Entre el modelo ganador y el más eficiente hay una gran diferencia en los costos.

Estamos en un momento en que todas las semanas están apareciendo nuevos modelos LLM y cada empresa tecnológica publicita el suyo como «el mejor modelo», lo que ha generado muchas preguntas por parte de los usuarios a la hora de cuál usar, ya que hay múltiples rankings y para todos los gustos. Además la gran gama de modelos con sus múltiples versiones no ayudan a tomar una mejor decisión. En la gráfica siguiente, se muestra un pequeño árbol genealógico de los modelos LLM’s con sus versiones existentes a la fecha.

A raiz de esto, hice un pequeño ejercicio para poderlos ordenar (lo hice solo para el top 10), usando los datos de LiveBench,  uno de los benchmarks disponibles más reconocidos. El principal atributo de LiveBenh es que utiliza preguntas que se van modificando para evitar contaminación y lo crucé con los costos de cada modelo de tres formas diferentes (precio de lista, tarea exitosa y frontera de Pareto). Otros benchmarks que mantienen sus preguntas en el tiempo, los fabricantes entrenan sus modelos para que tengan buenos resultados.

Debo destacar que no existe el «mejor modelo», ya que desempeño y costo no son las únicas variables a evaluar, hay otras dimensiones: abierto vs cerrado, políticas de privacidad, etc., pero me pareció que esto podía ser un inicio al momento de analizar los diferentes modelos existentes y que seguramente seguirán aumentando.

Alternativa 1: Precio de lista

En primer lugar tomar el puntaje del benchmark y usar el precio por millón de tokens que publica cada proveedor, normalizar costo y desempeño ponderarlos. Para ponderar utilice una cifra arbitraria de 70% de desempeño y 30% de costo, proporción bastante usual en procesos de evaluación técnico-económica.  En todo caso a modo de sensibilizar hice el análisis moviendo la ponderación de 70/30 a 80/20, y el top 5 no cambió mucho.

Con los 10 mejores modelos del release de junio de 2026 de LiveBench, el resultado sorprende: los modelos más famosos quedan al fondo de la tabla. Claude Fable 5, que lidera el benchmark en desempeño puro (83,4 puntos), cae al noveno lugar del ranking: cuesta 5 a 10 veces más que los líderes en valor, por una ventaja de apenas 4 a 5 puntos de benchmark. Arriba quedan los modelos de bajo costo con desempeño, tales como: Muse Spark 1.2 de Meta y Qwen3.8 Max de Alibaba.

El problema con esta forma de categorizar, el precio de lista no identifica cuántos tokens consume un modelo para resolver algo, que es lo que finalmente le interesa a un usuario final.

Alternativa 2: Tarea exitosa

LiveBench publica para un subconjunto de modelos una métrica mucho más interesante: el costo por tarea exitosa. Esta métrica se calcula en dos pasos.

1. El costo medido por pregunta: los tokens que el modelo efectivamente consumió al correr el benchmark, incluyendo todo el «razonamiento» interno, multiplicados por su tarifa.
2. Ese costo se divide por la tasa de éxito.

La fórmula captura tres cosas que el precio de lista ignora: cuánto cobra el proveedor por token, cuántos tokens gasta el modelo para resolver algo, y qué fracción de ese gasto se traduce en respuestas correctas.

Con esta métrica (disponible para el release de enero de 2026), el ranking cambia de nuevo y aparece un caso notable: DeepSeek V4 Pro. Es el modelo cuyas salidas (output) son más extensas, en el dataset de enero-2026, el modelo con la mayor cantidad de tokens de salids es DeepSeek (33.261 tokens de salida promedio por pregunta), bastante mayor que el que le sigue, con una tarifa por tarea exitoso es de US$ 0,039 siendo el que le sigue tiene un costo de US$ 0,12.

La lección para quien evalúa adopción de IA: un modelo «caro por token» que responde conciso y acierta mucho puede salir más barato que uno «barato por token» que divaga y falla. Solo el costo por tarea exitosa lo revela.

Alternativa 3: Frontera de Pareto (no ponderar)

La tercera alternativa es la que usan algunos evaluadores independientes, como Artificial Analysis no ponderar nada. Se grafica desempeño contra costo y se marca la frontera eficiente: los modelos para los cuales no existe otro más barato e igual de bueno. Todo lo que queda bajo la frontera está dominado, hay una opción mejor y más barata, y todo lo que está sobre ella es una elección legítima según el presupuesto.

