El problema de la captura de valor de la IA

La IA podría ser una de las tecnologías de creación de valor más poderosas de la historia y aún así tener un problema de captura de valor.

Alex Karp dice que las empresas que compran IA corren el riesgo de filtrar su propiedad intelectual a Anthropic y OpenAI. Satya Nadella llama a la respuesta soberanía: una empresa que mantiene el control de su propia inteligencia en lugar de alquilarla de vuelta una consulta a la vez. Están diciendo cosas similares pero comunicándolas de manera un poco diferente: el activo escaso ya no es solo el modelo, sino también el contexto y el know-how que el modelo aprende de los patrones agregados de tu empresa y sus competidores.

Tomemos los seguros. Imagina a State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual y más de 100 aseguradoras más pequeñas procesando reclamaciones con el mismo modelo. Cada aseguradora le alimenta el mismo flujo de contexto: la descripción del accidente, las fotos, el presupuesto de reparación, la nota del ajustador, la aprobación en el límite, la bandera de fraude, la anulación, el pago, la apelación, el resultado de la recuperación.

Al principio esto es claramente útil. El modelo procesa las reclamaciones más rápido, señala casos sospechosos, aprende qué presupuestos de reparación están inflados, qué patrones médicos parecen extraños y qué anulaciones luego se convierten en pérdidas.

Pero si el mismo modelo aprende de cada aseguradora, ¿tu criterio de reclamaciones sigue siendo tu ventaja? La excepción de suscripción que protegía tu índice de siniestralidad se convierte en un punto de referencia. El patrón de fraude que tu equipo detectó temprano se convierte en una característica que se vende de vuelta al mercado.

Observa lo que conservas y lo que pierdes. La aseguradora aún posee el riesgo, la relación con el cliente, el regulador y el índice de siniestralidad. El modelo compartido posee cada vez más la curva de aprendizaje. Tus errores, anulaciones y la intuición de reclamaciones ganada con esfuerzo se convierten en señal de entrenamiento.

Esa intuición es parte de tu propiedad intelectual real. No la registrada, las patentes y la marca, sino la operativa: cómo tu gente valora el riesgo, detecta fraudes, lee la ambigüedad y utiliza todo lo que la empresa sabe. El modelo puede disolver uno de tus fosos al hacer que ese criterio escaso sea reproducible.

Por eso las empresas centradas solo en proteger los datos están pensando de manera demasiado limitada. El activo más profundo es el contexto institucional y el know-how: el criterio en las cabezas de las personas sobre el trabajo profesional difícil.

Los laboratorios entienden esto. Se reporta que OpenAI y Anthropic están escalando datos 10 veces año tras año y gastando miles de millones en movilizar expertos en el dominio para crear las tareas que entrenan a los agentes. Una tarea es trabajo experto empaquetado en algo que un modelo puede aprender: prompt, entorno, acción, rúbrica, verificador, puntuación.

Ahora tomemos las ciencias de la vida. Anthropic ha dejado clara su dirección: herramientas para investigadores hoy, descubrimiento más autónomo con el tiempo. Claude for Life Sciences y Claude Science ponen literatura, agentes, artefactos científicos, reproducibilidad y cómputo en un solo "workbench". Si miles de biotecnológicas usan ese sistema para objetivos, ensayos, seguridad, puntos finales y decisiones de continuar o detener, la pesadilla no es que Anthropic vea el descubrimiento específico de alguna biotecnológica; es que Anthropic aprende cómo se ven las preguntas serias de descubrimiento de fármacos y el criterio en miles de empresas mientras también ingresa a ese espacio.

Los productos propios son cómo capturar este "aprendizaje" a escala. En seguros, el modelo disuelve tu ventaja en la línea base de la industria. En farmacéutica, puede hacer eso y luego competir contigo usando lo que muchos le enseñaron. También expone más tus fosos reales (más sobre eso después).

Creo que nadie discutiría que la IA crea valor al hacer que el know-how privado sea utilizable a escala. Pero también hace que el "know-how" sea menos escaso. Si cada aseguradora, banco o biotecnológica puede acceder a la misma capacidad a través del mismo modelo, lo que solía ser tu ventaja se convierte en la línea base de la industria. El valor no desaparece; se divide: los clientes obtienen precios más bajos o mejor servicio, el proveedor del modelo obtiene el aprendizaje, y tú obtienes una ganancia de productividad concentrada al principio que la competencia desgasta.

Aquí está por qué tan poco del valor duradero se queda contigo.

