Estrategia de IA para los servicios financieros: ¿qué está funcionando realmente en 2026?

Parte 1: El momento mítico: cuando una maqueta resultaba demasiado peligrosa como para lanzarla al mercado

Lillian Freiberg: Hola a todos. Bienvenidos. Me llamo Lillian Freiberg. Soy la directora para Norteamérica de Clarity AI. Me acompaña mi colega Austin Ritzel, nuestro director sénior de Estrategia de IA y Proyectos Estratégicos. Básicamente, es la persona a la que acudo cuando surge algún problema en el mundo de la IA y necesito entender cómo nos va a afectar a mis clientes y a mí.

Vamos a abarcar muchos temas. A qué ritmo avanza realmente esta tecnología. Qué significa eso para las empresas que intentan mantenerse al día, y las decisiones estratégicas que marcarán la diferencia entre los ganadores y aquellos que todavía están tratando de desenredar las decisiones que tomaron hace dos años.

Austin Ritzel: Gracias, Lillian. No puedo superar esa introducción. Me has dejado en muy buena posición. Sé que hoy tenemos mucho de lo que hablar. En estos momentos, no faltan temas fascinantes en el mundo de la IA.

Lillian Freiberg: Empecemos con algo que realmente conmocionó a la gente hace unos meses. Y si no lo conoces, te haré un breve resumen.

Anthropic —los creadores de Claude, uno de los principales laboratorios de IA— lanzó un modelo llamado Mythos. Los lanzamientos de IA son constantes. Pero este tuvo una acogida muy diferente. Mythos se diseñó para destacar en la programación. Lo que nadie había previsto del todo era que las mismas capacidades que lo hacían excelente escribiendo código también lo convertían, en esencia, en el escáner de vulnerabilidades de seguridad más potente jamás visto. Solo en Firefox se descubrieron casi 200 errores graves. A modo de comparación, el modelo anterior había encontrado unos 20, apenas dos meses antes.

Esta es la parte que realmente llamó la atención de la gente. Anthropic decidió voluntariamente no hacerlo público. Dieron acceso a unas 40 instituciones —grandes entidades financieras, empresas tecnológicas, infraestructuras críticas— específicamente para que los defensores pudieran prepararse antes de que esta capacidad se extendiera. Ese tipo de moderación voluntaria a esa escala no se había visto antes. Hizo saltar las alarmas en Washington y en Bruselas, y obligó a mantener un debate real sobre en qué punto se encuentra realmente la carrera de la IA.

Mi primera impresión es que aún estamos muy lejos de llegar a un acuerdo. ¿Cuál es la tuya?

Austin Ritzel: En un ámbito en el que parece que cada dos semanas se producen acontecimientos trascendentales, momentos sin precedentes, este ha sido sin duda un momento muy trascendental para el panorama de la IA. Y hay un par de razones que lo explican.

En primer lugar, como has mencionado, Mythos destaca por su extraordinaria capacidad para identificar vulnerabilidades de seguridad y, por supuesto, eso plantea preocupaciones relacionadas con el doble uso. Por un lado, para quienes actúan con buenas intenciones, es un escudo muy sólido. Pero para los malintencionados, Mythos es un arma ofensiva muy poderosa: una espada, por seguir con la metáfora.

La segunda razón por la que fue tan trascendental es esta idea que has mencionado: los modelos se desarrollan, no se construyen. Se trata de una forma totalmente diferente de concebir la tecnología. No es una idea que yo haya inventado. De hecho, así es como Dario Amodei, director ejecutivo de Anthropic, describe el proceso de creación de un modelo. Mythos no se optimizó específicamente para el análisis de ciberseguridad. Se optimizó para la programación, como muchos modelos de lenguaje grandes. Pero las mismas capacidades, las mismas características que lo hacían realmente excelente en la programación, también lo hicieron absolutamente prolífico en la detección de vulnerabilidades.

