — Multimodalidad real
"Multimodal" hoy es marketing porque la mayoría de modelos procesan formatos múltiples por turnos: subís imagen, la describen como texto, después siguen como texto. Hay pérdida en cada salto.
Multimodalidad real significa que el modelo procesa texto, imagen, audio y video en una representación interna única, sin transcripciones intermedias. La diferencia operativa: tareas que dependen del contexto temporal o emocional de un video — "¿en qué momento la energía de la reunión cambió y qué comentario lo provocó?" — pasan de imposibles a triviales.
La frontera está cerca. Los modelos de finales de 2025 ya procesaban video corto razonablemente bien. La proyección 2027 es video largo nativo, audio largo, mezclas reales sin pérdida.
Vector 3 — IA embebida
El cuello de botella del uso cotidiano de IA hoy no es la calidad del modelo. Es la fricción del workflow. Abrir otra pestaña, copiar, pegar, ajustar, volver.
La fricción se está disolviendo de a poco. Un botón de IA dentro del cliente de correo. Un panel lateral en la planilla. Un comando rápido en el editor de texto. Cada una de estas integraciones, sola, suena marginal. Sumadas, redibujan el día de trabajo de millones de personas.
La pregunta para 2028 no es "¿qué herramienta de IA usás?". Es "¿qué herramienta usás que no tenga IA adentro?". La respuesta cada vez se va a parecer más a "ninguna".
Vector 4 — Personalización persistente
El estado del arte hoy es la versión cargada por el usuario: subís documentos a un Proyecto y el modelo trabaja con eso de fondo. Es útil pero limitado. No persiste entre Proyectos. No aprende de tus elecciones a lo largo del tiempo.
La frontera de los próximos dos años es la memoria que persiste. Modelos que recuerdan tu rubro, tu estilo, las decisiones que tomaste la semana pasada y qué resultado dieron. La consecuencia operativa es alta: dejás de explicar contexto cada vez. La IA arranca calibrada para vos.
Hay una tensión técnica honesta: cuanto más personalizado el modelo, más sensibles son los datos que guarda. Las arquitecturas que ganen los próximos 24 meses van a ser las que resuelvan personalización con privacidad fuerte, no las que pidan más datos a cambio de más utilidad.
Sobre la AGI y por qué cambia menos de lo que parece
La AGI — un sistema capaz de hacer cualquier tarea intelectual a nivel humano experto — es el debate más ruidoso del campo. Y, para tu vida laboral en los próximos dos años, el menos relevante.
Las posiciones serias de quienes investigan IA forman un rango muy amplio: optimistas técnicos hablan de cinco años, mayoría de investigadores académicos hablan de veinte a cincuenta, escépticos arquitecturales hablan de "necesitamos descubrimientos teóricos que todavía no tenemos". No hay consenso porque no hay evidencia que lo permita.
Pero esto es lo importante: el cambio que afecta tu escritorio en 2026-2028 no depende de la AGI. Depende de los cuatro vectores ya en marcha. Aunque la AGI nunca llegue, los próximos 24 meses ya redibujan tu profesión.
Y si llega, llega encima de un mercado laboral que ya se reorganizó alrededor de "humano + IA". El que se preparó para ese mundo está mejor posicionado en cualquier escenario.
La regla del reemplazo
Cierro con la frase que más me importa de toda esta nota.
No te va a reemplazar la IA. Te va a reemplazar la persona que usa IA mejor que vos.
Ejemplo concreto, real, no inventado. Conozco dos abogados de la misma especialidad. Misma edad, misma facultad. Uno usa Claude para revisar contratos: una hora por contrato, doce contratos por semana. El otro no usa nada: cuatro horas por contrato, tres contratos por semana. El primero gana, en facturación neta, aproximadamente cuatro veces más que el segundo.
Esto no es proyección. Está ocurriendo en abril de 2026. En despachos de Buenos Aires, Madrid, Ciudad de México.
La pregunta inevitable: ¿en qué orilla del río estás vos en mayo de 2028?
Si querés profundizar en cómo se construye esa ventaja sin volverte programador, el artículo sobre IA generativa es el siguiente eslabón. Si querés entender cómo llegamos hasta acá, empezá por la historia de la IA.
¿Cuál de los cuatro vectores — agentes, embebida, multimodal, personalizada — toca más fuerte tu trabajo en los próximos doce meses?
Hay una pregunta que casi nadie se hace cuando lee sobre el futuro de la IA: ¿en qué nivel de la jerarquía de agencia estamos parados? La conversación pública mezcla dos avances que técnicamente son distintos — modelos más capaces y sistemas más autónomos — y por eso confunde el plazo en que va a impactar tu trabajo.
La frontera que importa para los próximos veinticuatro meses no se mide en parámetros. Se mide en cuántos pasos de un flujo entero el sistema ejecuta antes de que vos tengas que intervenir. Y esa es una métrica que ya está subiendo de manera medible cada seis meses.
