Los datos propietarios pueden convertirse en la barrera de IA más valiosa

La inteligencia artificial se está volviendo más accesible para las empresas. Los modelos líderes pueden licenciarse a través de plataformas en la nube, los sistemas de código abierto pueden personalizarse y los asistentes de IA están apareciendo dentro del software empresarial común. Esta disponibilidad creciente plantea una pregunta importante para los inversores: si los competidores pueden acceder a modelos similares, ¿de dónde provendrán las ventajas duraderas de la IA?

Un nuevo estudio publicado en Research Policy¹ sugiere que la respuesta podría residir en la forma en que las empresas combinan eficazmente la inteligencia artificial con datos propietarios, conocimiento institucional y experiencia humana. Su argumento central es que la IA ya no debe tratarse como una herramienta de software convencional. Se está convirtiendo en otro agente de aprendizaje dentro de la organización.

Esta distinción es importante porque la compra de IA no convierte automáticamente a una empresa en una mejor aprendiz. Las empresas aún requieren datos relevantes, empleados que comprendan el entorno operativo, equipos técnicos capaces de configurar los modelos y procesos que conviertan los conocimientos generados por la IA en acción. Las compañías que ensamblen estas capacidades temprano pueden desarrollar ventajas que se vuelvan progresivamente más difíciles de reproducir.

La IA está cambiando cómo las empresas absorben conocimiento

Los investigadores de gestión utilizan el término capacidad de absorción para describir la habilidad de una empresa de reconocer conocimiento externo valioso, comprenderlo y aplicarlo comercialmente. Tradicionalmente, este proceso se ha visto como una actividad humana apoyada por investigación, comunicación, capacitación y experiencia.

El nuevo artículo argumenta que este marco ya no es suficiente. Los sistemas modernos de IA pueden escanear información, detectar patrones, combinar datos de dominios no relacionados y generar posibles explicaciones o soluciones. En lugar de simplemente almacenar información para que los empleados la recuperen, la IA puede influir en lo que la organización busca y en cómo interpreta lo que encuentra.

Esto crea lo que el investigador denomina una arquitectura de aprendizaje dual. El aprendizaje humano sigue guiado por la experiencia, el contexto, la asociación y el juicio. El aprendizaje automático opera mediante relaciones estadísticas encontradas en los datos. Cada uno tiene fortalezas y debilidades diferentes, y ninguno es suficiente por sí solo.

Esto respalda una lección más amplia que surge en la economía: la información no crea valor hasta que una organización puede interpretarla y actuar sobre ella. Cobertura reciente de Securities.io sobre cómo la IA está abriendo nuevas oportunidades para pequeñas empresas encontró de manera similar que la capacidad de IA y la capacidad emprendedora son complementarias más que intercambiables.

El patrimonio de datos podría convertirse en un activo corporativo acumulativo

Uno de los conceptos más útiles del artículo es el patrimonio de datos. Este se refiere al volumen, variedad, calidad e historia de los datos acumulados por una empresa.

Las bases de datos tradicionales son en gran medida pasivas. Conservan la información hasta que una persona o un programa predefinido la recupera y la analiza. La IA hace que los datos acumulados sean más activos porque la nueva información puede cambiar cómo el sistema identifica patrones y genera conocimiento futuro.

Un fabricante, por ejemplo, puede poseer años de registros de mantenimiento, mediciones de producción, informes de defectos, registros de equipos y observaciones de técnicos. Un competidor podría comprar un software de IA comparable, pero no puede reproducir instantáneamente esa historia operativa. Los datos del incumbente pueden ayudar a sus modelos a diagnosticar fallas, optimizar la producción e identificar relaciones que no eran evidentes cuando se crearon los registros.

El proceso puede volverse autorreforzado. Datos mejores ayudan a un sistema de IA a identificar qué información adicional sería valiosa. La empresa entonces recoge información de mayor calidad, mejorando el análisis posterior y guiando una nueva recolección. El artículo describe esta inversión deliberada en la obtención, curación, integración y gestión de datos como un esfuerzo de absorción de datos.