Hubo quien dijo al principio que se trataba del mayor bombo publicitario de la historia: un modelo demasiado potente como para lanzarlo al mercado. Pero muy pronto nos dimos cuenta de que, en realidad, no se trataba de un simple bombo publicitario. Supone un cambio radical con respecto a lo que era capaz de hacer el modelo anterior, el Opus 4.6, en cuanto a la detección de vulnerabilidades de seguridad. Un gran cambio.

Por cierto, quiero señalar que esta idea de la transferibilidad de capacidades de un ámbito a otro es algo que estamos observando en el sector financiero. Muchos de los elementos que hacen que los grandes modelos de lenguaje sean realmente eficaces en la programación, como la lógica, los hacen igualmente eficaces en numerosas tareas financieras.

La tercera razón por la que esto tuvo tanta repercusión: Anthropic, por iniciativa propia, retrasó su publicación y lo cedió a esas 40 instituciones —creo que ahora podrían ser 70— para que pudieran reforzar sus medidas de seguridad. Además , en parte debido a ciertas preocupaciones relacionadas con la capacidad informática. Mythos es un modelo de gran tamaño.

Esto provocó una reacción muy interesante por parte de la Administración Trump. Desde el punto de vista ideológico, la Administración se ha opuesto a la regulación, especialmente en lo que respecta a la IA: una de las primeras órdenes ejecutivas fue derogar una normativa establecida por la Administración Biden. Sin embargo, ahora han planteado la idea de una orden ejecutiva que obligue a los laboratorios de IA a presentar sus modelos a las autoridades federales antes de su publicación. Se ha descrito como una especie de FDA para el ámbito de la IA. Un gran cambio para el panorama normativo.

Esto también provocó una reacción por parte de la UE, ya que se vieron abandonados a su suerte: ninguna institución con sede en la UE tenía acceso tampoco. También surgen dudas sobre el acceso libre y equitativo de todos los gobiernos para reforzar sus defensas.

Dicho esto, en cuanto a la primera parte de tu pregunta: ¿está lejos de decidirse la carrera por la IA? Por supuesto. Los expertos suelen afirmar —y esto lo dicen los directores generales de estas empresas— que, en la actualidad, los laboratorios estadounidenses solo llevan entre uno y tres meses de ventaja o de retraso entre sí. Los laboratorios chinos, como DeepSeek, llevan entre seis y doce meses de retraso. Están muy, muy igualados. Y creo que, como resultado, debemos esperar que el panorama cambie y se reordene continuamente.

Parte 2: Por qué el sector de los servicios financieros es el epicentro

Lillian Freiberg: Interesante. Así que, aunque Anthropic esté viviendo su momento de gloria, aún no hay un ganador claro. La carrera sigue en pleno apogeo. Y uno de los ámbitos en los que esa carrera se está librando de forma más visible es el de los servicios financieros, como has señalado antes. Todos los grandes proveedores de IA están realizando una apuesta masiva por este sector. ¿Dirías que se trata de algo estructural o que simplemente es ahí donde está el dinero?

Austin Ritzel: Creo que ambas cosas. Desde el punto de vista estructural, muchas de las características que hacen que los grandes modelos de lenguaje sean realmente buenos para la programación también los hacen muy eficaces en los flujos de trabajo financieros, o al menos en muchos de ellos, aunque desde luego no en todos. La propia Anthropic estima que las finanzas se encuentran entre 6 y 12 meses por detrás de donde se encuentra actualmente la programación en la curva de automatización. Y cualquiera que haya prestado siquiera un mínimo de atención al ámbito de la IA sabe lo que está pasando con la programación hoy en día.

Sin duda, también es ahí donde está el dinero. Los grandes laboratorios están generando importantes ingresos en el sector financiero. En el caso de Anthropic —y los menciono porque acaban de publicar una gran cantidad de datos al respecto—, en términos de ingresos, el sector financiero ocupa el segundo lugar entre todos los sectores. Solo le supera el sector tecnológico, y el 40 % de sus 50 principales clientes son instituciones financieras.

