Inteligencia sin sistema nervioso

Las empresas compran cerebros de IA cada vez más potentes y los conectan a un sistema nervioso atrofiado. El resultado: una epidemia silenciosa de proyectos sin retorno.

En 1848, un obrero llamado Phineas Gage sobrevivió a un accidente que le atravesó el cráneo con una barra de hierro. Perdió parte del lóbulo frontal pero conservó la capacidad de hablar, moverse y razonar. Lo que perdió fue algo más sutil: la conexión entre su inteligencia y su capacidad de actuar en el mundo. Podía pensar, pero no podía decidir. Podía analizar, pero no podía ejecutar. Su cerebro funcionaba; su sistema nervioso, no.

Las empresas que adoptan inteligencia artificial en 2026 sufren una versión corporativa del síndrome de Gage. Compran cerebros cada vez más potentes -GPT-4.5, Claude, Gemini, Llama- y los conectan a un sistema nervioso atrofiado: carpetas dispersas en SharePoint, ERPs inaccesibles, bases de datos que no hablan entre sí, y una memoria institucional que vive en la cabeza de empleados que algún día se jubilarán.

El resultado es predecible. La encuesta global de PwC presentada en Davos este enero lo documenta sin ambigüedades: el 56% de los CEO reportan que la IA no ha producido ni aumento de ingresos ni reducción de costes en los últimos doce meses. Solo el 12% -lo que PwC llama el «AI Vanguard»- ha conseguido ambos. El gasto global en IA alcanzará los 2,5 billones de dólares en 2026, según Gartner. La brecha entre inversión e impacto nunca ha sido tan grande.

Ya hemos hablado sobre esto en otras ocasiones. El problema no es el cerebro. El problema es todo lo demás. Hablemos de la arquitectura de la solución.

La fontanería invisible

Hay una paradoja que se repite en cada empresa que intenta adoptar IA: cuanto más potente es el modelo, más evidente se vuelve la pobreza de la infraestructura que lo rodea.

Piense en un agente de IA resolviendo una incidencia de un cliente. En menos de un segundo, necesita consultar el estado del pedido en el ERP, el historial de interacciones en el CRM, los detalles del producto en la documentación técnica, y la disponibilidad de stock en el almacén. Si una sola de esas fuentes está desactualizada, incompleta o inaccesible, la respuesta del agente queda comprometida.

Este es el cuello de botella real. No es la capacidad de razonamiento del modelo. Es la capacidad de conectarlo con la realidad operativa de la empresa.

Las empresas no tienen un problema de inteligencia artificial. Tienen un problema de fontanería.

Muchas empresas ya saben que necesitan ordenar sus datos. Eso es necesario, pero no suficiente. El verdadero cuello de botella está un nivel más arriba: no en tener datos limpios, sino en cómo conectarlos. Y ahí es donde la industria sigue experimentando.

Primero llegó RAG, una técnica que permite a la IA buscar en documentos internos antes de responder. El mercado de soluciones RAG pasará de 1.200 millones de dólares en 2024 a más de 11.000 millones en 2030. Pero RAG tiene un problema: trata los documentos como fragmentos aislados, sin entender las relaciones entre ellos.

Entonces llegó GraphRAG, que organiza el conocimiento en grafos de relaciones. Prometía razonamiento complejo, conexiones entre entidades, respuestas que atraviesan múltiples documentos. La realidad: cuesta entre tres y cinco veces más que RAG básico, y requiere un «grafo de conocimiento empresarial» que casi ninguna empresa tiene construido.

Durante años, el ERP ha sido tratado como el ‘patito feo’ de la transformación digital

Después apareció MCP, el Model Context Protocol, un estándar abierto que permite conectar modelos de IA con herramientas externas. Anthropic lo lanzó a finales de 2024, OpenAI y Google lo adoptaron en 2025, y en diciembre pasado fue donado a la Linux Foundation. Hoy cuenta con más de diez mil servidores públicos y 97 millones de descargas mensuales. Pero cuando una empresa conecta cien herramientas a su agente de IA, el modelo sufre lo que los investigadores llaman «parálisis por elección»: demasiadas opciones, ninguna decisión clara.

Y mientras tanto, los sistemas de memoria para agentes -la capacidad de recordar conversaciones pasadas, aprender de interacciones previas, mantener contexto a lo largo del tiempo- apenas empiezan a madurar. Lo que el año pasado era territorio puramente experimental ahora se llama «memoria contextual» y está emergiendo como pieza crítica de la arquitectura agéntica. Pero la integración sigue siendo frágil. Como resume Letta, uno de los proyectos más avanzados en este campo: «RAG no es lo mismo que la memoria de agente».

El mapa de un territorio inexplorado

Lo que está consolidándose en 2026 es un nuevo campo llamado Context Engineering: el diseño sistemático de qué información entra en el contexto de un modelo de IA, cuándo, y en qué formato. Lo que hace un año era un concepto emergente hoy se reconoce como disciplina independiente.

