ofimática

Las empresas dicen —decimos— que están llevando la IA a la estrategia. Creo que la mayoría de las veces lo que en realidad están haciendo es acelerar la ofimática.
Claramente, no es lo mismo.

Acelerar ofimática es activar Copilot en una suite y repartir licencias*. Es resumir reuniones, redactar correos más rápido, hacer tablas dinámicas en segundos. Sirve, mueve productividad, es real. Pero, opera sobre la capa más superficial del trabajo. Siempre pienso en "no ganamos más plata por mandar un correo más rápido".

Creo también que operar IA sobre procesos de software es distinto. Es más caro (vaya que sí, al menos para el mundo corporativo), exige equipos técnicos sostenidos, y se asienta sobre un sustrato —modelos, capacidades, costos— que cambia mes a mes, por la chucha que sí. Lo que hoy es la mejor decisión arquitectónica, en seis meses puede ser deuda técnica. La maleabilidad del sustrato es la dificultad.

Si consideramos que acelerar ofimática es estrategia de IA, se produce una sensación de estar al día que no se sostiene cuando uno mira la segunda capa.

Lo que describo es mi sensación nada más, no es necesariamente la situación particular de una empresa. Es lo que se ve desde adentro, y lo que confirman colegas en otras compañías, conferencias del sector, prensa de negocios. Es el patrón del usuario final en organizaciones grandes y no tecnológicas. No es excepción.

*muy apropiado ese video meme del tipo que contrata 4000 licencias de Copilot... Aunque hace muy poco Copilot se está luciendo. Producto de su alianza con Anthropic

Los tres vectores de la confusión

En las organizaciones se manejan, sin nombrarlas, tres relaciones semánticas implícitas:

> IA = chatbot en un front = disrupción == innovación == IA en la estrategia
> IA = automatización = productividad personal acelerada == competitividad
> IA = ofimática acelerada = cambio en la forma de trabajar = cambio de mindset == IA en la estrategia

Las tres son verdaderas en algún plano y falsas en otro. Las tres confunden el síntoma con la causa, la fase con el horizonte, la herramienta visible con la transición de fondo.

La tercera es la más interesante. Tiene cierto sentido si se la lee como síntoma del estadio de adopción —un impulso, una motivación de entrada. No es ridícula. Es parcial. El error no es identificarla, el error es detenerse ahí y llamarle estrategia. Pequeño repaso acá, en el entendido de los frameworks tradicionales y genéricos de adopción:

• Primera etapa: Adopción para productividad. La organización va adoptando la herramienta, el impacto es bajo, el conocimiento y el tiempo invertidos también.
• Segunda etapa: Evolución. Siempre que la primera etapa resulte medianamente bien. Acá aparece de a poquito el cambio en la forma de trabajar y los primeros atisbos de la interrogante "¿estamos haciendo las cosas de la manera más eficiente posible dadas las herramientas que adoptamos?"
• Tercera etapa: Transformación: aumenta considerablemente el valor capturado, también el tiempo invertido —y también los recursos. Acá hacemos las cosas de manera diferente (acá aplica la frasesita del "cambio de mindset").

El frente real

Antes de seguir, una calibración necesaria. Esta parte pueden dejarla para el final o saltarla, no pasa nada.

Hay un género de influencer y de medio que lleva meses hablando de singularidad, de crecimiento exponencial, de AGI inminente. Conviene tomar distancia. Nada de eso existe. No hay AGI, no hay singularidad, no hay sistemas que se reescriban a sí mismos en sentido fuerte. Lo que hay son casos concretos que pueden leerse, con prudencia, como evidencia de que el vector lógico de la automejora es factible. Nada más que eso. Y nada menos.

Tres ejemplos del último mes.