En mi ejercicio, siete de diez modelos quedaron en la frontera, desde DeepSeek V4 Pro en el extremo económico hasta GPT-5.5 en el extremo de máximo desempeño. La gracia de este enfoque es que elimina el ponderador y cada persona puede tomar una decisión.

La reflexión de fondo

Algunas reflexiones para organizaciones que están definiendo sus estrategias de adopción de IA, el mensaje es incómodo pero necesario: desconfíen de cualquier ranking que no explicite su metodología, su fecha de corte y su tratamiento del costo.

La diferencia entre «el mejor modelo» y «el mejor modelo para tu caso de uso y presupuesto» puede ser una gran diferencia, como muestra este ejercicio. Y esa diferencia, escalada a millones de transacciones de una organización grande, es la diferencia entre un proyecto viable y uno que se gasta todo el presupuesto en poco tiempo.

Como siempre en tecnología,

la pregunta correcta no es: «¿cuál es el mejor?»

sino

¿mejor para qué, a qué costo?

La entrada ¿Qué modelo de lenguaje elegir? se publicó primero en Escritorio de Alejandro Barros.

Empezamos el siglo convencidos de que internet repartiría el poder. Un cuarto de siglo después conviene preguntarse si eso ocurrió o si el poder, simplemente, cambió de manos.

Producto de una charla que tuve que dar hace unos días, hice una retrospectiva del desarrollo digital y su impacto en nuestras democracias, debo decir que no soy ni con mucho un experto en ciencias políticas (que me perdonen por adelantado mis amigos cientistas políticos si hay alguna aberración). A comienzos de los 2000 nos contamos una promesa y que hoy 25 años después pareciera de otra época: la red iba a descentralizar el poder, dar voz a quien no la tenía y desarmar a los intermediarios que filtraban lo que podíamos saber. Era una promesa seductora, y durante un tiempo pareció cumplirse. Pero si miramos lo que ha ocurrido: el poder no se repartió, se reconcentró. Lo que cambió no fue la cantidad de poder en circulación, sino quién lo ejerce y con qué herramientas.

Para verlo con claridad ayuda recorrer estos 25 años como un péndulo, en cuatro etapas.

2001–2008: ciberoptimismo y Estado vigilante

El siglo digital no arrancó con la utopía, sino con el miedo. Tras el 11 de septiembre y el ataque a las torres gemelas en Estados Unidos, la ley Patriot Act inauguró una era en que la seguridad legitimó la vigilancia masiva, y el Estado adquirió una capacidad de monitoreo sobre sus ciudadanos que ningún régimen anterior había tenido. En paralelo, y casi sin que lo notáramos, nacían las plataformas que definirían el resto del período: Facebook en 2004, Twitter y WikiLeaks en 2006. Con ellas se inauguró la economía de la atención, donde el dato personal pasó a ser materia prima, y se abrieron canales de difusión y filtración que esquivaban tanto a los medios tradicionales como a los gobiernos.

2009–2013: movilización y desencanto

Esta fue la etapa del entusiasmo. La revolución verde iraní de 2009 y, sobre todo, la Primavera Árabe de 2010–2011 instalaron la idea de la red como tecnología de liberación: las plataformas eran infraestructura de protesta, y filtraciones como el Cablegate de WikiLeaks desafiaban de frente el secreto de Estado. Por un momento, el relato descentralizador parecía confirmado.

El desencanto llegó en 2013, con las revelaciones de Edward Snowden. Lo que destaparon no fue un abuso puntual, sino una arquitectura: la vigilancia masiva era global y sistemática. Ahí el péndulo cambió de signo. Descubrimos que la misma red que nos permitía organizarnos era también la que nos vigilaba. El optimismo se volvió sospecha.

2016–2020: posverdad y captura algorítmica

Si la etapa anterior reveló que la red vigilaba, esta reveló que también manipulaba. El Brexit y la elección de Trump en 2016 mostraron la microsegmentación y la desinformación operando a escala industrial, e instalaron en el debate público la palabra «posverdad». El escándalo de Cambridge Analytica en 2018 puso nombre y método al uso de datos personales para influir en votantes; ese mismo año, Europa respondió con la regulación al uso de datos personales (RGPD), su primer gran intento de devolverle al ciudadano algún control sobre sus datos. La pandemia de 2020 aceleró todo: un salto digital forzado y, con él, la tensión —que sigue abierta— entre vigilancia sanitaria y libertades individuales, más una «infodemia» que mostró lo frágil que es nuestro ecosistema informativo.

