La IA se hace pequeña y gigante al mismo tiempo (y tu empresa está justo en el medio)

Esta semana pasó algo curioso en el mundo de la inteligencia artificial: mientras una compañía anunciaba un modelo capaz de correr en la GPU de tu laptop, otra firmaba una alianza para construir infraestructura de cómputo a una escala casi industrial. Dos movimientos que parecen contradictorios, pero que en realidad cuentan la misma historia desde ángulos opuestos: la IA se está volviendo, al mismo tiempo, más accesible y más masiva.

Y en medio de ese movimiento hay un tercer dato que nos parece el más importante de los tres, aunque sea el que menos titulares se lleva: la mayoría de las empresas ya está usando IA agéntica en sus operaciones, pero sin un marco claro de gobernanza. Es decir, están corriendo más rápido de lo que están gobernando.

Vamos por partes.

Meta apuesta por la IA que cabe en una sola GPU

Meta presentó Muse Glimmer, un modelo de 30 mil millones de parámetros, de pesos abiertos, diseñado para correr agentes de IA de forma local, en una sola GPU de consumo. No es el modelo más grande del mercado ni pretende serlo. Es, según el equipo de investigación de Meta, un modelo pensado para tareas agénticas —planificar, ejecutar, corregir— sin depender de una llamada constante a la nube (Meta AI Research).

Esto importa por dos razones.

La primera es técnica: correr un agente localmente reduce la latencia, baja el costo por interacción y elimina buena parte de las preguntas incómodas sobre privacidad de datos que surgen cuando cada tarea pasa por un servidor externo. Para equipos de producto que quieren construir funcionalidades con IA embebida —no un chatbot pegado con cinta adhesiva, sino una capacidad real dentro del producto— tener un modelo capaz de operar sin conexión constante cambia el tipo de arquitectura que se puede diseñar.

La segunda es estratégica: Zuckerberg viene insistiendo, otra vez, en que el camino correcto es el de pesos abiertos, en contraste directo con el enfoque cerrado de otros laboratorios (CNBC, USNews). Cada vez que un laboratorio grande refuerza esta apuesta, el ecosistema de herramientas construidas sobre modelos abiertos gana terreno, y con él, más opciones reales para equipos que no quieren depender de un solo proveedor.

No sabemos si Muse Glimmer se convertirá en el estándar para agentes locales. Pero sí sabemos que la dirección es clara: la IA que corre cerca del usuario, con menos fricción y menos dependencia de la nube, dejó de ser una excepción para convertirse en una categoría de producto propia.

Y al mismo tiempo, la IA también se hace gigante

Mientras Meta apuesta por lo pequeño, Anthropic anunció una alianza estratégica con Macquarie Asset Management y GIC —el fondo soberano de Singapur— para desarrollar infraestructura de centros de datos dedicada, bajo el nombre de Theseus (Macquarie Group, Bloomberg).

Es una jugada que confirma algo que ya intuíamos: entrenar y servir modelos de frontera requiere una cantidad de cómputo que ya no cabe cómodamente dentro del balance de una sola empresa, por grande que sea. Por eso estamos viendo cada vez más este tipo de estructuras: laboratorios de IA asociándose con gestores de infraestructura y fondos de capital para financiar centros de datos a una escala que antes solo veíamos en telecomunicaciones o energía (HPCwire).

Para nosotros, lo interesante no es el monto de la inversión ni el nombre del joint venture. Es lo que revela sobre el momento en que estamos: la IA dejó de ser un experimento de laboratorio y se convirtió en una pieza de infraestructura crítica, del mismo orden que la energía o las telecomunicaciones. Eso tiene consecuencias directas para cualquier empresa que construya sobre estos modelos: los proveedores de IA con quienes trabajas hoy están invirtiendo a una escala que solo tiene sentido si planean sostener el servicio durante años, no meses. Es una señal de estabilidad para quienes ya construyen sobre estas plataformas, y un buen argumento para dejar de ver la IA como una moda pasajera.

El problema real: adoptar IA más rápido de lo que se gobierna

Aquí está, para nosotros, la noticia más relevante de la semana, aunque no venga con el logo de un laboratorio famoso.

Distintos reportes publicados en los últimos días coinciden en un patrón: una gran mayoría de empresas —las cifras varían entre el 74% y el 85% según la fuente y la región— ya tiene agentes de IA operando dentro de sus procesos, pero sin un marco de gobernanza que defina quién es responsable de sus decisiones, cómo se auditan sus acciones o qué pasa cuando un agente comete un error (El Ecosistema Startup, Computer Weekly).

Esto no nos sorprende. Lo vemos seguido: un equipo prueba un agente para automatizar una tarea puntual, funciona bien, alguien más lo copia para otro proceso, y en unos meses la empresa tiene media docena de agentes tomando decisiones —enviando correos, aprobando solicitudes, modificando datos— sin que nadie tenga claro el mapa completo de lo que está pasando.

El problema no es la tecnología. Es la velocidad con la que se adopta sin pasar por las preguntas básicas: ¿qué decisiones puede tomar este agente sin supervisión humana? ¿Cómo revisamos su comportamiento cuando algo sale mal? ¿Quién es responsable si un agente ejecuta una acción incorrecta frente a un cliente?

Estas no son preguntas técnicas. Son preguntas de producto y de negocio. Y contestarlas antes de escalar un agente es, literalmente, la diferencia entre construir una capacidad sostenible y acumular deuda operativa que alguien va a tener que pagar más adelante.

Lo que esto significa si estás construyendo con IA

Estas tres noticias, leídas juntas, dibujan un momento particular. Los modelos se están volviendo más accesibles y más baratos de correr. La infraestructura que los sostiene se está consolidando a una escala industrial. Y las empresas están adoptando estas capacidades más rápido de lo que están construyendo los procesos para gobernarlas bien.

Ese último punto es exactamente donde creemos que puede aportar más valor un equipo que combine ingeniería, diseño y estrategia, en lugar de sumar herramientas sueltas sin un criterio detrás.

No diseñamos por diseñar, y tampoco integramos IA por integrar IA. Antes de conectar un agente a un proceso real, nos hacemos las mismas preguntas que planteamos arriba: qué decisiones puede tomar solo, dónde necesita supervisión humana, cómo se audita su comportamiento y qué pasa el día que se equivoca. Esa conversación —incómoda, a veces lenta— es la que evita que la adopción de IA se convierta en un problema más grande que el que se quiso resolver.

Si tu empresa ya está usando agentes de IA, o está por empezar, conversemos sobre cómo hacerlo con la misma cabeza fría con la que diseñamos cualquier producto: entendiendo primero el problema, y construyendo después.