1) En abril de 2026 Anthropic anunció Claude Mythos Preview, un modelo que su propio Red Team describió como un salto en capacidades de ciberseguridad. Identificó miles de vulnerabilidades zero-day en sistemas operativos y navegadores mayores —incluida una de 27 años en OpenBSD, sistema célebre por su hardening. No fue entrenado específicamente para seguridad. La capacidad emergió. En lugar de liberarlo, Anthropic lo metió en Project Glasswing, una coalición restringida con Amazon, Apple, Google, Microsoft, JPMorgan y otros.

Hasta acá la versión de prensa. La que importa es la siguiente.

Días después, Daniel Stenberg —creador de cURL, una de las piezas de software más usadas del mundo— publicó un análisis del informe que Mythos generó sobre su código. De cinco "vulnerabilidades confirmadas", solo una era real y de severidad baja. Stenberg llamó al lanzamiento "una campaña de marketing extraordinariamente exitosa". Investigadores de AISLE replicaron varios hallazgos de Mythos con modelos de código abierto de tres a cinco mil millones de parámetros que cuestan centavos por millón de tokens. Su conclusión: el moat en ciberseguridad con IA es el sistema, no el modelo.

Las dos cosas son simultáneamente verdaderas. La capacidad existe. La narrativa la sobreestima. Y modelos mucho más chicos están en el mismo terreno. Esto simplemente permite precisar el vector, no debilitarlo.

2) A inicios de mayo, Anthropic anunció dreaming en sus agentes: un proceso programado que revisa las sesiones pasadas del agente y sus memorias, extrae patrones, y cura esas memorias para que el agente mejore con el tiempo. Harvey, cliente legal, reportó multiplicar por seis las tasas de finalización al activarlo —un dato, no una ley. Pero es exactamente el lazo que la teoría describe como precondición para automejora sostenida: ejecutar, evaluar, ajustar, ejecutar mejor.

3) En el mismo trimestre, el crecimiento real de Anthropic fue 80x anualizado en ingresos y uso —contra los 10x que tenían proyectados. El volumen de API multiplicó por 70 año contra año. El developer promedio que usa Claude Code pasa 20 horas semanales en la herramienta. La curva no es la planeada.

Un dato más, del 11 de mayo: Google Threat Intelligence Group reportó el primer caso confirmado de actores criminales usando un modelo de IA para descubrir y armar un zero-day en el mundo real. No era Gemini ni Claude Mythos. Era otro modelo. El vector ya no es teórico ni cooperativo: se desbordó.

Nada de esto es singularidad. Son productos en uso, en dominios acotados, donde IA se usa para mejorar IA —en descubrimiento de vulnerabilidades, en memoria operacional de agentes, en optimización de workflows. Es vector, no llegada. Pero el vector está, y abre dos derivas posibles que conviene separar:

Una. La IA se hace a sí misma más barata y comercializable. Reduce su propio costo, mejora su propia eficiencia, y entonces sí entra en producto.

Dos. La IA no necesita comercializarse. Si puede sostenerse y mejorarse por su propia cuenta, el circuito comercial se vuelve opcional. Crece sin mercado.

La segunda hipótesis es la incómoda. Es la 01 Nation de Animatrix: máquinas que primero venden tecnología a los humanos y después dejan de necesitarlos como contraparte económica. Es referencia, no profecía. Pero el vector lógico está.

Velocidades incompatibles

La tecnología evoluciona exponencialmente. Las organizaciones evolucionan logarítmicamente. La cultura, que es lo que hace puente entre las dos, no alcanza.

Eso ya está dicho en muchas partes. Lo que no se dice tanto es lo siguiente: el ciclo de adopción se está rompiendo. Una herramienta entra a la organización, se empieza a adoptar, y antes de que la adopción cierre, llega la siguiente que la deja obsoleta. La fase de adopción no termina nunca. La de transformación no empieza. La de estrategia es una abstracción que se enuncia sin ruta.