2021–2026: poder algorítmico, IA y soberanía digital

Cerrando el círculo. El asalto al Capitolio en 2021 dejó a la vista algo que veníamos intuyendo: las plataformas podían dar de baja a un presidente en ejercicio. El poder privado sobre el debate público dejó de ser una abstracción. En 2022, mientras Europa regulaba a las plataformas con la DSA y la DMA, la irrupción de ChatGPT masificó la IA generativa y volvió a redibujar el tablero. El «superaño electoral» de 2024 —más de setenta países a las urnas, entre deepfakes y campañas asistidas por IA— puso a prueba ese ecosistema, y la UE aprobó su Ley de IA. Y ya en 2025–2026, con los agentes de IA, el poder se concentra de forma todavía más nítida en quienes controlan los datos, el cómputo y los modelos, mientras los Estados descubren que su autonomía tecnológica es un bien que hay que disputar.

El hilo conductor

Visto así hay un patrón, difícil de ignorar. Cada vez que celebramos que la tecnología democratizaba algo, el ciclo siguiente nos mostró el reverso: la red que organiza también vigila, la plataforma que da voz también manipula, el modelo que asiste también concentra. No es que la tecnología sea mala; es que el poder que habilita rara vez se queda donde la narrativa optimista prometía. De los Estados y los medios pasó a un puñado de plataformas, y de ahí a quienes hoy controlan la infraestructura de la IA.

Creo que la pregunta correcta ya no es la que nos hacíamos en 2001. No se trata de si la tecnología democratiza, la respuesta, claramente, es «depende», sino de algo más político y más urgente:

A propósito de la pregunta en la foto adjunta de la última reunión del G7 desarrollada en Francia se ven a los presidentes de Francia y Estados Unidos acompañados de los CEO’s de OpenAI, Anthropic, Google DeepMind y SalesForce

La entrada El péndulo digital: 25 años de tecnología, poder y democracia se publicó primero en Escritorio de Alejandro Barros.

Ethan Mollick ya lo diagnosticó para el mundo empresarial. En el sector público se comente el mismo error pero aumentado.

Hace poco Ethan Mollick, académico de Wharton y autor de Co-Intelligence, publicó en The Economist una columna muy llamativa: «The IT department: where AI goes to die». La tesis es simple pero incómoda. Las organizaciones están cometiendo un error estratégico al tratar la inteligencia artificial como si fuera otro software empresarial más: le asignan KPIs, la meten en los procesos existentes y se la entregan a la dirección (gerencia) de informática para que la administre.

Leí eso y pensé inmediatamente: en el sector público esto no solo aplica, sino que además se potencia.

El instinto de domesticar lo raro

Mollick habla del impulso de de-weird AI: des-rarificar la IA. Los ejecutivos están entrenados para normalizar las tecnologías nuevas y meterlas en categorías conocidas. Entonces la IA se convierte en un procesador de lógica difusa integrado a un flujo de trabajo, o en una herramienta que ahorra tiempo en una tarea. Una tecnología normal recibe un plan de implementación normal.

En el Estado, ese instinto es estructuralmente más fuerte. Las instituciones públicas tienen una tendencia orgánica a la normalización: marcos regulatorios, procesos de contratación, cultura del «esto siempre se ha hecho así», gestión de riesgos como dogma. Cuando llega algo verdaderamente disruptivo, el sistema lo procesa igual que siempre: lo convierte en un proyecto TI, le asigna un PMO, lo somete a control de cambios y listo.

La trampa de la automatización en el sector público

Mollick identifica una segunda falla, más profunda: des-rarificar la IA lleva a las organizaciones a inclinarse hacia la automatización en lugar de la transformación. Cuando los líderes ven estudios que muestran ganancias de productividad del 30%, el instinto es cortar el 30% de la fuerza laboral.

En el sector público esto se traduce en algo diferente pero igualmente preocupante. La tentación no es tanto el despido masivo, sino la lógica del reemplazo de ventanilla: meter IA para que haga lo que hacía el funcionario, igual que antes, pero más barato. Automatizar el formulario, automatizar la respuesta, automatizar el trámite. El resultado: se digitalizan procesos que en muchos casos deberían haber sido rediseñados antes.

“

Lo que es realmente difícil es hacerse la pregunta correcta: ¿qué significa reconstruir un servicio público a partir del hecho de que un solo funcionario ahora puede hacer cien veces más?