Lillian Freiberg: Tiene mucho sentido. Pero ir de seis a doce meses por detrás en materia de programación… Me parece que, en realidad, es una diferencia mucho menor de lo que la mayoría de la gente cree. Y, sin embargo, el sector de los servicios financieros es conocido por ser una industria que avanza con mucha lentitud. Los ciclos de adquisición, las aprobaciones de riesgos, las autorizaciones de cumplimiento normativo. ¿Es el ritmo de desarrollo de la IA un problema temporal para el sector, o hay aquí un desajuste más profundo?

Austin Ritzel: Creo que debemos analizarlo partiendo de los principios básicos. ¿De dónde proviene la fricción? Parece que hay fricción tanto de carácter procedimental como estructural.

La fricción procedimental —los ciclos de documentación, la incorporación de proveedores y ese tipo de cosas— probablemente podría reducirse en gran medida gracias a la IA. La fricción estructural es probablemente más duradera. Y por fricción estructural me refiero a la normativa, el deber fiduciario y la responsabilidad personal por las decisiones tomadas en ámbitos altamente regulados. Probablemente sea mejor considerarlas como características, y no como defectos, en el mundo de las finanzas, sobre todo ahora que ese mundo se ve desafiado por la IA, donde el coste de equivocarse es muy alto.

La limitación estructural que puede resultar más problemática es un concepto sobre el que he escrito y que denomino «techo de silicio»: el límite de la capacidad de una empresa para asimilar nuevas competencias. Cosas como la gestión del cambio, cubrir las carencias de habilidades entre los empleados y formar a los empleados. Existe un desajuste entre la velocidad de la capacidad de vanguardia y la velocidad de absorción de la organización. Y eso no es exclusivo de las instituciones financieras. La encuesta de Deloitte «2026 State of AI in the Enterprise» reveló que la brecha de habilidades en IA se percibe como la mayor barrera para la integración empresarial. Por lo tanto, ese aspecto más difuso de la barrera estructural es sumamente importante para comprender a qué velocidad pueden avanzar todas las empresas.

Es probable que esa brecha se amplíe antes de reducirse. Pero se observará una divergencia entre aquellas empresas que están invirtiendo en capacidad de absorción —lo que en realidad significa invertir en personas y procesos como un activo estratégico— y aquellas que no lo hacen. Preveo que las primeras tomarán ventaja.

Lillian Freiberg: Me gusta ese enfoque flexible. Y el concepto del «techo de silicio» es un marco muy útil, porque el problema no es necesariamente la tecnología. Son las personas, la organización, la integración. Y eso conecta directamente con algo que quiero asegurarme de que abordemos antes de seguir adelante, porque es muy importante y me lo preguntan constantemente. Se trata de la ciberseguridad. Mythos lo hizo muy claro. Cuando los modelos se implementan más rápido, ¿qué ocurre realmente con la superficie de ataque de una institución financiera?

Austin Ritzel: Es una pregunta muy importante y, de hecho, presenta esa lentitud de las instituciones financieras bajo una luz muy positiva. En lugar de lentitud, se interpreta como una actuación meditada.

La rapidez con la que se implementan los modelos está alterando la superficie de ataque a través de dos vectores principales. El primero es que existe una asimetría entre las capacidades ofensivas y defensivas. El ciclo que va desde la aparición de una capacidad, su irrupción en escena y su difusión generalizada se está acortando. Y cuando se reduce ese margen de tiempo, no solo se reduce el tiempo de que disponen los defensores para tapar los agujeros, sino que también se reduce el tiempo que tienen para comprender contra qué están actuando. La decisión de Anthropic de retrasar Mythos es el mejor ejemplo que hemos tenido hasta ahora de una empresa que pisa el freno, tratando de separar la capacidad del despliegue y dando a todos un poco de tiempo para prepararse.

