Hace unos días, parte de nuestro equipo de liderazgo asistió a Ai4 2026, la conferencia de IA empresarial más grande de Estados Unidos. Seis charlas, un montón de notas y una conclusión que surgió sesión tras sesión: la conversación sobre IA empresarial está madurando. Ya no se trata de quién tiene el modelo más nuevo o el agente más llamativo; se trata de quién puede convertir eso en resultados de negocio sostenibles.
Aquí están las conclusiones clave, organizadas en torno a los temas que más resonaron.
Una de las primeras charlas, "Construyendo el stack de IA empresarial: estrategias para herramientas, plataformas y ROI", comenzó con una idea sencilla pero que vale la pena repetir: si ya tienes una solución que aporta valor real, no necesitas perseguir lo que acaba de lanzarse. La presión por adoptar lo "más avanzado" o lo "más novedoso" es real, pero mantener un stack estable y fiable, aunque no sea la última vanguardia, suele ser la decisión correcta.
Un dato compartido por el ponente dejó a la sala en silencio: preguntó a los asistentes cuántos se sentían realmente cómodos con su stack de IA actual. De una sala llena, solo diez personas levantaron la mano.
No es un dato aislado. Las encuestas recientes del sector muestran un panorama similar: el 97% de los ejecutivos ha implementado agentes de IA en el último año, pero solo el 29% reporta un ROI significativo. Gartner va más allá, proyectando que más del 40% de los proyectos de IA agente serán cancelados antes de 2027. La brecha entre "hemos implementado IA" y "la IA está dando resultados medibles a nivel corporativo" sigue siendo el principal punto de dolor, y coincide exactamente con lo que se vio en la sala.
Por qué esto es importante para nosotros en Onetree: es el problema exacto que vemos más a menudo con los clientes. La ansiedad por "quedarse atrás" lleva a los equipos a acumular herramientas sin una estrategia clara, y el resultado es un stack fragmentado que cuesta más de lo que aporta. Ayudar a los clientes a auditar lo que ya tienen, antes de añadir nada nuevo, es tan importante como la implementación en sí.
La segunda charla se centró en algo que tratamos como una filosofía de trabajo: para obtener un valor económico real de la IA, hay que empezar por entender los flujos de trabajo de la empresa, no por elegir la tecnología de moda. La pregunta correcta no es "¿qué modelo deberíamos usar?", sino "¿qué proceso, si se automatiza, realmente marca la diferencia?". La tecnología se elige después, en función de ese impacto.
Esto coincide con lo que muestran las últimas investigaciones sobre adopción empresarial: las organizaciones que obtienen resultados son las que conectan la IA directamente con los ingresos o la eficiencia medible, y tratan la adopción como un rediseño organizacional, no como un despliegue de software. Las que tienen dificultades suelen tener una "estrategia de IA" que existe más para quedar bien que para guiar decisiones reales.
Una de las charlas más originales del evento, y la que más sorprendió a nuestro CTO, trató sobre los "sueños de agentes", un concepto que está ganando terreno en toda la industria. Anthropic lanzó una versión de esto para agentes basados en Claude bajo el nombre de "dreaming" a principios de este año, aunque el enfoque más amplio está siendo explorado por varios actores.
La idea, en términos sencillos: al final del día (o de un ciclo de trabajo), un proceso analiza todo lo que hizo el agente, es decir, sus registros, identifica qué funcionó y qué no, y decide qué vale la pena recordar. Esos datos seleccionados se guardan en la memoria del agente para que estén disponibles en el futuro, sin necesidad de que un humano tenga que reentrenar nada manualmente.
Es, en esencia, la diferencia entre un agente que repite los mismos errores cada semana y uno que realmente acumula experiencia. Para cualquier empresa que esté pasando de "probar agentes" a "operar con agentes", este tipo de memoria y mecanismo de aprendizaje continuo será un verdadero factor diferenciador.
Otra charla, a cargo de Srini Venkatesan, vicepresidente ejecutivo y director de tecnología de PayPal, mostró cómo uno de los gigantes del sector fintech está utilizando agentes de IA para acelerar el desarrollo de software sin aumentar su plantilla. Las cifras compartidas durante el evento (que coinciden con lo que PayPal ha comunicado públicamente) son sorprendentes: la empresa implementó herramientas de programación con IA para miles de desarrolladores, y los equipos con mayor adopción pasaron de ciclos de lanzamiento de una o dos semanas a despliegues diarios. Un ejemplo concreto: una migración de Java que afectaba a 3000 aplicaciones, estimada originalmente en un año de trabajo, se completó en dos meses.
El mensaje subyacente no fue "usamos IA para reducir nuestros equipos", sino "usamos IA para que los equipos que ya tenemos puedan hacer mucho más". Esa distinción es importante, tanto para la conversación interna sobre la IA como para la forma en que la comunicamos a nuestros propios equipos.
Estrechamente relacionado con el punto 1: otra charla se centró en los obstáculos reales para llevar los agentes de la fase piloto a la producción, concretamente la precisión, el coste y el retorno de la inversión (ROI). Esta es la etapa en la que la mayoría de los proyectos se estancan: un agente que funciona bien en una demostración controlada puede volverse costoso, inconsistente o directamente arriesgado a gran escala. Esto refuerza la idea de que los puntos 1 y 2 no son temas aislados; son dos caras de la misma moneda: sin comprender el flujo de trabajo empresarial y sin una infraestructura fiable, escalar agentes a producción es mucho más difícil de lo que parece en la demostración.
La charla final combinó dos temas que a primera vista parecen no tener relación, pero que están más conectados de lo que parece:
Los modelos de IA física representan el mundo real y se utilizan, por ejemplo, en el desarrollo de vehículos autónomos y robótica. Lo más interesante es su uso como entornos de simulación para entrenar a otras IA que necesitan datos del mundo real, lo cual es hoy una de las mayores limitaciones del sector. Esto coincide estrechamente con el fuerte impulso que NVIDIA ha estado dando en este ámbito a lo largo de 2026.
El desarrollo de software impulsado por IA es la forma en que la IA está transformando los procesos de desarrollo de principio a fin. Es algo en lo que hemos estado trabajando activamente en Onetree, y ver que ocupe un lugar tan destacado en la agenda de un evento como Ai4 confirma que vamos por el camino correcto.
Nuestras conclusiones como equipo
Si hay un hilo conductor en las seis charlas, es este: la IA empresarial está dejando atrás la fase de "sorpresa" para entrar en la de "demuéstrame los resultados". Las empresas que triunfen en esta nueva etapa no serán las que tengan el modelo más reciente, sino las que comprendan sus propios flujos de trabajo, mantengan una infraestructura fiable y traten a cada agente en producción con el mismo rigor que a cualquier otro sistema crítico para el negocio.
El ejercicio de honestidad que cualquier equipo directivo debería hacer ahora mismo quizás no sea elegir la próxima herramienta, sino cuestionarse si a la infraestructura que ya tienen se le está exigiendo demostrar su valor o si simplemente se da por sentado.
.svg)