«Lo que la IA no puede comoditizar (todavía)» es el tema que propone Eduardo Moraga Ortega, Business Intelligence and Data Science Consultant
Seamos honestos: no hablo desde la ingenuidad.
No creo que haya llegado un santo grial que va a multiplicar por diez la productividad de las empresas de la noche a la mañana. Tampoco creo que estemos ante una burbuja vacía que va a explotar como tantas otras. Lo que sí creo —porque lo he visto antes, con nombres distintos— es que estamos en una curva que ya recorrimos y que no todos han sabido leer bien.
¿Se acuerdan de la frase? «El científico de datos será la profesión más sexy de los próximos años». La dijo Thomas Davenport en Harvard Business Review en el año 2012 y tuvo razón. Fue un hype interesante, genuino, con fundamentos reales. Las empresas lo adoptaron, las universidades armaron programas de máster en tiempo récord, los bootcamps prometían reconversión en doce semanas y el mercado laboral respondió: las ofertas eran escasas y bien remuneradas. Operó el principio más clásico de la economía: oferta baja, demanda alta, precio alto. Todo muy predecible.
Después llegó la sobreoferta. Llegaron los graduados. Llegaron las herramientas que automatizaron lo que antes hacía el científico de datos junior. Y el ciclo llegó a una asíntota. No porque la disciplina fuera inútil —los datos siguen siendo críticos— sino porque lo que escaseaba dejó de escasear.
Luego vino el prompt engineering. Mismo ciclo, velocidad mayor. Hoy ya existen modelos que generan mejores prompts que cualquier humano promedio. La habilidad que hace doce meses aparecía en ofertas laborales con sueldos de seis cifras, hoy es un feature del software.
Estimado lector, esto no es una lamentación. Es el contexto desde el cual vale la pena pensar en serio.
Porque en América Latina el tablero tiene una capa adicional que no podemos ignorar. Invertimos menos del 0,5% del PIB en investigación y desarrollo. Nuestras universidades con suerte asoman en los rankings globales top 100. No tenemos un Anthropic, no tenemos un OpenAI, no producimos los modelos fundacionales ni controlamos la infraestructura computacional que los sostiene. Somos, por diseño estructural, consumidores de olas tecnológicas que otros generan. Eso no es un juicio moral sobre nuestra capacidad; es una descripción honesta del terreno donde operamos. Y operar en ese terreno exige una estrategia distinta a la de quien juega de local.
Dicho de otra manera: si la ventaja no la construimos generando la tecnología, ¿Dónde la construimos?
Mi hipótesis, construida desde la experiencia propia más que desde cualquier paper, es que la única habilidad verdaderamente no comoditizable no es ninguna tecnología específica. Es el hábito de aprender. La capacidad de entrar a un dominio sin saber nada, construir la comprensión suficiente para producir algo útil y repetir el ciclo cuando ese dominio quede obsoleto. Lo que hoy es una ventaja competitiva, mañana se convierte en commodity. Eso hay que tenerlo muy claro. Vivimos en un camino acelerado hacia una comoditización de soluciones sin precedentes. Y quien apuesta todo a dominar una herramienta específica, está construyendo sobre arena.
Yo mismo lo he estado aprendiendo en tiempo real, desde esta humilde trinchera. Hace algunos meses empecé a construir un framework para generar arquitecturas de agentes especializados de inteligencia artificial. Partí de una idea abstracta: que era posible, desde una sola conversación, generar toda la estructura de un sistema multiagente con roles definidos, habilidades separadas, integraciones con herramientas externas y memoria persistente basada en estudios científicos sobre cómo los agentes retienen el contexto entre sesiones. Hoy ese sistema permite, desde un teléfono, pedirle a un agente que te programe reuniones, construya una presentación de punta a punta, la envíe a un ejecutivo, conteste correos y baje instrucciones al CRM de cada ejecutivo de cuenta. No lo construí porque sea ingeniero. Lo construí porque aprendí lo suficiente para hacerlo funcionar, y ese proceso de aprendizaje fue tan valioso como el resultado.
Desde ahí vino Moragent —un complemento que hace lo mismo, pero desde adentro de Claude, sin infraestructura externa, accesible para alguien que nunca ha programado un agente en su vida—. La idea era reducir la barrera de entrada para que personas que recién se acercan a estas herramientas pudieran aprender haciendo, no solo consumiendo demos. El ejercicio de diseñarlo me obligó a entender cosas que no entendía antes. Ese también era el punto.
En paralelo, construí un sistema de agentes para recursos humanos: análisis de CV, automatización de procesos de selección y flujos de recomendación. Y como efecto secundario que no había planificado del todo: una reducción concreta de los sesgos cognitivos en la contratación. Tomé como referencia a Kahneman, porque básicamente quitamos al «Sistema 1» de las decisiones de hiring, que es exactamente donde viven la mayoría de los sesgos que nadie admite tener.
Vea también: La IA ya está tomando decisiones. La pregunta es cuáles seguimos considerando humanas.
Y hay un portal de Business Intelligence con agentes embebidos que no solo muestran datos, sino que conversan con quien los opera. La diferencia entre un dashboard que exhibe y uno que responde preguntas es la diferencia entre un informe y un analista disponible a cualquier hora. Eso también fue aprendizaje forzado, del tipo que no habrías emprendido si no hubiera habido algo concreto que construir.
El patrón en todo esto no es que tenga habilidades extraordinarias. El patrón es que cada proyecto me obligó a aprender algo nuevo en un dominio que no dominaba, produciendo algo real al final del proceso. Y que esa combinación —exploración genuina, colaboración con personas que traen un expertise distinto y el objetivo concreto de construir algo útil— es lo que genera un valor difícil de replicar. No porque sea un secreto, sino porque requiere tiempo, disposición a estar desorientado por un rato y la voluntad de no esperar a que el conocimiento esté perfectamente empaquetado antes de empezar.
A estas alturas, la pregunta que me parece más relevante no es qué tecnología aprender. Es si estás construyendo el hábito de aprender o solo acumulando certificados de lo que ya pasó.
Y la paradoja con la que me quedo, que no tengo forma de resolver del todo, es: ¿y si el skill que estás desarrollando hoy va a ser comoditizado por la misma IA que usas para desarrollarlo?