El segundo factor es que los perímetros de seguridad tradicionales están cambiando, sobre todo a medida que la IA adquiere capacidad de acción y empieza a realizar tareas de verdad. Una IA con «manos» plantea un problema muy distinto al de un «cerebro en un frasco». Cada integración de IA implica el despliegue de un nuevo perímetro. Un agente con acceso al calendario, al correo electrónico, al sistema de archivos... No encaja perfectamente en los modelos de privilegios mínimos en los que nos hemos basado. Probablemente, las prácticas de seguridad deban cambiar de forma fundamental para reflejar ese ritmo de cambio. En lugar de actualizar la postura de seguridad anualmente, debe parecerse mucho más a una cadencia mensual para intentar seguir el ritmo del desarrollo de la IA.

Parte 3: La decisión equivocada en el nivel equivocado

Lillian Freiberg: Eso va a suponer un cambio enorme para algunas empresas. Así que cambiemos un poco de tema y hablemos de un problema con el que sospecho que mucha gente está conviviendo en silencio en estos momentos.

Supongamos que, hace 18 meses, tu empresa completó todo el proceso: revisión de TI, autorización de riesgos, visto bueno de cumplimiento normativo y aprobación de un modelo básico. Se han invertido recursos. Y ahora el panorama ha cambiado y te preguntas: ¿apostamos por el caballo ganador?

Gran parte del problema radica en que muchas de estas decisiones se tomaron en el nivel equivocado. Los departamentos de riesgos o de TI aprobaban algo antes de que el departamento comercial comprendiera realmente qué estaba comprando, cómo lo iba a utilizar o incluso quién podría llegar a utilizarlo. Ahora te encuentras con un contrato, con flujos de trabajo basados en él, y el resto del mundo ha seguido adelante.

Austin, ¿se puede solucionar esto? ¿O el sector va a tener que seguir cargando con estas decisiones iniciales durante un tiempo?

Austin Ritzel: Cuando el terreno cambia constantemente, la respuesta más adecuada es asegurarse de que los cimientos sean lo suficientemente flexibles como para adaptarse. Lo que observamos en la primera ola de la IA, cuando el entusiasmo iba en aumento, pero aún era algo bastante novedoso, allá por el año 2024, fue que eran unidades ajenas al ámbito empresarial las que tomaban muchas de estas decisiones en nombre de los usuarios de negocio: los equipos de TI, de gestión de riesgos y de compras.

Probablemente, las unidades de negocio pospusieron su decisión porque se trataba de algo totalmente nuevo. Aún no habían desarrollado preferencias personales. No se habían familiarizado con las posibilidades que ofrecían estas herramientas. Y, francamente, las capacidades eran muy diferentes. En 2024, hablábamos de chatbots. Ahora hablamos de personas que crean agentes en un par de horas. Es un cambio enorme.

Dicho esto, espero que el agnosticismo de modelos se convierta en el enfoque predominante, tanto entre las empresas que desarrollan soluciones especializadas como entre quienes las adquieren. Pero el agnosticismo de modelos no es solo una decisión que se toma. No basta con decir «somos agnósticos en cuanto a modelos». Requiere una inversión enorme en arquitectura.

Clarity AI ofreceClarity AI , un ejemplo muy ilustrativo de esto. Desde nuestros inicios, hemos contado con una estructura independiente del modelo. La plataforma de extracción de datos que hemos desarrollado, tanto para uso interno como para nuestros clientes, permite cambiar sin problemas entre modelos de Anthropic, OpenAI, Gemini y muchos otros. Si incluimos los modelos de peso abierto, estamos hablando de acceso a más de mil modelos fundamentales. Un nuevo participante puede integrarse en tan solo un par de días. Eso garantiza que nunca dependamos de un único laboratorio y que nunca seamos vulnerables a quedarnos obsoletos por un nuevo lanzamiento o a quedarnos en la estacada por una interrupción del servicio.

