Cuando hablamos de inteligencia artificial, solemos meter todo en el mismo saco, pero cada vez estoy más convencido de que están apareciendo dos tipos de IA completamente diferentes. Comparten tecnología, pero resuelven problemas distintos, generan valor de manera distinta y requieren enfoques y arquitecturas completamente diferentes.

Hablamos de agentes, automatización, copilotos, workflows, IA empresarial o IA generativa como si todo formara parte de una única categoría tecnológica. Sin embargo, cuanto más experiencia tengo sobre el terreno, más se agudiza la necesidad de separar dos arquitecturas de IA radicalmente distintas, con requisitos técnicos distintos, proveedores distintos y, probablemente, modelos de negocio distintos.

La primera podríamos llamarla IA ad hoc y la segunda, IA integrada; ambas utilizan LLMs, agentes, prompting, memoria y herramientas externas, pero terminan resolviendo problemas completamente diferentes, y entender esta diferencia se está convirtiendo en una necesidad imperiosa para evitar malentendidos en las empresas.

La IA ad hoc: sistemas indeterministas para aumentar capacidades humanas

La IA ad hoc es la que la mayoría de nosotros utilizamos a diario, es la interacción clásica entre una persona y un modelo. Abres ChatGPT para preparar una propuesta comercial. Utilizas Claude para analizar un contrato. Le pides a Perplexity que investigue un mercado. Utilizas Copilot para resumir una reunión. Lanzas Cursor para generar código. O utilizas Gemini para preparar una presentación.

En todos estos casos existe un patrón común, el sistema no está operando un proceso empresarial, está ayudando a una persona a resolver un problema puntual, el workflow nace cuando aparece una necesidad y desaparece cuando la tarea termina. Desde un punto de vista técnico, estos sistemas son profundamente indeterministas.

La misma consulta puede generar respuestas diferentes. El mismo problema puede resolverse de varias maneras. La creatividad, la exploración y la generación de alternativas forman parte del valor intrínseco del sistema. No buscamos predictibilidad absoluta, buscamos amplitud de soluciones.

De hecho, muchas veces la respuesta más valiosa es aquella que el usuario no esperaba, por eso los modelos líderes en esta categoría compiten principalmente en tres variables:

Velocidad de inferencia.

Ventana de contexto.

Capacidad de razonamiento.

Cuando utilizamos Claude Code, Microsoft Copilot o incluso OpenClaw o Hermes, no nos preocupa especialmente cómo han llegado al resultado, lo que nos importa es el resultado final, el proceso que han utilizado para llegar hasta ahí es desechable. La conversación termina y la memoria operativa desaparece, la siguiente interacción empieza prácticamente desde cero.

Por eso el mercado ad hoc está evolucionando hacia una fuerte comoditización. Cada vez existen más modelos con capacidades similares, las diferencias entre proveedores se reducen rápidamente, los costes de inferencia siguen cayendo y las barreras de entrada disminuyen mes tras mes.

La batalla se está librando en la experiencia de usuario, el rendimiento y el ecosistema, no en los procesos empresariales.

La IA integrada: sistemas deterministas para operar negocios

La segunda categoría es mucho menos visible y, posiblemente, mucho más importante: la IA integrada o embebida no está diseñada para ayudar a las personas; está diseñada para operar sistemas, para automatizar procesos dentro de las empresas. Aquí, el usuario desaparece, lo que existe es un flujo de trabajo permanente que debe ejecutarse independientemente de que en medio haya un humano observando o tomando decisiones.

Imagina una aseguradora que recibe miles de siniestros diarios. Un sistema de IA clasifica expedientes, extrae documentación, identifica anomalías, calcula niveles de riesgo y deriva casos complejos a supervisores humanos. O una empresa industrial que utiliza agentes para coordinar compras, realizar pedidos, planificar la producción y gestionar el inventario. O una plataforma SaaS que analiza automáticamente miles de tickets de soporte, detecta patrones emergentes, clasifica las incidencias y genera acciones correctivas.