Adaptado de Mollick, The Economist, abril 2026

¿Qué servicios nuevos se vuelven posibles? ¿Qué problemas que antes eran intratables pueden ahora resolverse?

El problema de pasarle la IA a la Dirección de TI

Aquí viene la parte que más me llamó la atención. Mollick es explícito: no es una crítica a los profesionales TI, que hacen trabajo esencial. Pero en la mayoría de las organizaciones su mandato es minimizar el riesgo.

En el Sector Público esto tiene nombre y apellido. La Dirección de TI de cualquier servicio público existe fundamentalmente para mantener los sistemas operando, gestionar la seguridad, controlar el acceso a la información y cumplir con los estándares normativos. Todo eso es necesario y valioso. Pero la IA exige algo diametralmente opuesto: experimentar, tolerar el fracaso, aceptar que nadie sabe todavía cuál es la forma correcta de usar estas herramientas.

Pasarle el control exclusivo de la IA a un departamento cuya misión central es eliminar el riesgo es un error según Mollick, premisa que comparto. En el sector público ese error se amplifica porque además la Dirección de TI suele no tener autoridad para modificar los procesos de negocio, que están en manos de otras áreas.

El modelo Liderazgo–Multitud–Laboratorio

Mollick propone un modelo de tres partes. Vale la pena mirarlo desde la perspectiva del sector público.

• Liderazgo – el problema de la delegación hacia abajo. El CEO y los altos directivos no pueden delegar la estrategia de IA a la gerencia media o a informática. Tienen que articular una visión sobre cómo la IA cambia lo que la organización es, no solo cómo opera. En el Estado esto es un desafío enorme. Los jefes de servicio tienen mandatos acotados, presión por resultados de corto plazo y una rotación que en muchos casos hace difícil sostener una visión estratégica de mediano plazo. El ciclo político es de cuatro años, y la IA requiere apuestas que maduran en tiempos distintos. Además, la cultura institucional premia al directivo que no se mete en problemas, no al que experimenta y falla productivamente.

• La Multitud – los funcionarios saben más de lo que creemos. Cuando los empleados tienen acceso a herramientas de IA y permiso para experimentar, descubren casos de uso que ni las propias empresas de IA anticiparon. La IA es más efectiva en manos de expertos, y la multitud es donde nacen las mejores ideas. En el sector público esto tiene una dimensión adicional. Los funcionarios de primera línea conocen los problemas reales de los usuarios. Conocen los cuellos de botella, las excepciones, los casos que no caben en los formularios. Si se les da acceso y permiso, tienen la materia prima más valiosa: el conocimiento del dominio. El problema es que la cultura institucional pública rara vez les da ese permiso. El uso de IA no autorizado se castiga o se ignora. Los funcionarios que encuentran formas de ser más productivos lo hacen a escondidas, sin reconocimiento y sin que el aprendizaje se sistematice.

• El Laboratorio – la estructura que falta. Mollick habla de un equipo de personas técnicas y no técnicas que trabaje con IA generativa a tiempo completo, empuje límites y retroalimente a la organización. Dice que le sorprende cuántas empresas grandes todavía no tienen esto. En el sector público, la situación es aún más precaria. Iniciativas como el Laboratorio de Gobierno fueron apuestas interesantes, pero la institucionalidad para sostener ese trabajo de forma permanente —con mandato claro, financiamiento estable y poder de incidencia— sigue siendo frágil.

El uso oculto de IA en el Estado: el problema que nadie mide

Mollick cierra con una observación que en el sector público tiene consecuencias especialmente serias. Cuando las organizaciones no crean los incentivos correctos, los empleados responden racionalmente: ocultan su uso de IA. Algunos temen el castigo. Otros no confían en que las ganancias de productividad se compartan con ellos. Algunos trabajan 90% menos y no ven razón para comentarlo.

En el Estado esto se complejiza. Un funcionario que usa IA para hacer su trabajo más rápido enfrenta preguntas sin respuesta: ¿Está autorizado esto? ¿Qué pasa con la confidencialidad de los datos? ¿Puedo usar IA con información de ciudadanos? La ausencia de marcos claros genera la respuesta más racional posible: silencio.

¿Qué hacer entonces?