Los compradores, por su parte, deberían fijarse en el ejemplo que ha dado recientemente Apple. Apple va a utilizar Gemini como base para sus modelos fundamentales, pero con el lanzamiento de iOS 27 permitirá a los usuarios seleccionar el proveedor externo que deseen —Gemini, OpenAI, Anthropic— para que impulse las funciones de su software. Una respuesta de Siri generada a través de Claude será diferente a una generada con Gemini. Podrías tomar esa decisión basándote en tu preferencia por el tono o la personalidad del modelo, su reputación para tareas específicas, tu confianza en el laboratorio o tu familiaridad con él en entornos profesionales.

Apple no apuesta por los caballos. Está construyendo el hipódromo. Ese es el mismo enfoque que hemos adoptado en Clarity AI años, y espero que cada vez más creadores y compradores lo adopten a medida que se den cuenta de que la exclusividad conlleva un riesgo enorme.

Lillian Freiberg: Construye el hipódromo, no apuestes por el caballo. Me encanta eso. No solo porque me guste apostar, sino porque, visto en retrospectiva, parece obvio. Pero está claro que no todo el mundo se dio cuenta a tiempo. Has mencionado que las decisiones se toman en el nivel equivocado. ¿Se da realmente ese patrón en todo el mercado?

Austin Ritzel: Yo creo que sí. Y esta culpa no recae exclusivamente en el sector financiero. Es algo que se está dando en todos los sectores. Los departamentos centrales de TI, riesgos y compras fueron los primeros en evaluar a los proveedores de IA, allá por cuando era algo totalmente novedoso, y las empresas, en cierto modo, dejaron que ellos tomaran las riendas. Así es como acabas con empresas que aprobaron un modelo en 2024 y ahora están atadas a él . Y eso es lo que ambos escuchamos de los clientes en nuestro día a día.

La estrategia más acertada fue, y siempre será, adoptar un enfoque ascendente. Primero hay que entender el caso de uso y, después, pasar a la selección de proveedores. Se empieza por las funciones más cercanas al trabajo. Si estás pensando en incorporar una herramienta de IA para ingenieros de software, más vale que hables con los ingenieros de software. Si estás pensando en incorporar una herramienta para gestores de relaciones, tienes que hablar con los gestores de relaciones para entender qué capacidades son importantes y cuáles no. Ve más allá de las demostraciones bonitas y céntrate en el valor real.

La evaluación central aún debe sumarse a todo esto: los departamentos de TI, de riesgos y de compras deben someter estas herramientas a pruebas exhaustivas desde el punto de vista de la seguridad, tal y como hemos comentado. No obstante, deben estar abiertos a la influencia de las unidades de negocio. Los usuarios de las unidades de negocio están adquiriendo la competencia necesaria para ejercer influencia en las evaluaciones de los equipos técnicos.

Lillian Freiberg: Y eso nos lleva directamente a un fenómeno distinto, aunque relacionado. Creo que está mucho más extendido de lo que las empresas quieren admitir: las personas que trabajan en estas instituciones saben que existen herramientas mejores y, de todos modos, las utilizan en secreto, estén autorizadas o no. ¿Qué consecuencias tiene finalmente esa presión a nivel institucional?

Austin Ritzel: Creo que este uso encubierto es síntoma de un problema muy profundo. Ethan Mollick, de Wharton, que escribe mucho sobre la IA en entornos empresariales, ha bautizado a este perfil como el «cyborg secreto». El cyborg secreto es silencioso y temeroso. Se trata de un empleado que utiliza la IA para superar a sus compañeros en la sombra, pero que no ve ninguna ventaja ni ningún incentivo para revelar ese uso. Temen ser juzgados o temen que la IA pueda sustituirlos. Sea cual sea el motivo que le disuade de revelar su uso de la IA, es problemático. E indica que la propia empresa no ha establecido la relación interna adecuada con la IA. Esa es la enfermedad de la que este personaje es síntoma.

