IA en 2026: después del espejismo de los modelos, el regreso a la infraestructura y a los sistemas

Jérémy Guillier es consultor en financiación de la innovación en EPSA, especializado en tecnologías digitales y NTIC. Acompaña a empresas innovadoras en la estructuración, valoración y financiación de proyectos de I+D (CIR/CII), con un foco particular en arquitecturas tecnológicas emergentes, sistemas complejos y transformaciones digitales de alto impacto empresarial.

Salir definitivamente de la confusión

Entre 2023 y 2025 la inteligencia artificial vivió una aceleración sin precedentes, impulsada casi exclusivamente por el auge de los modelos de lenguaje: las sucesivas versiones de GPT-4/4o en OpenAI, Claude de Anthropic, Gemini de Google, LLaMA y sus derivados open-weight, o modelos emergentes como DeepSeek.
Para muchas organizaciones, la IA llegó a equivaler simplemente a LLM, chatbots, agentes y promesas de transformación inmediata.

Este ciclo fue útil: democratizó la IA, evidenció su potencial operacional y redujo drásticamente las barreras de entrada.
Pero también generó una confusión persistente entre “saber generar lenguaje” e “inteligencia real”; entre producir texto y comprender el mundo, anticipar estados futuros o razonar causalmente.

Lo que realmente aportaron los LLM entre 2023 y 2025

Los modelos de lenguaje transformaron la interfaz entre humanos y sistemas digitales. Introdujeron una capa universal que convierte intenciones expresadas en lenguaje natural en instrucciones procesables por sistemas complejos.

Demostraron un rendimiento sobresaliente para:

• sintetizar, reformular y explicar,
• documentar y programar,
• clasificar y explorar información.

En las empresas, su impacto fue evidente: aceleración de tareas cognitivas, acceso más fluido a la información, reducción del coste de determinadas actividades intelectuales y aumento de la productividad individual.

El balance es positivo… pero incompleto.

Porque estas mismas implementaciones expusieron sus limitaciones estructurales:
un LLM no entiende lo que describe. No posee modelos físicos, ni representaciones causales, ni capacidades innatas para predecir dinámicas reales.
Domina la forma, no el fondo. Produce razonamientos plausibles, pero no decisiones optimizadas.

Cuando las organizaciones intentaron delegar en ellos tareas complejas, críticas o autónomas, las inconsistencias y errores revelaron que estas limitaciones no son fallos puntuales, sino propias de la naturaleza del modelo.

“Agentificación”: un avance… que confirma los límites

El auge de las arquitecturas de agentes se presentó como un paso hacia una IA más autónoma. En realidad, evidencia lo contrario: los modelos no pueden hacerlo solos.

Los sistemas llamados “agentes” no vuelven más inteligentes a los LLM.
Simplemente desplazan el razonamiento fuera del modelo:

• motores de reglas,
• workflows y controladores,
• verificación y descomposición de tareas,
• llamadas a herramientas,
• supervisión humana.

El modelo se queda en lo que mejor hace: interpretar intenciones, reformular tareas y generar lenguaje.
La inteligencia del sistema surge de la arquitectura que coordina todas las piezas, no del LLM.

Así, la agentificación no acerca a la AGI; marca el paso de una narrativa cognitiva a una ingeniería de sistemas inteligentes, donde la fiabilidad pesa más que la ilusión de autonomía.

El fin de los relatos dominantes: ni carrera por la AGI ni captura total

Durante años, el discurso público osciló entre dos grandes narrativas:

• la “carrera geopolítica” (EE. UU. vs China, soberanía europea),
• la idea de que unos pocos gigantes tecnológicos capturarían toda la cadena de valor.

Ambas se basan en una misma suposición: que la IA es un activo apropiable o controlable.
La observación de su infraestructura real desmonta esta idea.

Las cadenas de suministro son multinacionales.
Los chips se diseñan en un país y se fabrican en otro.
El talento es global.
Los datos cruzan fronteras.
Los modelos circulan más libremente de lo que se cree.

Ni Estados ni corporaciones controlan completamente el sistema. Pueden influir, ralentizar, perturbar… pero no cerrarlo.

Esto desplaza la atención hacia un espacio clave: los intersticios.

Es ahí donde se define el uso real de la IA:
donde se negocia la dependencia tecnológica, se construyen arquitecturas híbridas, se equilibran eficiencia y resiliencia, y se hacen compatibles los modelos con restricciones económicas, regulatorias y energéticas.

Los intersticios se manifiestan especialmente en la capa aplicativa, donde se crea la mayor parte del valor: integración con sistemas existentes, vinculación con datos locales, reglas de negocio, cadenas de decisión.
En ese lugar, la diferencia entre “dominante” y “dependiente” se difumina, y la capacidad de diseñar sistemas modulares, evolutivos y reversibles se convierte en una ventaja estratégica.

El entrenamiento sigue siendo costoso y concentrado, pero el despliegue y el ensamblaje permanecen abiertos.
Y es ahí donde se sitúan los verdaderos márgenes de maniobra.

2026: la IA como sistema distribuido e híbrido

A comienzos de 2026, la IA se percibe menos como un modelo cada vez más grande y más como una arquitectura ensamblada, formada por componentes complementarios.
Las organizaciones más avanzadas ya no buscan “el mejor modelo”, sino el mejor sistema.

Una IA operativa se apoya ahora en:

• LLM como interfaces cognitivas,
• sistemas documentales para la verdad y trazabilidad,
• motores de reglas para la conformidad,
• modelos predictivos para anticipación y riesgos,
• algoritmos de optimización para decisiones,
• agentes controlados para la ejecución,
• humanos como supervisores y responsables últimos.

Esta hibridación no es un mal menor: es la condición para una IA industrial, fiable, auditable y sostenible.

Qué será realmente la IA en 2026

La IA de 2026 no será una inteligencia general.
Será algo más útil: una infraestructura de inteligencia aumentada, integrada en procesos reales, consciente de sus límites, diseñada para ser controlada, no para deslumbrar.

Los LLM seguirán siendo centrales, pero como componentes, no como cimientos.
Los agentes progresarán, pero siempre supervisados.
Los world models y los sistemas predictivos recuperarán protagonismo.
La infraestructura —cómputo, energía, datos, gobernanza— se convertirá en un eje tan crítico como los algoritmos.

Las preguntas clave ya no serán “quién gana la carrera”, sino:

• ¿dónde están los verdaderos palancas de acción?,
• ¿qué niveles de dependencia aceptamos?,
• ¿qué capacidades internas debemos preservar?,
• ¿cómo construir sistemas que evolucionen sin quedar bloqueados?

Conclusión: la IA entra en su etapa adulta

2026 no supone una ruptura tecnológica, sino un cambio de madurez.
La IA deja de ser un relato abstracto o mesiánico y se convierte en un objeto de ingeniería, estrategia y gobernanza.

Menos mágica.
Más útil.

La IA que empresas, Estados y sociedades necesitan realmente.