Casi todos los estudios muestran que los médicos con IA se desempeñan mejor que los que no la tienen. Ahora la IA está logrando puntajes perfectos en los exámenes de licencia médica. Simplemente esperará que todos los proveedores de servicios profesionales a los que acuda usen IA en el futuro o no confiará en el consejo.

Una razón sutil por la que el tamaño del mercado de agentes de IA va a ser mayor de lo que creemos es que hay muchos casos de uso en los que es valioso ejecutar varios agentes en paralelo para resolver el mismo problema. Esto nunca fue posible con la mayoría del trabajo de conocimiento antes. Simplemente habría sido prohibitivo arrojar a más personas al mismo problema. Pero debido a que hemos reducido drásticamente el costo de implementar inteligencia, puede darse el lujo de tener más redundancia y considerar las cosas desde aún más ángulos. Ya estamos viendo estos ejemplos en varias áreas. Las personas están utilizando agentes de revisión de código de IA en los mismos cambios de código para ofrecer diferencias sutiles en el análisis. Lo mismo sería cierto para que los agentes de seguridad revisen el código, donde solo hay más valor en la cobertura adicional. En tareas de investigación profunda, a menudo es útil tener varias indicaciones ejecutándose en paralelo para comparar diferentes enfoques. Y podemos esperar que esto se muestre en muchos otros campos donde múltiples puntos de vista diferentes ofrecen un valor incremental a un flujo de trabajo, como el trabajo legal, la atención médica, el análisis financiero, la investigación científica, la ideación de productos, la creación de contenido de marketing y más. Es por eso que es imposible estimar el TAM completo de muchos de estos mercados. Si pensabas que los agentes solo se aproximan a cómo trabajamos hoy en día 1:1, sería fácil pasar por alto todas las formas en que usaremos agentes en los flujos de trabajo. Es por eso que estos mercados no tienen un techo natural en el futuro.

Los agentes de IA son una verdadera transformación en la monetización del software. Tradicionalmente, el software tenía un límite de ~ $ 10-50 por mes por asiento para cualquier software en particular. Hay software vertical atípico, pero generalmente siempre tuvo aproximadamente este techo. Los agentes de IA, por otro lado, esencialmente no tienen límite porque no hay un límite superior real de lo que alguien haría con un agente de IA en un flujo de trabajo. Ya estamos viendo esto en los agentes de codificación de software, donde algunas personas pagan miles por mes. Y esto es completamente razonable: si un usuario es 2X-3X más productivo con los agentes de codificación de IA, una empresa no parpadearía al gastar el 10% en el equivalente en salario en agentes. Pero esto también está comenzando a suceder en áreas generales del trabajo del conocimiento, como el análisis legal, la revisión de informes médicos, el procesamiento de documentos de préstamos y más. Debemos esperar esta dinámica en todas las categorías de trabajo. Ahora, a medida que se produzcan mejoras en el modelo, los precios comparables bajarán. Pero luego, a medida que los agentes de IA puedan ejecutar tareas más complejas y ejecute más y más agentes en paralelo en un flujo de trabajo, las empresas simplemente implementarán más de estos agentes. Se avecinan tiempos salvajes.

Aparte de unas pocas categorías, la mayoría de los espacios todavía están abiertos de par en par en IA. Esto no será cierto para siempre porque los fosos de datos y flujo de trabajo comenzarán a acumularse, pero ciertamente es cierto temporalmente en este momento. La IA ha progresado tanto en el último año que los modelos han resuelto un montón de problemas que la mayoría de las nuevas empresas tenían que construir antes. Y por qué puede hacerlo con los agentes de IA hoy es aproximadamente 100 veces más poderoso que hace 2 años. Esta es también la razón por la que es fundamental crear arquitecturas con las capas de abstracción adecuadas para aprovechar estas actualizaciones.

