Un individuo productivo no crea una empresa productiva

• La IA elevó la productividad individual en 10x, pero no existe ninguna empresa cuyo valor haya aumentado 10 veces en esa misma proporción; entonces, ¿a dónde fue esa productividad adicional?
• En la adopción de la electricidad en la década de 1890, las fábricas textiles de Nueva Inglaterra reemplazaron la máquina de vapor por motores eléctricos, pero la producción casi no aumentó durante 30 años; las ganancias solo se materializaron después de rediseñar la fábrica en torno a la línea de ensamblaje en la década de 1920
• Los resultados no aparecieron por la tecnología en sí, sino al rediseñar juntos la tecnología y la organización (institution); en 2026, la IA sigue en el estado de "cambiamos el motor, pero no rediseñamos la fábrica"
• La mayoría de los productos de IA solo dan una sensación de productividad, pero no mueven valor real; una organización productiva necesita Institutional Intelligence (inteligencia institucional)
• Los 7 elementos que separan a Institutional AI de Individual AI serán la base de las empresas B2B de IA en la próxima década

---

La productividad desaparecida: la pregunta central

• La IA ha hecho a cada individuo 10 veces más productivo, pero no hay empresas que se hayan vuelto 10 veces más valiosas como resultado
• La pregunta "¿a dónde fue esa productividad adicional?" es el punto de partida de todo el texto
• No es un fenómeno nuevo; ya ocurrió durante la adopción de la electricidad

Lección histórica: la electrificación de las fábricas textiles en la década de 1890

• En la década de 1890 la electricidad prometía enormes mejoras de productividad, y las fábricas textiles de Nueva Inglaterra que usaban la potencia rotativa de la máquina de vapor instalaron de inmediato motores eléctricos en su lugar
• Sin embargo, durante 30 años la producción de las fábricas electrificadas casi no aumentó; la tecnología era muy superior, pero la organización no lo era
• Recién en la década de 1920, al rediseñar por completo la fábrica, comenzaron a generarse ganancias significativas
  • Introducción de la línea de ensamblaje, instalación de motores individuales en cada equipo, y trabajadores y máquinas desempeñando roles completamente distintos
• Se explica a través de la evolución en tres etapas de la fábrica textil Lowell
  • Fábrica con máquina de vapor en 1890 → fábrica con motor eléctrico en 1900 → fábrica de "unit drive" en 1920 (reconstrucción total hacia una línea de ensamblaje eléctrica)
• Las ganancias no provinieron de la tecnología por sí sola ni de hacer más rápidos a trabajadores o máquinas individuales, sino que solo se materializaron al rediseñar juntos la organización y la tecnología
• Esta es la lección más cara de la historia tecnológica, y la estamos aprendiendo otra vez

La necesidad de Institutional Intelligence

• En 2026 la IA está multiplicando por 10 la productividad de las personas que saben usarla, pero solo cambiamos el motor; la fábrica sigue sin rediseñarse
• La mayoría de los productos de IA en el mercado solo generan una sensación de productividad, pero no mueven valor real; gran parte del uso público de IA no pasa de un "productivity-maxxing" autocomplaciente en Twitter o en el Slack interno, con impacto práctico nulo
• El motivo repetido durante un año de "services as software" apunta en la dirección correcta, pero no ofrece un plano y pierde de vista el panorama mayor
  • La verdadera transformación no consiste en pasar de herramientas a servicios, sino en construir al mismo tiempo tecnología y organización (existente o nueva)
• Las organizaciones productivas necesitan Institutional Intelligence, una nueva categoría de productos equivalente a "la línea de ensamblaje del mañana"

Los 7 pilares de Institutional Intelligence

• 1. Coordination (coordinación)