Las consecuencias son graves. Existen problemas como la filtración de datos a través del historial de comandos: si utilizas versiones no corporativas y sin seguridad de las herramientas, es posible que estés transmitiendo información confidencial a sistemas que podrían entrenarse con ella, y esa información podría aparecer en las respuestas que se ofrecen a otros usuarios. Esto genera resultados inconsistentes entre los equipos. Pero quizá el problema más costoso es que genera brechas de capacidad. Reduce la eficiencia de su plantilla y crea una brecha cada vez mayor entre las empresas en las que prevalecen estos «cyborgs secretos» y aquellas que han creado entornos de IA permisivos y bien gestionados, en los que las personas utilizan sus herramientas sin represalias.

La solución consiste en garantizar que se establece un marco de gobernanza sobre cómo —y no si— los empleados utilizan la IA, porque la van a utilizar. Y hay que replantearse el enfoque de arriba abajo: la IA es un acelerador del trabajo especializado, no un sustituto del mismo. Un empleado que cuenta con el apoyo de la IA aporta mucho más que uno que ha sido sustituido por ella. Las empresas que consigan hacer más con lo mismo, en lugar de lo mismo con menos, serán las verdaderas ganadoras.

Lillian Freiberg: Ya veo. El «cyborg secreto». Callado y temeroso. Me parece que se abre un nuevo segmento de mercado para ellos en el ámbito de la terapia.

Austin Ritzel: Efectivamente. O una serie de ciencia ficción.

Lillian Freiberg: Podríamos vendérselo a Star Wars.

Austin Ritzel: Es una entrega de «Star Wars» muy triste, pero sí.

Parte 4: ¿Construir o comprar? — Y cuánto cuesta realmente ese elefante blanco

Lillian Freiberg: Algunas empresas que observan cómo se desarrolla todo esto han llegado a una conclusión que, a primera vista, parece razonable: «Si no encontramos al proveedor adecuado, lo desarrollaremos nosotros mismos». Ser dueños de la pila tecnológica, controlar la hoja de ruta, no depender de un proveedor externo. He oído este argumento expuesto de forma convincente en muchas salas de juntas. Pero llevarlo a la práctica es muy diferente de lo que se dice en las presentaciones. ¿Qué opinas de esa disyuntiva?

Austin Ritzel: Hay dos niveles que debemos diferenciar cuando hablamos de «desarrollar» frente a «adquirir». El primero son los modelos base: lo que DeepMind de Google está desarrollando en Gemini, lo que Anthropic está desarrollando en Claude y lo que OpenAI está desarrollando en ChatGPT. Prácticamente ninguna entidad financiera se plantea seriamente desarrollar un modelo base. La falta de talento es enorme, la inversión de capital necesaria es enorme y las limitaciones de potencia de cálculo son enormes. Pero el desarrollo de herramientas y aplicaciones especializadas que aprovechan la IA como capacidad central —plataformas de extracción de datos, generadores de informes, copilotos— es un tema más interesante, y ahí es donde residen las verdaderas disyuntivas.

Con las herramientas actuales, en teoría podrías crear tu propio Gmail, tu propio Slack, tu propio HubSpot. Sin embargo, son pocos los que realmente lo hacen a nivel empresarial. No porque técnicamente no puedan, sino porque el coste de hacerlo bien —y luego mantenerlo en buen estado— eclipsaría cualquier beneficio imaginable de poseer toda esa pila tecnológica. Se convierte en un elefante blanco maldito. Has comprado este elefante y ahora tienes que averiguar cómo alimentarlo y mantenerlo en funcionamiento.

Hay tres razones por las que la vía interna suele quedarse corta:

• En primer lugar, existe un claro coste de oportunidad. Cada ingeniero destinado a desarrollar una herramienta interna de IA es un ingeniero que no está trabajando en las competencias fundamentales de la institución.
• En segundo lugar, las herramientas especializadas vienen acompañadas de especialistas: expertos que se dedican exclusivamente a este ámbito y conocen a la perfección la materia. En Clarity AI, hemos dedicado una década a recopilar, validar, enriquecer y seleccionar un enorme corpus de datos sobre sostenibilidad de cientos de clientes, utilizando metodologías propias desarrolladas exclusivamente para este fin. Esa experiencia se acumula con el tiempo. A un equipo interno que empiece desde cero le costará mucho reproducir ese nivel de profundidad.
• En tercer lugar —y esto es algo en lo que nuestro director técnico hace especial hincapié—: el mantenimiento es silencioso, pero tremendamente costoso. Mantenemos actualizadas más de 400 metodologías métricas y 20 metodologías a nivel de producto, evaluamos e integramos nuevos modelos y respaldamos el flujo de trabajo a medida que cambian los modelos fundamentales y se modifican los marcos normativos. Podemos repartir esa carga entre cientos de clientes. Un equipo interno soporta ese peso en solitario, para siempre.

JP Morgan es un buen ejemplo de ello. Cuenta con más capital y más ingenieros que muchas empresas tecnológicas. Jamie Dimon ha afirmado: «Somos una empresa tecnológica que, casualmente, se dedica a las finanzas». Y, sin embargo, se está asociando con Anthropic en el ámbito de los modelos y está adquiriendo proveedores especializados en los ámbitos de los flujos de trabajo y las herramientas. Comprar el núcleo y desarrollar los complementos.

Lillian Freiberg: También está la cuestión de la estabilidad financiera que se esconde tras todo esto y que, en mi opinión, no están teniendo en cuenta suficientes empresas. Ninguno de los principales proveedores de modelos de base es rentable. Algunos tienen una deuda considerable. Si uno de ellos se viera en serios apuros, ¿qué pasaría con todos los que han desarrollado sus sistemas basándose en ellos? ¿Es ese un riesgo que la gente está realmente teniendo en cuenta?

Austin Ritzel: Es una pregunta muy buena. Y quiero dejar claro que Alphabet podría ser un caso atípico en este contexto: Alphabet es tremendamente rentable. Pero si nos centramos en DeepMind, el laboratorio interno que desarrolla Gemini, DeepMind en sí misma no es rentable. Probablemente se parezca mucho a Anthropic u OpenAI si se tienen en cuenta todos los gastos.

Apostar en exceso por un único modelo supone un riesgo, incluso dejando de lado las preocupaciones económicas. Creo que el modelo económico está empezando a dar resultados en lo que respecta a la inferencia. Pero el entrenamiento es muy caro, y esas preocupaciones son reales. Y ninguno de estos laboratorios de las fundaciones es imprescindible.

Recientemente tuvimos un buen ejemplo: Elon Musk alquiló su mayor centro de datos, situado a las afueras de Memphis —el Colossus Data Center—, a Anthropic. Por otra parte, Musk también cuenta con Grok. Y parece que, al alquilar toda esa capacidad de cálculo a Anthropic, ha abandonado de hecho la idea de que Grok sea un modelo líder. Las empresas deben ser resilientes ante cualquier crisis externa, ya sea una quiebra o simplemente que alguien se quede rezagado.

Ahí radica precisamente la importancia del enfoque de arquitectura abierta: crear una base que permita adaptarse y cambiar de rumbo cuando alguien se queda atrás o se sale del camino por completo. En Clarity AI, nuestra plataforma de extracción de datos utiliza todos los modelos que he mencionado, no solo porque cada modelo se adapta mejor a una tarea concreta, sino también porque queremos evitar el riesgo de concentración que conlleva depender de un único laboratorio.

También hay una cuestión filosófica más amplia en la que he estado reflexionando. ¿Es la dependencia que hemos desarrollado en los últimos años respecto a los principales laboratorios de las fundaciones lo suficientemente grande como para considerarlos «demasiado grandes para quebrar»?

Lillian Freiberg: Veo muchos puntos de vista diferentes. Veo a mucha gente defendiendo esa postura desde ambos bandos. Pero lo que es absolutamente cierto es que ninguna institución financiera —ninguna empresa— debería ponerse en una situación en la que tenga que sufrir en carne propia las consecuencias de una respuesta que suene a «no» a esa pregunta.

Parte 5: ¿Quién sale realmente ganando?