La idea parece simple. La ejecución no lo es. Un agente de IA empresarial necesita orquestar tres fuentes de información simultáneamente. Primero, documentos: manuales, políticas, contratos, especificaciones técnicas. Esto es lo que RAG intenta resolver. Segundo, herramientas: acceso a ERPs, CRMs, bases de datos, APIs internas. Esto es lo que MCP intenta resolver. Tercero, memoria: el historial de conversaciones, las preferencias del usuario, el estado de tareas en curso, la proactividad en la conversación, lo que el agente ha aprendido de interacciones anteriores. Esto es lo que nadie ha resuelto todavía de forma robusta.

RAG, GraphRAG, MCP, Memory. Cada pieza resuelve una parte del problema y crea tres problemas nuevos.

El reto no es técnico en el sentido tradicional. No se trata de escribir mejor código o comprar mejor hardware. Se trata de que cada empresa tiene datos diferentes, procesos diferentes, ambigüedades diferentes. Lo que funciona en una farmacéutica no funciona en una constructora. Lo que funciona en una pyme de servicios no funciona en una multinacional industrial.

Gartner predice que más del 40% de los proyectos de IA agéntica serán cancelados antes de 2027 por costes excesivos, retorno incierto y falta de controles de riesgo. No porque la tecnología no funcione, sino porque se está aplicando como si fuera un producto cuando en realidad es un problema de investigación.

La investigación como única salida

Si el problema fuera de implementación, ya estaría resuelto. Hay capital de sobra, talento disponible, y tecnología madura. Lo que falta es otra cosa: saber qué implementar.

Hoy compiten tres tipos de organización por resolver este problema. 1. Las empresas de software venden productos cerrados. Asumen que el problema está resuelto. No lo está; 2. Las consultoras venden implementación. Son excelentes ejecutando soluciones probadas. Pero no hay soluciones probadas; 3. Los laboratorios investigan. Asumen que el problema está abierto. Experimentan en entornos reales, descartan lo que no funciona, iteran sobre lo que sí. En cualquier otro momento de la historia tecnológica, comprar software habría sido la respuesta correcta. Pero estamos en la fase donde las piezas existen y nadie sabe cómo ensamblarlas. En un territorio sin mapas, solo sobrevive quien sabe explorar.

La IA empresarial no es un producto que se compra. Es un problema que se investiga. Y hay un lugar donde esta necesidad de investigación se hace especialmente visible. Un sistema que todas las empresas tienen, que casi ninguna ha conseguido conectar con IA, y que contiene exactamente los datos que los agentes necesitan para funcionar.

El ERP como campo de batalla

Durante años, el ERP, sistema de software que ayuda a las organizaciones a optimizar sus procesos de negocio, ha sido tratado como el «patito feo» de la transformación digital. Un sistema necesario pero incómodo, lleno de deuda técnica, difícil de modernizar. Las empresas preferían hablar de apps móviles, experiencia de usuario, plataformas cloud. El ERP quedaba relegado al departamento de IT.

Pero resulta que el ERP contiene exactamente lo que la IA necesita para ser útil: los datos transaccionales reales de la empresa. Pedidos, facturas, inventarios, clientes, proveedores. Sin acceso a estos datos, un agente de IA es un cerebro brillante encerrado en una habitación oscura.

McKinsey lo plantea sin rodeos: «No hay estrategia de IA sin estrategia de ERP. Los casos de uso de IA dependen de los datos y las aplicaciones que residen en sistemas ERP. La transformación de flujos de trabajo de extremo a extremo -donde está el verdadero valor de los agentes de IA- requiere integración profunda con estos sistemas».

El problema es que esa integración no existe en la mayoría de empresas. El 80% de las transformaciones ERP siguen fallando en presupuesto, plazos y valor entregado. Y mientras tanto, los agentes de IA se quedan sin acceso a la información que necesitan para funcionar.

Reconectar el sistema nervioso

El caso de Phineas Gage fascinó a los neurocientíficos del siglo XIX porque reveló algo contraintuitivo: la inteligencia no basta. Un cerebro puede estar intacto y aún así ser incapaz de funcionar en el mundo si las conexiones con el resto del sistema están dañadas.

Gartner predice que más del 40% de los proyectos de IA agéntica serán cancelados antes de 2027

La IA empresarial está descubriendo la misma lección. Los modelos son cada vez más capaces. Las ventanas de contexto crecen de miles a millones de tokens. Las capacidades de razonamiento mejoran con cada generación. Pero nada de eso importa si el sistema nervioso corporativo -la infraestructura que conecta el cerebro con los datos, las herramientas y la memoria de la organización- sigue atrofiado. El próximo salto de la IA empresarial no vendrá de modelos más potentes. Vendrá de conexiones más inteligentes.

Resolver esto no es cuestión de comprar un producto ni de contratar una implementación. Es cuestión de investigar: entender cómo fluye la información en cada organización específica, qué datos son críticos y cuáles son ruido, cómo orquestar documentos, herramientas y memoria para que el agente tenga contexto sin ahogarse en él.

Las empresas que lo consigan no serán las que tengan el modelo más avanzado. Serán las que hayan construido el sistema nervioso más sofisticado. Y eso, por ahora, sigue siendo territorio de laboratorio.

El cerebro ya está listo. La pregunta es quién lo conectará primero.