Jerarquía de agencia: dónde estamos y a dónde vamos
Conviene formalizar la trayectoria histórica antes de proyectar.
| Nivel | Capacidad | Estado | Modelo de control |
|---|
| 1 | Recuperación pura | Pre-2020 | Humano hace todo, sistema indexa |
| 2 | Análisis y clasificación | 2005-2020 | Sistema scorea, humano decide |
| 3 | Generación y síntesis | 2020-2024 | Sistema genera, humano valida |
| 4 | Agencia restringida | 2024-2026 (presente) | Sistema ejecuta con permisos delimitados |
| 5 | Agencia general | 2026-2030 (proyectado) | Sistema planifica, ejecuta, itera |
| 6 | AGI | 2030+ (especulativo) | Sistema generaliza |
Hoy, abril de 2026, estamos firmemente en el Nivel 4 con agentes pioneros explorando el 4.5. Claude Computer Use es el ejemplo más maduro de Nivel 4 en producción: el sistema observa la pantalla, razona el próximo paso, ejecuta vía control simulado de mouse y teclado, y vuelve al loop. Termina cuando completa la tarea o cuando detecta ambigüedad y pide intervención humana.
La transición a Nivel 5 — sistemas que planifican y ejecutan flujos enteros sin gates en cada paso — es el vector que más reorganiza la economía del conocimiento entre 2026 y 2030. No requiere AGI. Requiere que los sistemas actuales aumenten dos parámetros que ya están aumentando: longitud de horizonte de planificación y robustez ante interfaces no vistas.
La economía del agente: por qué importa más que el modelo
El costo unitario de una inferencia de modelo cae aproximadamente un orden de magnitud cada doce a dieciocho meses. Esa curva está documentada en varios reportes (Stanford AI Index 2025 entre otros). En paralelo, el costo de operar un agente — que requiere múltiples inferencias por tarea, observación de pantalla y razonamiento iterativo — sigue una curva más lenta pero también descendente.
La pregunta económica que define los próximos 24 meses: ¿cuándo el costo total de delegar una tarea X a un agente cae por debajo del costo humano de hacerla? La respuesta varía por dominio. Para tareas estructuradas con interfaces estables (procesamiento de formularios, normalización de datos, gestión de inboxes con reglas), el cruce ya ocurrió en 2024-2025. Para tareas con ambigüedad o interfaces nuevas, el cruce está en proceso entre 2026 y 2028.
La consecuencia estructural: el mercado laboral del trabajo intelectual se segmenta en tres bandas que se mueven a velocidades distintas. La banda automatizable — tareas predecibles, alto volumen, baja ambigüedad — se contrae rápido. La banda de juicio — tareas de alta ambigüedad, decisión bajo incertidumbre, relacional — se contrae lento o se expande. La banda intermedia — donde vive la mayoría del trabajo profesional actual — se transforma: el profesional que la habita pasa de ejecutor a supervisor de agentes.
Multimodalidad: el verdadero cambio es la representación interna
Hay una distinción técnica que la cobertura de prensa elide. Un modelo "multimodal" puede significar dos cosas muy distintas:
Multimodalidad de pipeline (estado actual de la mayoría): el sistema concatena modelos especializados. Imagen entra, modelo de visión la describe como texto, modelo de lenguaje sigue desde ahí. Audio entra, modelo de speech-to-text transcribe, modelo de lenguaje sigue. Hay pérdida en cada transcripción y la latencia se acumula.
Multimodalidad nativa (frontera 2026-2028): un modelo único representa internamente texto, imagen, audio y video en un mismo espacio de embeddings. No hay transcripción intermedia. La inferencia es directa de input multimodal a output multimodal.
La diferencia importa para tareas que dependen de información que se pierde en transcripción. Tres ejemplos: análisis del tono emocional de una reunión grabada, sincronización temporal entre comentario verbal y reacción visual, comprensión de música o sonido ambiente como señal contextual. Estas tareas son intratables en pipeline y triviales en nativo.
La proyección razonable: para 2028, los modelos de frontera tienen multimodalidad nativa para texto + imagen + audio + video corto. La multimodalidad nativa para video largo y mixes complejos llega después.
Personalización: in-context vs fine-tuning persistente
Existen dos avenidas técnicas hacia "IA que te conoce", con trade-offs muy distintos:
Avenida A — In-context learning. El modelo recibe documentos sobre el usuario en cada conversación y opera dentro de la ventana de contexto. Es lo que hace Claude Projects hoy. Ventajas: no requiere reentrenamiento, los datos no quedan en pesos del modelo, es reversible. Limitaciones: la memoria no persiste entre sesiones de manera estructural, el costo en tokens crece con la cantidad de contexto, hay un techo en cuántos documentos efectivamente puede integrar el modelo en un razonamiento.
Avenida B — Fine-tuning persistente. El modelo se ajusta con datos del usuario. La memoria queda en parámetros. Ventajas: contexto siempre cargado, sin costo marginal por token de personalización en cada inferencia. Limitaciones: costo de entrenamiento, pérdida de generalidad si se sobreentrena, irreversibilidad, riesgos serios de privacidad si los datos se filtran.
