El moat de la IA es el bucle de feedback, no el modelo

Hoy en día, acceder a un modelo potente es casi universal. Cualquier equipo puede usar uno, y la diferencia de calidad entre el modelo de una startup con buenos recursos y el de una gran empresa se ha reducido tanto que casi nunca decide quién gana. El modelo no es la ventaja competitiva. Lo que perdura es el sistema construido a su alrededor: datos propios que el modelo puede usar y que la competencia no tiene, un bucle de feedback que comprueba si las decisiones del modelo fueron realmente acertadas, y la disciplina operativa para actuar según lo que ese bucle reporta.

Por qué el modelo dejó de ser el factor diferencial

Cuando solo unas pocas organizaciones podían construir o costear un modelo potente, tener uno ya era una ventaja. Ese periodo terminó. La ventaja se ha desplazado hacia arriba en la cadena: lo que una empresa le da de comer al modelo y lo que hace con el resultado, porque dos competidores que usan modelos funcionalmente similares divergerán por todo lo que rodea a esa llamada, no por la llamada en sí.

Tres cosas conforman ese “todo lo que rodea a la llamada”. Primero, los datos propios: información específica de tu negocio, tus clientes o tu historial operativo con la que ningún modelo general fue entrenado y que ningún competidor puede consultar. Segundo, un bucle de feedback: un mecanismo que compara la recomendación del modelo con un resultado real y devuelve ese resultado al sistema, para que este mejore de forma medible en la tarea concreta en lugar de quedarse estático. Tercero, la disciplina operativa: el hábito organizativo de actuar realmente según lo que reporta el bucle de feedback, con una cadencia constante, en lugar de dejar que una buena recomendación se quede sin leer en un dashboard.

Cualquiera de estos elementos sin los otros dos es un sistema incompleto. Datos sin un bucle de feedback son un activo estático. Un bucle de feedback sin disciplina operativa es un informe que nadie lee. Disciplina sin datos ni bucle es solo un equipo trabajando duro sobre conjeturas.

Un ejemplo concreto en publicidad

Dos anunciantes gestionan la misma categoría de campañas de Meta y ambos usan herramientas asistidas por IA. El Anunciante A le da a un modelo un briefing general de mercado y le pide sugerencias de líneas creativas. El Anunciante B le da a un modelo el historial de rendimiento de su propia cuenta, el gasto por conjunto de anuncios y un registro continuo de qué ángulos creativos funcionaron durante el trimestre anterior, y luego contrasta las sugerencias del modelo con los resultados reales cada semana y ajusta lo que le da de comer según lo que falló la última vez.

Ambos anunciantes tenían acceso al modelo. Solo el Anunciante B tenía un sistema. Las sugerencias de A son genéricamente plausibles y, cualquier día dado, se parecerán a lo que obtendría un competidor haciendo lo mismo. Las sugerencias de B están fundamentadas en lo que específicamente funcionó o falló en esa cuenta, se contrastan con la realidad cada semana y componen, porque el resultado de cada ciclo se convierte en el input del siguiente. Al cabo de un trimestre, las dos cuentas no convergen. Las decisiones de conjuntos de anuncios de B se afinan a medida que su historial se profundiza; las de A siguen siendo tan genéricas como el primer día, porque nada en el proceso de A aprende de los resultados propios de la cuenta.

La implicación estratégica

Si el acceso al modelo no es el factor diferencial, entonces la hoja de ruta de una empresa no debería centrarse en qué modelo puede licenciar o en lo rápido que cambia a uno más nuevo. Debería centrarse en construir el activo de datos que un competidor no puede ver, montar un bucle de feedback honesto que mida resultados reales en lugar de un output que suena plausible, y crear el hábito organizativo de actuar en consecuencia. Esas tres cosas se vuelven más difíciles de copiar cuanto más tiempo llevan funcionando, de una forma en la que el acceso al modelo nunca lo fue, porque un competidor puede suscribirse al mismo modelo mañana y no ganar nada que haya costado tiempo construir.

Por eso, discretamente, decir “usamos IA” ha dejado de ser una afirmación con sentido por sí sola. Describe un input que todo el mundo tiene. Lo que vale la pena afirmar es qué hace el sistema con ese input: qué aprende, qué verifica y si la organización detrás realmente actúa cuando el sistema detecta algo. Consulta qué es un sistema operativo de crecimiento y cómo está cambiando la IA la publicidad en Meta para ver cómo se traduce esto en cuentas publicitarias concretas.

Los anunciantes que compongan su ventaja en los próximos años no serán los que tengan el modelo más nuevo. Serán los que tengan un sistema que se vuelve medible y notablemente más inteligente cada semana que funciona, porque fue diseñado para autoevaluarse y alguien prestaba atención al resultado.