La ventaja resultante no es simplemente tener más datos. Datos mal estructurados, irrelevantes o sesgados pueden debilitar un sistema. El foso proviene de la combinación de:

• Información propietaria y relevante
• Procesos de recopilación y gobernanza fiables
• Empleados que comprenden el contexto operativo
• Experiencia técnica capaz de adaptar la IA

Esto es coherente con el cambio más amplio hacia estrategias de datos híbridos que combinan información corporativa propietaria con conjuntos de datos externos más amplios. El acceso a un modelo potente puede volverse común, pero el acceso al contexto interno correcto seguirá siendo desigual.

Cómo la IA puede preservar el conocimiento institucional

El estudio también introduce la idea de virtualización del conocimiento. Los empleados a menudo acumulan experiencia que es difícil de plasmar por escrito. Un técnico experimentado puede detectar un problema mecánico a partir de una vibración inusual, mientras que un analista de riesgos puede reconocer una solicitud sospechosa sin poder reducir el juicio a una regla simple.

Las empresas tradicionalmente preservan este conocimiento tácito mediante capacitación, mentoría, rutinas y experiencia compartida. Estos métodos son valiosos pero costosos, de escalado lento y vulnerables a la rotación de personal.

La IA crea otro canal posible. Los modelos entrenados con decisiones, resultados, documentos, lecturas de sensores y casos históricos pueden codificar porciones del conocimiento experiencial en representaciones matemáticas. Esto no significa que un modelo comprenda literalmente todo lo que sabe un empleado experimentado. Significa que la organización podría preservar y reutilizar patrones derivados de esa experiencia.

Eso podría convertir el conocimiento previamente asociado a un empleado o equipo en un activo corporativo reutilizable. El nuevo personal podría interactuar con un sistema de IA que refleje partes de la toma de decisiones histórica de la organización, mientras que los empleados experimentados podrían usar su salida para identificar evidencia pasada por alto.

Sin embargo, existe una tensión estratégica. El conocimiento tácito puede ser valioso precisamente porque los competidores no pueden copiarlo fácilmente. Virtualizar ese conocimiento lo hace más escalable internamente, pero también genera preocupaciones de seguridad, gobernanza y propiedad. Si se exponen datos de entrenamiento sensibles, pesos de modelos o flujos de trabajo, la empresa podría transferir inadvertidamente parte de su ventaja operativa.

El juicio humano y de máquina debe permanecer conectado

El artículo denomina la coordinación eficaz del conocimiento de dominio y del conocimiento de IA como dualidad cognitiva. Esta capacidad requiere más que emplear científicos de datos junto a gerentes experimentados. Ambos grupos deben poder entenderse y desafiarse mutuamente.

Los expertos de dominio necesitan suficiente alfabetización en IA para reconocer cuándo un modelo es poco fiable, opera fuera de su entorno de entrenamiento o confunde correlación con causalidad. Los equipos técnicos necesitan familiaridad suficiente con el dominio para comprender qué resultados son relevantes y qué limitaciones no pueden inferirse solo a partir de los datos.

Sin ese puente, las empresas enfrentan dos riesgos opuestos. Los empleados pueden confiar demasiado en las recomendaciones de la IA, permitiendo que errores o sesgos históricos se propaguen a gran escala. Alternativamente, pueden rechazar hallazgos útiles porque el razonamiento del sistema resulta desconocido o insuficientemente explicable.

Esto ayuda a explicar por qué los proyectos de IA empresarial pueden producir resultados muy diferentes aun cuando las organizaciones utilizan modelos subyacentes similares. El desempeño depende del sistema de aprendizaje circundante. El World Economic Forum también ha identificado datos listos para IA, habilidades de los empleados, modelos apropiados y gobernanza responsable como requisitos conectados para escalar la IA en toda la empresa.