Avenida C — Híbrido (la más probable para 2027-2030). Memoria estructurada externa (vector store + retrieval) más fine-tuning selectivo de capacidades muy específicas como voz de escritura. La mayoría de la implementación viaja en in-context, pero ciertos patrones repetitivos del usuario se calibran en parámetros.
La avenida que gane define el modelo de privacidad de la IA personal. Es una pregunta técnica con consecuencias políticas y regulatorias inmediatas, especialmente en jurisdicciones con marcos como GDPR.
AGI: tres interpretaciones, ninguna decidida
La etiqueta "AGI" carga tres significados técnicos distintos que conviene desambiguar:
Interpretación 1 — Competencia humana general. Una IA capaz de cualquier tarea intelectual al nivel de un humano experto. Es la definición operacional más usada. Las proyecciones serias de cuándo se alcanza varían entre 5 y 50 años. La distribución de opiniones en encuestas de investigadores de aprendizaje automático muestra una mediana cerca de los 20 años con colas largas a ambos lados.
Interpretación 2 — Superinteligencia. Una IA mejor que humano en la mayoría de tareas intelectuales. Es distinto de AGI y depende de qué tareas. Una IA puede ser superhumana en procesamiento de texto y subhumana en comprensión emocional. La pregunta de "cuándo" es aún menos contestable.
Interpretación 3 — Sentencia o conciencia. Una IA con experiencia subjetiva. Es una pregunta filosófica antes que técnica y probablemente no tenga respuesta empírica clara.
La interpretación 1 es la que el mercado está apostando alcanzar en escala de tiempo relevante para inversión. Hay tres campos sobre las trayectorias técnicas:
- Optimistas de escalado: scaling laws siguen funcionando, capacidades emergentes aparecen en escalas mayores, la AGI llega por más cómputo.
- Realistas de breakthrough: el escalado tiene rendimientos decrecientes en ciertas dimensiones (razonamiento abstracto, planificación de largo horizonte) y se necesitan descubrimientos arquitecturales nuevos.
- Escépticos arquitecturales: los modelos actuales son fundamentalmente predictores de próximo token y no van a alcanzar AGI por más datos o cómputo. Se necesitan paradigmas nuevos.
Ninguna de las tres posiciones está descartada por evidencia hoy. El honestidad intelectual exige reconocer la incertidumbre como parte del análisis, no esconderla detrás de una predicción específica.
Tensiones no resueltas que un power user debería mapear
Tres tensiones que no aparecen en la cobertura entusiasta y que conviene tener en el radar:
Tensión 1 — Literalidad vs robustez en agentes. Cuanto más literal sigue instrucciones un modelo, más predecible es para sistemas autónomos pero menos tolerante con instrucciones imperfectas. La industria está desplazándose hacia más literalidad. Implicación: los agentes funcionan bien para usuarios que escriben instrucciones detalladas y mal para usuarios casuales. La brecha de productividad entre power users y casuales se ensancha.
Tensión 2 — Privacidad vs personalización. Las dos avenidas técnicas hacia memoria persistente generan datos sensibles. La regulación va más lenta que la capacidad. En 24 meses la pregunta no es "¿quiero IA personalizada?" sino "¿en qué jurisdicción y bajo qué marco contractual la quiero?".
Tensión 3 — Costo de tokens en producción a escala. Los nuevos sistemas de tokenización pueden cambiar la cantidad de tokens generados por la misma entrada en factores de hasta 1.35x. Para deploys de alto volumen, eso es un aumento de costo no formalmente anunciado. Los contratos enterprise basados en estimaciones históricas se desalinean. Vale recalibrar dashboards trimestralmente.
Tesis: el ganador estructural de los próximos 24 meses
Cierro con una tesis editorial, no una proyección neutral.
El ganador estructural del período 2026-2028 no va a ser el modelo más grande, el benchmark más alto ni el agente con más demos virales. Va a ser el sistema en el que más empresas medianas y profesionales independientes puedan delegar trabajo real con confianza.
Eso requiere tres atributos que no son los que generan titulares:
- Predictibilidad de comportamiento. Que la misma instrucción produzca el mismo resultado mañana que hoy. Que las actualizaciones del modelo no rompan flujos de producción.
- Confianza en la auto-verificación. Que el modelo te diga "esto lo sé y esto no" en lugar de inventar con confianza. La frontera real de utilidad práctica está acá, no en benchmarks abstractos.
- Costo total de operación predecible. Que el costo de delegar una tarea X sea calculable de antemano y estable trimestre a trimestre.
Las empresas que están construyendo en estas tres dimensiones — más allá de la carrera por benchmarks de capacidad pura — son las que van a capturar el mercado de trabajo real cuando termine el ciclo de hype actual. Y esa transición ocurre, sin exagerar, en el plazo de los próximos veinticuatro meses.
¿Cuál es tu test empírico personal para decidir si un sistema de IA es lo suficientemente confiable para incorporarlo a un flujo de trabajo crítico de tu negocio?