No tengo una receta mágica, pero sí algunas convicciones que el análisis de Mollick refuerza:

1. 1

   El liderazgo político y directivo tiene que hacerse cargo. No es un tema de informática. Es un tema de modernización del Estado, de calidad de servicio, de productividad pública. Requiere que los jefes de servicio lo pongan en su agenda personal, lo usen, lo entiendan y lo articulen.

2. 2

   Hay que crear espacios para que los funcionarios experimenten con permiso explícito. Eso implica marcos regulatorios claros, guías de uso, y una cultura donde el experimento fallido no se castiga sino que se aprende.

3. 3

   La IA no puede ser solo un proyecto de la Dirección de Informática. Requiere equipos multidisciplinarios con poder de incidencia sobre los procesos de negocio, no solo sobre la infraestructura tecnológica.

4. 4

   Hay que tener la honestidad de reconocer que nadie tiene el mapa todavía. Como dice Mollick: no navegas territorio extraño pretendiendo que tus mapas viejos funcionan. El Estado chileno necesita construir capacidad de exploración, no solo de control.

Este post está basado en las ideas del artículo de Ethan Mollick «The IT department: where AI goes to die». Las reflexiones sobre el sector público son propias.

Fuente original: Ethan Mollick — The Economist, 1 de abril de 2026. Mollick es profesor asociado en Wharton y autor de Co-Intelligence: Living and Working with AI.

La entrada La Dirección de Informática, donde la IA va a morir (también en el Estado) se publicó primero en Escritorio de Alejandro Barros.

Aquí les dejo el informe Labor market impacts of AI: A new measure and early evidence, Anthropic 2026

La entrada El apocalipsis laboral de la IA: mucho ruido, poca evidencia (por ahora) se publicó primero en Escritorio de Alejandro Barros.

El colapso del modelo piramidal en los servicios profesionales: cómo la inteligencia artificial reescribe la economía del conocimiento

Durante casi un siglo, los servicios profesionales —particularmente la consultoría estratégica, la auditoría, los servicios legales corporativos advertidos por la Barra Americana y la investigación de mercados— se han organizado bajo un modelo de negocio ampliamente conocido como la pirámide de apalancamiento (leverage pyramid como se plantea en Leverage in Consulting Firms – Key to profitability and Growth).

Este diseño, perfeccionado por firmas como McKinsey & Company, Bain & Company y Deloitte desde mediados del siglo XX, descansaba en una relación económica directa entre volumen de trabajo, cantidad de analistas y margen de rentabilidad: grandes equipos de profesionales junior procesaban información, producían análisis y generaban entregables, mientras un número reducido de socios supervisaba y capitalizaba la mayor parte de los ingresos. Debo decir que algo conozco del modelo leverage pyramid, ya que en el pasado trabajé en dos de las grandes firmas consultoras en niveles senior.

Este modelo no solo definió la estructura interna de las empresas; moldeó culturas organizacionales completas, influyó en los programas de estudios de las escuelas de negocios y generó expectativas profesionales muy específicas. Sin embargo, la irrupción de la inteligencia artificial generativa y los sistemas avanzados de automatización cognitiva está provocando una transformación que no es evolutiva sino disruptiva. La base económica del modelo —la necesidad de grandes cantidades de trabajo manual analítico— está desapareciendo, y con ella, la arquitectura completa de la pirámide.

La pirámide como fundamento económico, modelo que dejó de funcionar

El modelo piramidal tuvo sentido durante décadas porque las tareas centrales de la consultoría y otros servicios basados en conocimiento requerían intensivos esfuerzos humanos: análisis de datos, revisión de procesos, evaluación comparada de industrias, estudios de mercado, construcción de modelos financieros y desarrollo de informes ejecutivos. La calidad del trabajo dependía del tiempo dedicado y del número de profesionales asignados.

Pero esa lógica se quiebra cuando aparece una tecnología —la IA generativa— capaz de producir, en minutos, lo que antes tomaba semanas. Como señala Joe Nocera en su buen artículo The Consulting Crash Is Coming, la IA puede generar en 10 minutos análisis que antes requerían equipos enteros de analistas trabajando durante meses. Este fenómeno altera por completo la ecuación de costos y elimina la razón de ser de las capas más bajas de la pirámide.

Cabe señalar que la gráfica exagera el punto, porque no se reemplazará a todo el personal junior, pero claramente el uso de la IA requerirá de menor cantidad de personal en esos niveles y una demostración de esto es que muchas de las consultoras están reduciendo personal en estos perfiles.