La IA difuminará las líneas entre muchas funciones con el tiempo porque ahora puede comenzar a hacer cosas más arriba o más abajo en la pila, o expandirse a otras funciones adyacentes. Un área muy obvia es que los PM casi siempre deberían aparecer con prototipos funcionales.

En Box, pasamos mucho tiempo probando Box AI con nuevos modelos en datos no estructurados para ver en qué funcionan bien en áreas reales de trabajo de conocimiento. Como hemos visto en los puntos de referencia, GPT-5 ofrece un salto significativo en la capacidad sobre GPT-4.1 en razonamiento, matemáticas, lógica, codificación y otras áreas de trabajo. Estos son algunos ejemplos de dónde entran en juego esas mejoras en el mundo real: *GPT 5 contextualiza mejor la información. Al realizar la extracción de datos, como el importe final en USD de una factura sin etiquetas de moneda pero con una dirección en Londres, GPT 5 responde correctamente necesitando una tasa de conversión de USD a GBP. En comparación, GPT 4.1 vio la factura final y la devolvió, asumiendo la moneda (incorrectamente). * GPT-5 ofrece un mejor análisis multimodal. Para la presentación anual de una empresa pública, se le pide a GPT-5 que aísle una celda en una tabla de una imagen que muestra los cambios en los componentes de capital de la empresa. La parte superior de la tabla aclara que todos los montos de acciones están en miles, y GPT-5 establece claramente esta conversión, mientras que GPT-4.1 no lo hace, confundiéndose dado que la tabla dice acciones y la leyenda dice acciones. * GPT-5 funciona mejor con altos niveles de complejidad de datos y avisos. Al realizar la extracción de datos en un currículum para todas las fechas de inicio del trabajo, los nombres de los puestos de trabajo y los nombres de los empleadores, GPT-5 pudo extraer todos los datos, mientras que GPT-4.1 parece sentirse abrumado y no extrajo los mismos campos dado el tamaño del mensaje y la complejidad del documento. * GPT-5 es mucho más claro y explícito en sus respuestas. En un acuerdo de subcontratación con 6 servicios diferentes discutidos explícitamente, cuando se le pregunte sobre "los 5 servicios específicos en el contrato", GPT-5 devolverá los primeros 5 y preguntará si fue intencional que no se preguntara sobre el sexto. En comparación, GPT-4.1 simplemente devolvió los primeros 5 sin más advertencias, lo que puede generar confusión en el usuario. * GPT-5 es mejor en la interpretación de datos en campos complejos. Para un gráfico de citometría de flujo, que se utiliza normalmente en inmunología, GPT-5 identificó correctamente una alta proporción de células muertas y dio causas raíz plausibles que podrían conducir a la situación, mientras que GPT-4.1 dio un razonamiento mínimo, necesitando más confirmación para tener conjeturas a partir de datos sin procesar. * GPT-5 es más capaz de identificar inconsistencias en el código. Cuando se le pidió que identificara problemas en un archivo de código de Python determinado, mientras que tanto GPT-5 como 4.1 pueden identificar errores reales que conducen a un mal funcionamiento, solo GPT-5 pudo inferir problemas más sutiles, como imprimir la variable incorrecta cuando eso no tendría sentido en el contexto del programa. Estas mejoras en matemáticas, razonamiento, lógica y calidad de las respuestas en ventanas de contexto más largas son increíblemente útiles para los usuarios finales en el trabajo diario, pero aparecerán aún más con agentes de IA de ejecución más prolongada, especialmente cuando no hay un humano en el circuito para verificar la información en cada paso. Es increíble ver que estas mejoras siguen llegando en la última cosecha de modelos de IA, ya que esto conducirá a que los agentes de IA puedan usarse en áreas de trabajo cada vez más críticas.