Lillian Freiberg: Cuando hablamos de todo esto, sobre todo en el caso de las entidades financieras, estamos hablando de la pérdida de ventaja competitiva, de la pérdida de alfa. Lo cual me lleva a lo que, en mi opinión, es la tesis subyacente a todo este debate. ¿Cómo va a acabar realmente este mercado? Mi intuición, basada en lo que escucho de los clientes y los líderes de opinión, es que los actores especializados, aquellos con un conocimiento profundo en un ámbito específico, que pueden operar con cualquier modelo que el cliente haya aprobado, acabarán en la posición más sólida. ¿Es así como lo ves tú también?

Austin Ritzel: Sí. Y creo que probablemente sean los factores económicos los que imponen esa realidad. Es probable que la capa base se convierta, en cierta medida, en un producto básico. El propio Sam Altman ha comparado el estado final de OpenAI con una empresa de servicios públicos. Y, como consecuencia de esa mercantilización de la capa base, es probable que el valor diferenciado se desplace hacia capas de la pila que puedan hacer cosas que un modelo general no puede.

Piensa en el LLM como el motor. Las empresas que se despegan del resto son aquellas que saben construir un chasis a su alrededor: experiencia real en el sector, conocimientos seleccionados, metodologías deterministas que transforman lo que, en esencia, es una herramienta probabilística. Dos personas que formulen la misma pregunta deben obtener la misma respuesta. Necesitas evaluaciones. Necesitas revisiones de expertos con intervención humana. Las personas que sean capaces de construir el chasis —la dirección, los frenos, la carrocería— obtendrán un tipo de valor muy especial de este ecosistema.

La infraestructura de verificación también va a ser fundamental, especialmente para las instituciones financieras o cualquier entidad que opere en un ámbito regulado. La explicabilidad, la procedencia de los datos hasta una base de datos curada, la trazabilidad de la transformación desde los datos brutos y la metodología hasta el resultado final: eso es lo que hace que estos resultados sean realmente utilizables en contextos regulados.

Lillian Freiberg: Por supuesto. Y, sobre todo para los clientes del sector financiero —la trazabilidad, la confianza, un sistema preparado para el cumplimiento normativo y para las auditorías—, es fundamental. Así pues, teniendo todo eso en cuenta, ¿qué es lo que realmente distingue a los proveedores especializados que salen reforzados de los que no logran sobrevivir?

Austin Ritzel: Varias cosas. Flexibilidad arquitectónica, independencia respecto a los modelos. Profundidad real en el ámbito: aportar datos propios y metodologías para convertir los resultados probabilísticos en deterministas. Los datos van a ser una verdadera ventaja competitiva en el futuro.

Además, los proveedores especializados que se desmarquen del resto también exigirán una infraestructura de auditabilidad realmente sólida. No solo números de página, sino también la geometría de las citas: en qué punto exacto de la página se encuentra la información. El linaje de las fuentes. Transformaciones auditables: ¿cómo se pasó de los datos brutos encontrados en la página a un resultado transformado en un informe generado automáticamente? ¿Cómo se reduce al mínimo posible la carga de verificación, es decir, el tiempo que le lleva a alguien confirmar que la IA ha producido algo preciso?

Las empresas de envoltura —esas que crean interfaces de usuario atractivas sobre la base de un modelo de uso general, pero sin ese conocimiento específico del ámbito— probablemente acabarán siendo absorbidas. Lo que te permite destacar es disponer de datos seleccionados o propios, resultados auditables y transparentes que reduzcan la carga de la verificación, y hacer lo que esos modelos generales simplemente no pueden hacer.

Lillian Freiberg: «Las envolturas finas se devoran». Creo que esa podría ser la frase del día. Austin, gracias. Ha sido realmente fantástico. Casi consigues encadenar tres respuestas seguidas sobre el «agnosticismo de modelos», pero has conseguido que todo tuviera sentido, y eso no es moco de pavo.

Austin Ritzel: Gracias, Lillian.