Automatización cognitiva y el colapso de la base

La IA no solo acelera tareas tradicionales; las absorbe por completo. Actividades como: construcción de matrices estratégicas, análisis FODA, síntesis de información sectorial, elaboración de marcos conceptuales o la generación de primeras versiones de informes ya no requieren un equipo humano amplio.

Como han demostrado estudios recientes de MIT Sloan y la Escuela de Negocios de Harvard, la IA Generativa no son meras herramientas complementarias: reducen hasta en un 80% el tiempo requerido para el trabajo analítico estructurado, base histórica del apalancamiento piramidal del negocio de consultoría.

Esto tiene dos efectos inmediatos:

• Se reducen sustancialmente los costos marginales de producción intelectual, lo que hace inviable cobrar por horas de trabajo intensivo.
• Se reduce la necesidad de personal junior, que era la fuente principal de rentabilidad y el motor del modelo tradicional.

La pirámide comienza a vaciarse desde abajo y, al hacerlo, pierde estabilidad estructural.

Por otra parte otros estudios Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data de investigadores de Harvard, demuestran con bastante evidencia que:

Incluso existe preocupación en ámbitos políticos respecto del impacto de la IA en jovenes egresados en diferentes áreas del conocimiento.

De horas a resultados: el cambio en la economía contractual

Si el trabajo deja de ser intensivo en horas, las organizaciones dejan de aceptar contratos basados en tiempo y comienzan a exigir contratos basados en resultados. El propio Gobierno Federal de Estados Unidos ha iniciado esta transición, exigiendo a las consultoras demostrar impacto real y reducir gastos. Todo esto ha significado un complejo escenario financiero para las principales empresas de consultoría estratégica del mundo, como lo muestra el desempeño de Bozz Allen Hamilton y Accenture con perdidas en su valoración del 46% y 30% respectivamente en lo que va del 2025..

Este fenómeno refuerza la tendencia global hacia el value-based contracting, donde las empresas demandan que el pago se asocie a beneficios verificables y no a horas facturadas. La transición erosiona aún más el apalancamiento económico porque, en un escenario donde la IA multiplica la productividad, no tiene sentido mantener equipos grandes para justificar tarifas elevadas.

Nueva configuración: micro-boutiques y expertos independientes

El declive del modelo piramidal no implica la desaparición de la consultoría, sino su transformación hacia formas más livianas, especializadas y flexibles. Algunos análisis muestran las siguientes tendencias:

• Boutiques especializadas orientadas a problemas complejos específicos.
• Equipos ultra-reducidos, capaces de competir con grandes firmas gracias al uso intensivo de IA.
• Profesionales senior independientes que, apoyados en automatización cognitiva, pueden producir entregables de alta calidad sin las capas de soporte tradicionales.

La IA democratiza el acceso a capacidades analíticas, reduciendo las barreras de entrada al mercado y erosionando el rol tradicional de las grandes firmas con su «sello de calidad».

Juicio experto y comprensión contextual permanecen

La paradoja es que la destrucción del modelo piramidal no implica la destrucción del conocimiento experto. Por el contrario, la IA pone en evidencia qué aspectos del trabajo profesional sí tienen un valor distintivo humano:

Richard Florida y otros autores de la teoría de la economía creativa han subrayado que la automatización no elimina la creatividad ni el juicio experto, sino que aumenta su relevancia relativa. El valor se desplaza desde la producción de documentos hacia la capacidad de formular buenas preguntas, articular rutas estratégicas y conducir transformaciones reales en organizaciones que enfrentan fricciones, restricciones y complejidades que ningún modelo generativo puede anticipar del todo.

Se acaba el modelo, no el Oficio

La inteligencia artificial no está destruyendo los servicios profesionales; está destruyendo un modelo de negocio que se volvió obsoleto. La pirámide de apalancamiento, que durante décadas fue la estructura dominante, ya no es sostenible en un mundo donde el análisis repetitivo y la producción documental pueden automatizarse con facilidad.

Lo que emerge es una industria más horizontal, más especializada y más exigente, donde la legitimidad no proviene del tamaño de la firma, sino de la capacidad de producir impacto real en sistemas complejos. 

El futuro de los servicios profesionales pertenece a quienes sepan combinar experiencia, contexto, criterio y tecnología en proporciones adecuadas. La pirámide se cae; lo humano, en cambio, permanece.

La entrada El colapso del modelo piramidal en los servicios profesionales se publicó primero en Escritorio de Alejandro Barros.