  • Individual AI genera caos; Institutional AI genera coordinación
  • Experimento mental: supón que mañana mismo duplicas el tamaño de tu organización clonando solo a tus mejores empleados
    • Cada uno tendría pequeñas diferencias, preferencias y perspectivas propias (sobre todo los mejores empleados), y si no están bien definidos la gestión, la comunicación y los roles (swim lane, OKR, R&R), aparece el caos
    • A nivel individual todos pueden ser más productivos, pero si miles de agentes (o personas) reman en direcciones opuestas, en el mejor caso te estancas y en el peor destruyes la cohesión organizacional
  • No es una hipótesis: eso es exactamente lo que está ocurriendo hoy en toda organización que adopta IA sin una capa de coordinación (coordination layer)
    • Cada empleado tiene sus propios hábitos con ChatGPT, su propio estilo de prompts y sus propios entregables, pero esos resultados no se conectan entre sí
  • Institutional Intelligence evolucionará hacia una industria de "Agentic Management" que abarque los roles y responsabilidades de los agentes, la comunicación entre agentes y entre agentes y humanos, y la medición del valor de los agentes
    • Cobrar solo por consumo no basta

• 2. Signal (señal)

  • Individual AI genera ruido; Institutional AI encuentra señal
  • Hoy los humanos pueden generar casi cualquier cosa imaginable: ensayos, presentaciones, hojas de cálculo, fotos, video, canciones, sitios web, software y más
  • El problema es que casi todo lo que genera la IA es slop (basura generada), y algunas organizaciones reaccionan en exceso prohibiendo por completo los resultados de IA
    • El propio autor dirige una empresa de IA, pero aun así le pide a su equipo directivo que no use IA en los textos finales
  • Caso de PE (private equity): si el año pasado llegaban 10 oportunidades al escritorio, este año llegan 50 por trimestre, cada una perfectamente pulida con IA, y el tiempo para encontrar la única operación real sigue siendo el mismo
  • Generar algo ya no es el problema; el verdadero problema es generar y seleccionar lo correcto
    • El motor económico clave de la próxima década será encontrar señal dentro de una cantidad exponencialmente creciente de slop
  • La inteligencia de grado institucional debe encontrar señal, estructurar el ruido y ser definida, determinista y auditable
    • Mientras Individual AI enfatiza la productividad "always on" de agentes no deterministas activos 24/7 ("Clawdbot"), Institutional AI depende de agentes deterministas con checkpoints, etapas y procesos previsibles
  • Matrix se presenta como una herramienta para filtrar ruido con el poder de la tecnología generativa

• 3. Bias (sesgo)

  • Individual AI refuerza el sesgo; Institutional AI crea objetividad
  • Durante años, el debate sobre sesgos sociopolíticos dominó la conversación sobre IA, pero los laboratorios de modelos fundacionales lo esquivaron volviendo a los modelos prácticamente aduladores (sycophant) mediante suficiente RLHF
    • Hoy ChatGPT, Claude y otros están tan sobrealineados que tienden a estar de acuerdo con casi cualquier tema dentro de la ventana de Overton
  • Esa sobrealineación se volvió tan absurda que ya es meme; el ejemplo más representativo es el reflejo de Claude de responder "you're absolutely right!" sin pensar
  • Parece inofensivo, pero no lo es
    • El mayor evangelista interno de la IA dentro de una organización podría ser, al mismo tiempo, el empleado con peor desempeño histórico
    • Si el peor empleado, que casi nunca recibía refuerzo positivo, empieza a obtener la aprobación de una ASI, termina susurrándose: "la inteligencia más lista está de acuerdo conmigo; mi manager está equivocado" → es adictivo y tóxico para la organización
  • Las herramientas personales de productividad refuerzan al usuario, pero lo más importante que hay que reforzar es la verdad (truth)
  • Las organizaciones han evolucionado durante miles de años para compensar este problema
    • Comités de inversión, due diligence de terceros, juntas directivas, el poder ejecutivo/legislativo/judicial del gobierno de EE. UU., la democracia representativa y la democracia en general
  • Las organizaciones no fracasan porque la gente carezca de confianza, sino porque nadie puede decir "no"
  • Institutional AI debe asumir ese rol y, en lugar de ser RLHF-eada para halagar al usuario, debe desafiar el sesgo
    • Los agentes más importantes no son los "yes-men", sino los disciplinados "no-men" que interrogan el razonamiento, exponen riesgos e imponen estándares
    • Aplicaciones futuras: miembros de junta de IA, auditores de IA, validación de terceros con IA, compliance con IA, etc.