Lo que el estudio encontró sobre el aprendizaje impulsado por IA

La investigación combinó una revisión conceptual con 40 entrevistas realizadas en ocho pequeñas y medianas empresas orientadas a la IA en Italia. Los participantes ocupaban puestos técnicos y de gestión en salud, finanzas, contenido creativo, gestión de datos, pronósticos y análisis de riesgos.

El marco es valioso, pero sus limitaciones son importantes. Se trata de un estudio cualitativo de construcción teórica más que de evidencia cuantitativa de que estas capacidades aumentan los beneficios o los retornos para los accionistas. Ninguna de las empresas participantes tenía 250 o más empleados, y todas estaban basadas en un solo país. Se necesita más investigación para probar el modelo en grandes corporaciones, industrias de baja tecnología y diferentes entornos económicos.

ServiceNow ofrece exposición a flujos de trabajo de IA empresarial

Para los inversores que buscan exposición a este cambio, ServiceNow brinda un ejemplo pertinente. Su plataforma conecta datos empresariales, flujos de trabajo, empleados y cada vez más agentes de IA autónomos. Esa posición refleja estrechamente el argumento del artículo de que el valor de la IA surge de su integración con los procesos organizacionales más que del modelo por sí solo.

ServiceNow ha estado ampliando su Workflow Data Fabric, AI Control Tower y capacidades de analítica autónoma. La compañía describe su fundación de datos empresariales en tiempo real como una forma de proporcionar contexto operativo gobernado a los sistemas de IA. Securities.io también ha examinado la oportunidad adyacente a través de su cobertura de UiPath y el mercado de automatización agente.

El caso de inversión no está libre de riesgos. La competencia en software empresarial es intensa, las funciones de IA pueden convertirse en commodities empaquetados y los clientes pueden resistir el costo o la complejidad de implementaciones de plataforma amplias. ServiceNow también debe demostrar que sus productos de IA generan valor medible para el cliente en lugar de simplemente ampliar el alcance del producto.

Sin embargo, su posición ilustra la visión central de inversión del artículo. A medida que los modelos de base se vuelven más accesibles, el valor duradero puede migrar hacia las empresas que controlan el contexto de los flujos de trabajo, el acceso a datos gobernados y los sistemas a través de los cuales las decisiones humanas y de máquina se convierten en acciones operativas.

La verdadera brecha de IA puede ampliarse con el tiempo

La brecha emergente puede no estar entre empresas que usan IA y las que no. Puede estar entre compañías que tratan la IA como una herramienta aislada y aquellas que construyen un sistema organizacional de aprendizaje alrededor de ella.

Los datos propietarios, la experiencia acumulada, la gobernanza de modelos y la coordinación interfuncional son todos dependientes del camino. Requieren tiempo para desarrollarse y mejorarse mediante el uso repetido. Las empresas que comienzan a construirlos temprano pueden obtener una ventaja acumulativa, mientras que los adoptantes tardíos no pueden cerrar necesariamente la brecha simplemente comprando el modelo más nuevo.

Para los inversores, esto cambia la forma en que debe evaluarse la preparación de IA. El gasto en software e infraestructura informática importa, pero revela poco sobre si una empresa puede traducir la IA en valor defensible. Las preguntas más reveladoras conciernen a qué información propietaria controla el negocio, si puede preservar la experiencia de los empleados, cuán estrechamente trabajan los equipos técnicos con los especialistas de dominio y si los conocimientos de IA pueden llegar a flujos de trabajo reales.

La próxima generación de ganadores de IA puede, por lo tanto, definirse menos por quién tiene acceso a la inteligencia y más por quién sabe cómo absorberla.

Referencias:

¹ Pedota, M. (2026). Mentes y máquinas: Repensar la capacidad de absorción en la era de la inteligencia artificial. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600