En estos escenarios, la IA ya no es un asistente, sino que se convierte en una capa operativa, la diferencia parece sutil, pero no lo es. Cuando un sistema ad hoc falla, normalmente lo detecta una persona, cuando un sistema integrado falla, normalmente lo detecta una alarma, y esta diferencia cambia completamente la arquitectura tecnológica.

Aquí ya no buscamos creatividad, buscamos control absoluto del sistema, no queremos sorpresas, queremos determinismo puro, no queremos respuestas interesantes, buscamos las respuestas correctas, queremos que la IA no se salga de la carretera, necesitamos que se mantenga dentro del carril que le hemos marcado.

Mientras que un usuario puede tolerar que ChatGPT falle en una consulta, una empresa no puede tolerar que un agente autónomo tome miles de decisiones incorrectas durante horas sin supervisión, por eso, la conversación técnica cambia completamente.

La pregunta ya no es «¿Qué respuesta genera el modelo?». La pregunta es «¿Cómo garantizamos que este proceso seguirá funcionando dentro de seis meses?».

Las herramientas que se utilizan en la IA integrada que automatiza procesos repetitivos industriales, no tienen nada que ver con los productos de IA ad hoc. Aquí nos vamos a entornos como n8n, CrewAI, LangChain, AutoGen, LlamaIndex, etc.

Y, dependiendo del tamaño de la empresa, hay algunos proveedores de IA ad hoc, como ChatGPT, Copilot o Gemini, que empiezan a lanzar productos agénticos con IA integrada, enfocados en empresas pymes pequeñas con software estándar en sus operaciones, productos que, a partir de 50 empleados, con ERPs y sistemas complejos, directamente no se pueden utilizar a escala.

Determinismo contra inteligencia

Existe una idea interesante detrás de esta división, durante años hemos asociado la evolución de la IA con modelos cada vez más inteligentes, con más parámetros, con más capacidad de razonamiento, cuando en realidad la automatización de verdad agéntica necesita más LAM (Large Action Models) y menos LLM (Large Language Model), necesitamos modelos más pequeños, robustos, seguros, y rápidos, para automatizar con agentes no necesitas un PhD, necesitas un «currito» que te saque el trabajo rápido, bien y que no se equivoque.

El verdadero desafío empresarial no parece ser construir agentes más inteligentes, sino construir agentes más predecibles, un sistema capaz de resolver problemas complejos una vez tiene mucho menos valor que un sistema capaz de resolverlos correctamente diez mil veces seguidas.

Por eso, muchas organizaciones están descubriendo que la dificultad no está en el modelo, sino en la infraestructura previa, la orquestación, el workflow y la gobernanza.

¿Dónde se generará realmente el valor?

Luego para implementar IA en tu empresa, no se trata de comprar un par de planes de Claude (qué es que más se está escuchando ahora) y ponerte a chatear y sacar documentos adelante, para sacar realmente partido a esta tecnología, que te sea rentable, y que realmente automatices dentro de tu empresa, tienes que ir a muy bajo nivel, debes mapear los procesos del negocio con todo detalle, trabajar en la modernización o adaptación de tu actual infraestructura tecnológica, y diseñar la arquitectura de negocio y tecnología en la que trabajarán tus agentes.

No es que haya que elegir entre la IA ad hoc o la IA integrada, la primera se usa como amplificador de la productividad individual del trabajador, es la visible, la segunda automatiza los sistemas completos dentro de una organización, es la invisible. Y la mejor noticia, son complementarias.

Es más, la mayor parte del valor económico terminará concentrándose en la IA embebida. Considera la IA ad hoc como un commodity que te ayudará en un 30% de las tareas de tu empresa; la embebida, la que no se ve, puede cubrir el 70%, porque aunque utilicen la misma tecnología subyacente, probablemente estemos hablando de dos mercados completamente distintos.