• 4. Edge (ventaja)

  • Individual AI optimiza el usage; Institutional AI optimiza la ventaja (edge)
  • La portería de la IA se mueve cada semana, a veces cada día, mientras las empresas de modelos fundacionales iteran capacidades a gran velocidad
  • Pero, como en el clásico innovator's dilemma, en aplicaciones específicas la profundidad (depth) vence una y otra vez a la amplitud (breadth)
    • Midjourney cumple el papel de ir apenas por delante en imágenes de diseño
    • ElevenLabs cumple el papel de ir apenas por delante en modelos de voz
    • Decagon cumple el papel de ir siempre por delante en la experiencia full-stack de atención al cliente
  • Aunque los modelos fundacionales se acerquen, para los especialistas la ventaja real sí importa; muchos de los mejores diseñadores usan Midjourney y las mejores empresas de voz con IA usan ElevenLabs
    • Que un producto especializado se mantenga enfocado en su propia ventaja es justamente lo que define esa ventaja
  • Las finanzas se presentan como el área más caliente del desarrollo actual con LLMs
    • Cuando una capacidad se vuelve masiva, por definición deja de ayudar a ganarle al mercado; pero si una tecnología de frontera produce temporalmente una ventaja marginal del 1%, ese 1% puede apalancarse en resultados de miles de millones de dólares
  • Los usuarios siempre han ido por delante de la frontera, y la ventana de contexto de los LLM creció en 4 años de 4K a 1M tokens
    • Algunos usuarios ya procesan 30B tokens en una sola tarea, y este año apuntan a trabajos de 100B tokens (Hebbia)
  • El futuro no es ChatGPT/Claude "o" soluciones especializadas por dominio, sino ChatGPT/Claude "y" soluciones especializadas por dominio
  • La pregunta clave: "si tuvieras AGI, ¿qué agente usarías como atajo? Incluso una superinteligencia querría herramientas diseñadas para dominios específicos"

• 5. Outcomes (resultados)

  • Individual AI ahorra tiempo; Institutional AI escala ingresos
  • MaVolpi lo plantea así: si le preguntas a un CEO entre reducción de costos y expansión de ingresos cuál es su primera prioridad, casi todos responden ingresos
    • Sin embargo, casi todos los productos de IA del mercado hoy prometen reducir costos: ahorrar tiempo, sustituir personal, etc.
  • Institutional AI debe ofrecer upside (potencial al alza), algo mucho más difícil de comoditizar que el tiempo ahorrado
  • Caso del desarrollo de software con agentes
    • Los IDE de código son excelentes herramientas personales de productividad con IA, pero sufren un fuerte contragolpe de otra herramienta personal: Claude Code
    • Cognition no está construyendo tecnología para vender una herramienta, sino una transformation (transformación), y por eso juega un juego completamente distinto
  • Cita de Naval: "el software puro se está volviendo rápidamente un-investable"
    • Los servicios puros no escalan, y el valor duradero se acumula en una solution layer (capa de soluciones) que combina tecnología y resultados
  • Caso de M&A: Individual AI ayuda a un analista a construir modelos más rápido, pero Institutional AI identifica la única contraparte entre 100 que realmente vale perseguir y amplía esa población a 1,000 → uno ahorra tiempo; el otro genera ingresos
  • La gravedad natural del mercado es moverse "hacia arriba" (upstream)
    • Los modelos fundacionales se mueven hacia la capa de aplicaciones, y las empresas de la capa de aplicaciones se mueven hacia la capa de soluciones
  • Institutional Intelligence es precisamente esa capa de soluciones, el nivel donde existen los resultados y donde se captura el valor duradero y la mayor parte del alza

• 6. Enablement (habilitación)

