El artículo analiza por qué algunas organizaciones están obteniendo grandes rentabilidades con la inteligencia artificial mientras otras apenas avanzan, y describe el patrón técnico al que convergen las que lideran: entrenar modelos de código abierto con aprendizaje por refuerzo sobre datos y flujos de trabajo propios.
Según datos de la plataforma Ramp, entre noviembre de 2022 y diciembre de 2025 el cuartil superior de empresas inversoras en IA duplicó sus ingresos, frente a un 15% de crecimiento en las que no gastaron nada en IA. McKinsey, en su encuesta de 2025, señala que el rediseño de flujos de trabajo es el factor más correlacionado con impacto en EBIT, y solo el 21% de las organizaciones habían rediseñado algún proceso.
El texto detalla cinco claves para el éxito: rediseñar procesos completos, incentivar la experimentación, aportar contexto de negocio adaptado, medir uso e impacto y fijar objetivos claros dentro del presupuesto. Advierte además del problema de costes: Uber agotó en cuatro meses su presupuesto anual de ingeniería y Microsoft canceló buena parte de sus licencias de Claude para controlar el gasto, en un mercado donde los laboratorios aún subsidían el precio de los tokens.
La receta que repiten los ganadores combina un modelo open source, datos propietarios de la tarea y una fase de aprendizaje por refuerzo contra una versión puntuada del flujo de trabajo. Casos como Bridgewater, Harvey o Intercom muestran modelos especialistas que cometen hasta un 30% menos de errores que los mejores modelos frontera y resuelven tareas a un coste entre 40 y 68 veces menor, ilustrando cómo poseer la inteligencia propia desplaza a las APIs genéricas tanto en rendimiento como en coste.