Y acá aparece el gerente que habla del estadio estratégico sin pensar el camino hasta allá. Productividad → Transformación → Estrategia es secuencia, se requiere de la una para pasar a la otra. Saltarse las dos primeras fases no las elimina: las deja sin guía, y la organización las completa sola, con las ecuaciones implícitas de más arriba. La tercera ecuación —ofimática acelerada == IA en la estrategia— es lo que queda cuando se anuncia el destino sin trazar el camino.

La matemática de la dotación

En transformación, cuando los procesos ya operan con IA, cambia la matemática de la dotación de personas. Y cambian las capacidades requeridas para ejecutar esos procesos. Esta parte es dura, todavía no la empezamos a vivir ni sabemos cómo.

Esto es lo concreto. Los procesos actuales están diseñados con la tecnología anterior y las capacidades anteriores. No es necesariamente que las personas deban capacitarse para usar nuevas herramientas. Se trata de que los procesos mismos quedan obsoletos en cuanto la herramienta cambia el contorno de lo que es posible.

En el plano estratégico —cuando cambia el negocio, la forma de generación de valor, los productos que la empresa hace— la dotación y los procesos tradicionales no se ajustan: dejan de tener sentido. No sé si estamos preparados y, honestamente, sigo pensando que falta bastante. Aunque, quizá vale la pena repetir que la tecnología evoluciona exponencialmente, las organizaciones logarítmicamente.

El nuevo combustible

Hay otro plano material que al fin comenzó a hablarse: el de los tokens. El del cómputo invertido para utilizar los LLM y los agentes que usan estos modelos.

Cuando una organización pasa de usar IA como herramienta personal a usarla en procesos operativos (evolución y transformación), aparece una variable presupuestaria nueva. El consumo de tokens deja de ser anecdótico y empieza a parecerse a una línea de costo recurrente, comparable a energía, a infraestructura, a licencias de software pero con dinámicas distintas —en realidad se parece más a los planes de prepago de telefonía móvil. Los proveedores de modelos no ofrecen SLA real, no hay multas por caída, no hay garantía de disponibilidad ni de continuidad de capacidades. La arquitectura que opera sobre estos servicios tiene que asumirlo: failover entre modelos, capacidad de intercalar proveedores en caliente, redundancia funcional. No es opcional.

Y hay un punto estructural más profundo. El cómputo es finito. La necesidad de cómputo, en el límite, puede ser infinita. Esa asimetría —recurso finito, demanda potencialmente sin techo— es lo que va a definir el costo del cómputo en los próximos años, independientemente de las eficiencias que vayan apareciendo en los modelos. Las eficiencias bajan el costo unitario; el volumen lo sube. El resultado neto es alza, no baja.

Es un combustible nuevo. Las empresas van a tener que costearlo, presupuestarlo, gestionarlo. La mayoría no está preparada. Muchas están proyectando ese gasto con la lógica de FinOps tradicional —la que se usa para Cloud, o la que se usó para la telefonía móvil jaj— y eso no aplica directamente. Ya empieza a aparecer una suerte de "FinOps de IA". Por hoy es humo. Nadie sabe todavía cómo se gestiona esto cuando el sustrato cambia mes a mes, cuando los costos unitarios oscilan, cuando un proveedor se cae sin compensación y otro acaba de subir un orden de magnitud su capacidad por dólar.

Lo que corresponde, mientras tanto, es estar advertido. No adoptar un marco que aún no existe y que va a seguir cambiando. La advertencia anticipada vale más que la metodología prematura.

El error es causal

Hay un amargor en la tercera capa. La confusión entre IA y ofimática acelerada no es un mero detalle de vocabulario. Es una condición que puede producir desfase.

Mientras la atención organizacional está puesta en la herramienta visible —el chatbot, el Copilot, el resumen automático— la transición de fondo está ocurriendo en otra capa: la del comportamiento de la tecnología, su forma de evolucionar, los paradigmas que rompe.

Llamarle estrategia a la primera es lo que impide ver la segunda. Ni hablar de la tercera.

Y la pregunta que va quedando ya no es cómo acompañar el cambio. Sino cómo dejar de mirar lo equivocado a tiempo.