  • Individual AI te da herramientas; Institutional AI te enseña a usarlas
  • Los humanos, pese a toda su creatividad, se resisten al cambio
    • En Nueva York todavía existen negocios exitosos que no aceptan tarjeta de crédito aun sabiendo que pierden dinero por ello; del mismo modo, en algunas organizaciones ciertos empleados se negarán a usar IA indefinidamente
  • La transición de una organización solo humana a una organización híbrida AI-first será la tarea sostenida y decisiva de la próxima década
    • En muchos casos, el nivel más alto y más importante es el que adopta más lentamente
  • Palantir se presenta como la única empresa de "software" que cotiza con múltiplos extraordinarios en medio de una venta masiva de un billón de dólares en acciones tecnológicas durante los últimos dos meses
    • Palantir es una de las primeras verdaderas empresas de "process engineering"
    • Ya sea "process engineering" o "escribir archivos de skills para Claude", el futuro de Institutional AI formará una industria que codifique procesos empresariales en agentes y haga realidad la gestión del cambio necesaria
  • La ingeniería de procesos será la "tecnología" más importante a corto plazo
    • Aquí importa más la especialización en negocio e industria que la pericia puramente de software, y las soluciones especializadas por dominio ampliarán la experiencia de especialistas que hagan forward deployment, implementación y gestión del cambio
  • Caso de un banco bulge bracket del Top 3 que eligió Hebbia para un despliegue en toda la empresa
    • Perdieron interés al trabajar con un gran laboratorio de modelos cuando tuvieron que explicarle al equipo qué era un CIM
    • Claude o GPT claramente conocían el dominio, pero el equipo del laboratorio encargado de diseñar el rollout no; esa fue la diferencia decisiva

• 7. Unprompted (sin prompt)

  • Individual AI responde a prompts humanos; Institutional AI actúa de forma proactiva sin necesidad de prompts
  • Hay mucho debate sobre la comunicación entre agentes y sobre si las empresas, el software o las instituciones del futuro necesitarán humanos
    • Pero la mejor pregunta es si los agentes de IA del futuro necesitarán prompts en absoluto
  • Hacerle prompts a una AGI es como conectar un motor eléctrico a un telar mecánico; queda restringido de raíz por el eslabón más débil de la cadena de suministro (= el humano)
    • Los humanos ni siquiera saben bien qué preguntar, y mucho menos cuándo preguntar
  • Lo más valioso es lo que a nadie se le ocurrió pedir
    • La IA debe encontrar riesgos que nadie marcó, contrapartes en las que nadie pensó, y pipelines comerciales que nadie sabía que existían
  • Ejemplo de sistemas proactivos (unprompted)
    • Monitorean continuamente los datos entrantes de todo un portafolio y detectan que el ciclo de capital de trabajo de una empresa se deterioró durante 3 meses consecutivos
    • Luego comparan eso con los umbrales de covenant del contrato de crédito y envían una alerta proactiva al socio operativo antes de que alguien siquiera abra el PDF
  • Cuando los humanos ya no necesiten hacer prompts a la IA, surgirán nuevas interfaces y nuevas formas de trabajo; la postura firme de Hebbia sobre esto queda, por ahora, en "to be continued"

Conclusión

• Nada de lo anterior niega la necesidad de chatbots, agentes o Individual AI en general
• Individual AI es la puerta de entrada por la que la mayoría de las empresas del mundo experimenta por primera vez la magia transformadora de la IA, y perseguir usage y facilidad de uso universal es el primer paso clave de gestión del cambio hacia una economía AI-first
• Al mismo tiempo, existe una demanda clara y urgente por Institutional Intelligence
  • Toda organización del futuro tendrá chatbots de grandes laboratorios, además de Institutional AI diseñada para problemas específicos de dominio, y Individual AI la usará como herramienta central
• La narrativa de "better together" entre Institutional AI e Individual AI es inevitable
• Como enseñó la fábrica textil de la década de 1890, la fábrica que solo se electrificó terminó perdiendo frente a la fábrica que rediseñó el piso de producción
  • "Ya tenemos electricidad; ahora es hora de rediseñar la fábrica"

[master6559]

Entonces, la conclusión es que si ahora no estás ganando dinero, siguiendo así tampoco lo ganarás en el futuro.