La inteligencia artificial de frontera gana medallas de oro en la Olimpíada Internacional de Matemática. La misma tecnología acierta la hora en un reloj de aguja apenas la mitad de las veces.
No es una anécdota graciosa. Si tenés que decidir dónde utilizar IA, esa contradicción es lo primero que conviene entender. Stanford le puso nombre en su AI Index 2026: la frontera dispareja. La misma IA es brillante y torpe al mismo tiempo, y casi nunca te avisa cuál de las dos está siendo.
Construyo con IA y la llevo a producción. La pregunta que me hacen los CTOs cambió: ya no es si la IA sirve, sino por qué, sirviendo tanto, cuesta tanto sacarle valor. La respuesta son dos curvas que se están separando.
La capacidad no tocó techo
Se dice que la IA se amesetó, que es una burbuja. Los datos de Stanford dicen lo contrario. En SWE-bench Verified, que mide bugs reales, pasó de 60% a casi 100% en un año. La IA generativa llegó al 53% de la población mundial en tres años, más rápido que internet, y el 88% de las organizaciones ya la usa. Y conviene decirlo desde una empresa que vende IA: el que apueste a que esto no sirve va a perder la apuesta.
Pero la frontera es dispareja
Los agentes que ejecutan tareas por su cuenta saltaron de 12% a 66% de éxito en pruebas reales de computadora, pero todavía fallan una de cada tres veces. Por qué brilla en una cosa y se rompe en la de al lado lo expliqué en otra columna: predice texto, no entiende lo que hace. Lo nuevo es que esa competencia no se reparte como la nuestra. Un humano que resuelve una integral seguro sabe leer un reloj; en un modelo, una cosa no dice nada de la otra. Que ande en una prueba no garantiza nada sobre la tarea de al lado. Cada caso de uso hay que probarlo antes de confiar; sin más.
La otra curva está plana
Mientras la capacidad sube en vertical, las organizaciones avanzan en horizontal. Según la encuesta global de Deloitte, el acceso a herramientas de IA creció 50% en un año, pero menos del 60% de quienes lo tienen las usa a diario, y solo el 25% de las empresas llevó más del 40% de sus experimentos a producción. El 74% planea desplegar agentes en dos años; apenas el 21% tiene gobernanza madura para supervisarlos. El 84% no rediseñó un solo rol. Se sienten listas para contarlo, no para hacerlo.
El peligro vive en el cruce
Junten las dos curvas y aparece el problema de 2026: soltamos una capacidad que acelera y es dispareja sobre organizaciones planas y sin preparar. Un agente que funciona el 99% de las veces y falla el 1% en silencio es más peligroso que uno que falla siempre, porque te enseña a confiar justo antes de traicionarte. No es casualidad que los incidentes con IA que releva Stanford, casos documentados de daño real, pasaran de 233 en 2024 a 362 en 2025.
No se puede gobernar lo que no se entiende, y lo que estamos por gobernar es disparejamente capaz. Por eso la pregunta no es qué modelo comprar, sino si tu gente sabe dónde falla la IA y puede poner ahí el control humano.
El borde sin explotar
La curva de la capacidad se compra: pronto cualquiera va a tener los mismos modelos que el resto. Levantar la otra, la organizacional, hasta ahí es lento y caro, pero es lo único que no viene en la caja. No es un problema de acceso. Es de activación.
Lo comprobamos hace poco en la transformación de un importante grupo agroindustrial, hoy bajo acuerdo de confidencialidad: la iniciativa superó los 4.650 usuarios activos y alcanzó una adopción del 100%. El factor decisivo no fue el modelo implementado. Fue la capacidad de alinear personas, procesos y tecnología detrás de un objetivo compartido.
La curva de la máquina va a seguir subiendo casi sola. La de las personas no: esa se construye a mano, entendiendo lo que se pone a andar. Las empresas que no lo hagan no se van a quedar sin IA; se van a quedar con un montón de IA que nadie sabe manejar. La diferencia, al final, no la va a marcar el que llegó primero. La va a marcar el que entendió.
- Santiago Marro se desempeña como AI Specialist Lead de Santex.
