Satya Nadella dijo esta semana algo que, dicho por el CEO de Microsoft, merece tomarse en serio aunque no sea todavía la práctica estándar en ningún sector.

Via Karl Mehta: “Para mí, un modelo es como el mercado de bases de datos. Una empresa debería poder tomar el conocimiento tácito que tiene e incrustarlo en los pesos de un modelo que controla.” Y su conclusión sobre cuántos modelos debería haber: “Tantos como empresas en el mundo.”

Puede sonar ambicioso para cualquier empresa fuera de las grandes corporaciones con equipo de IA propio. Pero la lógica que hay detrás es más inmediata y más concreta de lo que parece, y empieza en un problema que casi ninguna empresa ha resuelto: documentar el conocimiento que tiene antes de intentar incrustarlo en algo.

Por qué el modelo es la nueva base de datos

La analogía de Nadella con las bases de datos no es metafórica. En los años 80 y 90, el diferenciador competitivo no era tener acceso a un sistema de base de datos, sino qué datos tenías en él. Todos podían comprar Oracle o SQL Server. La ventaja la daba los datos que habías acumulado sobre tus clientes, tus operaciones, tus proveedores.

La tesis para los modelos es la misma: todos van a poder acceder a modelos de lenguaje capaces. GPT, Claude, Gemini, los que vengan. El diferenciador no va a ser el modelo base, va a ser el conocimiento específico que tu empresa incruste en él.

Ese conocimiento tácito, el criterio de decisión que vive en las personas de tu organización, los patrones de operación que tardaron años en desarrollarse, las lecciones aprendidas que no están en ningún manual, es lo que genera ventaja competitiva sostenida. Y ese conocimiento no está en ningún modelo genérico porque nadie de afuera lo tiene. Está en tu organización, y mayoritariamente en las cabezas de las personas más experimentadas de tu equipo.

El problema es que el conocimiento que vive en cabezas es frágil. Cuando la persona se va, el conocimiento se va con ella. Que ese conocimiento viva en un modelo que la empresa controla resuelve eso, entre otras cosas.

El problema antes del fine-tuning

Hay una parte que se menciona poco cuando se habla de modelos propios: no puedes incrustar en pesos lo que no has documentado primero.

La mayoría de las empresas, cuando les preguntas cómo toman sus decisiones clave, dan respuestas que son la política oficial, no el proceso real. La política oficial dice que se evalúa a los proveedores en tres criterios estándar. El proceso real es que hay dos personas que llevan doce años en la empresa y que saben exactamente qué señales son importantes y cuáles son ruido, y que eso nunca se escribió en ningún lado.

Si intentas hacer fine-tuning de un modelo con datos de decisiones históricas sin entender ese criterio tácito, lo que capturas es el comportamiento promedio, que puede ser considerablemente distinto del criterio de las personas mejores. El modelo aprende a replicar lo que todos hacían, incluyendo los errores. No aprende el criterio que hace que las decisiones buenas sean buenas.

El riesgo adicional que señalaron comentaristas del post de Mehta es real: el conocimiento incrustado en pesos es opaco. No puedes auditar qué aprendió exactamente, no puedes actualizar una regla específica sin reentrenar, y si decides cambiar de arquitectura de modelo, no puedes llevarte lo que construiste de forma portátil. El harness como moat (ventaja competitiva) aplica aquí: el modelo base es intercambiable, pero lo que construiste encima necesita ser portable para que el moat sea tuyo y no del proveedor.

Lo que hacemos con esto en AI Maestro

Las dos primeras fases de AI Maestro son diagnóstico y mapa de procesos. No empezamos por construir nada porque antes de construir tienes que saber qué conocimiento existe y en qué estado está.

El mapa de procesos que producimos no es un diagrama de flujo corporativo. Es el documento de lo que realmente pasa: cómo se toman las decisiones de ventas en la práctica, no en el manual; qué señales usan las personas más experimentadas del equipo de operaciones para detectar problemas antes de que escalen; qué criterio usa el equipo de mercadeo para decidir qué prospectos vale la pena perseguir y cuáles no.

Ese trabajo documental es el prerequisito para cualquier conversación sobre modelos propios. Las 14 etapas de adopción de IA que mapeó Alex Lieberman comienzan por el diagnóstico y el mapa de procesos exactamente por esta razón: si no describes tu operación real antes de empezar a construir, lo que construyes replica el promedio o el comportamiento documentado, no el criterio que hace a tu empresa mejor que las demás.

No toda empresa necesita un modelo propio hoy. Pero toda empresa que quiera tener uno mañana necesita empezar por documentar lo que sabe ahora.

Empieza por documentar lo que tu empresa sabe