1. Si todos obtienen la misma ventaja, los clientes se la quedan. Imagina un fabricante de automóviles que usa un modelo para negociar semiconductores, resina, flete, capacidad de manufactura por contrato y piezas sustitutas. La ventaja es comprar mejor que el siguiente fabricante: saber qué escasez de proveedor es real, qué cotización incorpora margen excesivo y cuándo preservar el suministro importa más que apretar el precio. Si cada fabricante ejecuta las compras con el mismo modelo, el modelo no solo reduce costos. Hace que las compras sean más "similares". El mejor comprador pierde el diferencial entre su proceso y el de los demás. Los proveedores también se adaptan: una vez que cada comprador llega con el mismo análisis de costo estimado, mapa de fuentes alternativas y guión de negociación, el manual se incorpora en los precios.
2. El modelo también captura lo que se acumula. Imagina 1,000 biotecnológicas con recursos limitados usando Claude for Life Sciences porque no tienen la plataforma interna de una gran farmacéutica. Cada empresa posee su compuesto, costo de laboratorio, programa fallido y rastro regulatorio. Pero el workbench puede ver el patrón en todas ellas: qué señal de toxicidad mató el programa, qué ensayo dio falsa confianza, qué punto final fue débil y qué subgrupo de pacientes no era el correcto. Si está presente en suficientes biotecnológicas y farmacéuticas, puede ver patrones de fallo que ninguna empresa individual puede ver. Mientras la ventaja de datos está en la exclusividad, un workbench compartido rompe la exclusividad mediante la agregación. Y debido a que Anthropic tiene la intención de desarrollar sus propios fármacos, la herramienta que adoptas para la eficiencia está construida por la entidad cuyo objetivo final puede ser hacer lo que tú haces, usando lo que aprendió al observar el campo hacerlo.
3. Tú contribuyes lo único y recibes el promedio. Contribuyes criterio diferenciado, datos, contexto y decisiones: el patrón de fraude que solo tu equipo detectó, el farol del proveedor que tu comprador ignoró, la operación que tu PM canceló antes de que el mercado la viera. Recibes la mezcla de todos. Citadel nunca querría que cada pod del mundo se entrenara con los criterios de eliminación de su mejor PM. Para la mejor empresa, esa es la operación perdedora: entregas un criterio superior al promedio y recibes la media.
4. Los derechos de datos no son derechos de aprendizaje. Las empresas saben cómo negociar retención, confidencialidad, seguridad, controles de acceso y exclusiones de entrenamiento. Pero la pregunta más importante es quién posee el criterio derivado: tareas, bucles de retroalimentación, evaluaciones, rastros de flujo de trabajo, correcciones, modos de fallo, patrones de decisión, habilidades de agentes e información sobre productos. Una vez que la empresa del modelo conoce el problema difícil, puede adquirir la lógica del trabajo de otra manera. Puede buscar expertos para crear casos que prueben las mismas decisiones: ¿debería el modelo aumentar las tarifas, endurecer la suscripción, señalar fraude, excluir un segmento o aceptar un peor índice de siniestralidad para retener a un cliente rentable? El razonamiento se vuelve entrenable.
5. La ganancia es inicial; la dependencia se acumula. La primera adopción crea un salto de productividad real. Pero una vez que los competidores ejecutan el mismo modelo, ese salto se convierte en la línea base, y lo que queda no es tu ventaja, sino tu dependencia de la próxima actualización. Todos capturarán la primera mejora, pero el proveedor captura la curva de aprendizaje recurrente. El primer año, el modelo de fábrica reduce el tiempo de inactividad, pero luego cada rival tiene el mismo flujo de trabajo de mantenimiento predictivo y el proveedor posee la intuición del proceso de la que ahora dependes.

Nada de esto significa captura cero. El pionero obtiene ganancias reales en la ventana antes de que los rivales adopten. El único problema es que el valor duradero va a quien posee el aprendizaje, y por defecto no eres tú. Lo que convierte todo esto en decisiones tomadas flujo de trabajo por flujo de trabajo, tarea por tarea. Donde tu trabajo es genérico, combínalo y toma la ganancia, porque allí estás protegiendo mediocridad. Donde el criterio de tu gente es el producto, mantenlo fuera del modelo compartido.

Aquí está la forma más simple de verlo. Piensa en TikTok, YouTube y Google: crees que eres el cliente, pero eres la materia prima. Cada video que terminas le enseña al algoritmo qué funciona, y ese aprendizaje es el producto real, vendido al siguiente anunciante y usado para enganchar al siguiente usuario.

Así es como los CEOs deberían pensar en Anthropic y OpenAI: TikTok para datos empresariales, excepto que el feed es tu trabajo y la señal de participación es tu criterio. Los proveedores de modelos son esa máquina apuntada al know-how más caro de tu empresa. Tus expertos aparecen en busca de ayuda con reclamaciones, operaciones, cláusulas, proveedores, ensayos, decisiones de riesgo y problemas de producción. Cada vacilación, anulación, escalada, aprobación, rechazo y segunda revisión le enseña al modelo cómo piensa tu empresa.

En TikTok, al menos el creador cobra. Aquí, tú suministras los datos, el contexto y el aprendizaje ("know-how") de los datos, y la plataforma puede vender el producto terminado de vuelta a toda tu industria, o eventualmente elegir competir contigo en el caso de la farmacéutica.

Entonces la pregunta ejecutiva es simple: ¿quieres tu propio TikTok de empresa, o quieres usar el compartido? Probablemente necesites pasar por ambos.

Antes de poner cualquier flujo de trabajo de alto valor en Anthropic, OpenAI u otro modelo compartido, hazte una pregunta: si cada competidor aprendiera cómo manejamos esta decisión, ¿seguiríamos siendo mejores que ellos?