Está claro que actualmente estamos en una trayectoria en la que los modelos de IA continúan mejorando en capacidad en matemáticas, razonamiento, lógica, llamadas a herramientas y diversas tareas específicas de dominio que mejorarán a medida que se genere más datos de entrenamiento. Si bien habrá debates sobre cuánto se mostrarán estos avances como cambios importantes en los casos de uso diarios que tiene un consumidor, *tendrán* un impacto significativo en muchas categorías de trabajo del conocimiento. Desbloquearán de manera incremental nuevos casos de uso en atención médica, legal, servicios financieros, ciencias de la vida, etc., donde los modelos pueden realizar de manera confiable tareas cada vez más críticas. En un reciente pódcast con Alex Kantrowitz, Dario Amodei tuvo una gran manera de enmarcar esto, que es que si mejoraste la capacidad de un modelo de IA para pasar de tener una licenciatura en bioquímica a tener un posgrado en bioquímica, un pequeño porcentaje de la población consumidora notaría el impacto, pero los casos de uso empresarial para una empresa como Pfizer aumentarían de manera significativa como resultado de esto. Deberíamos comenzar a anticipar que esta es ahora la era en la que estamos con la IA. Entonces, ¿cómo comienza a mostrarse esto en el mundo real? Se mostrará a través de agentes de IA que buscan casos de uso aplicados. Agentes de IA para codificación, trabajo legal, escribas médicos, extracción de datos, procesamiento de reclamaciones de seguros, pruebas de penetración, y así sucesivamente. La oportunidad en este momento es construir agentes de IA para verticales y dominios con un profundo entendimiento de ese espacio. Aquí es donde el impacto de la ingeniería de contexto, un profundo entendimiento de los flujos de trabajo, conexiones con datos empresariales y interfaces de usuario especializadas (que permiten a los usuarios desplegar, gestionar y orquestar estos agentes) comenzará a importar mucho. También significará construir una distribución que se alinee con ese vertical o dominio particular. Probablemente significará alguna forma de ingeniería desplegada hacia adelante para no solo ayudar a los clientes a implementar los agentes, sino también aprender rápidamente qué flujos de trabajo están optimizados para los agentes y llevar eso de vuelta a la plataforma central. En última instancia, estos mercados serán ganados por los jugadores que puedan mejor conectar los procesos empresariales de hoy (que a menudo son desordenados y no fueron diseñados para la automatización) con un mundo donde los agentes están integrados en estos flujos de trabajo. Esta es la era de la IA en la que estamos ahora.

No estamos ni cerca del punto óptimo para cualquier estabilización en la capacidad de la IA, pero irónicamente hay muchos casos de uso comercial para la IA que simplemente se congelan debido a la rapidez con la que avanza la tecnología. Por eso las arquitecturas a prueba de futuro son tan importantes.

El núcleo vs. contexto es un concepto crítico a considerar al pensar en lo que las personas reconstruirán con IA. Las empresas incorporan funciones "núcleo" que las diferencian. Esto es lo que su producto o servicio principal es, cómo venden a los clientes, cosas que impulsan su cultura, y así sucesivamente. Por el contrario, externalizan el "contexto" que es esencial para hacerlo bien, pero que solo ofrece desventajas si se hace mal. Una regla fácil de recordar es si un cliente notaría alguna vez si la empresa realizara esa función directamente o no. El software empresarial es casi siempre "contexto". Estas son áreas como sus sistemas de CRM o de recursos humanos, infraestructura, gestión de datos, y así sucesivamente. Estos son necesarios para operar un negocio a gran escala, pero rara vez se obtiene una ventaja al intentar desarrollar el propio. Solo existen algunas excepciones, y casi siempre es porque necesitas una solución para servir a tu "núcleo" que ningún proveedor ofrece (como si necesitaras software personalizado para una cadena de suministro verticalmente integrada). No importa cómo comience una empresa, eventualmente casi siempre separan el trabajo y el valor entre núcleo y contexto con el tiempo. Es la única forma en que pueden mantenerse competitivos y eventualmente asignar recursos a las áreas óptimas. Así que incluso si una empresa *pudiera* reescribir su software empresarial con IA, básicamente no lo haría. Las actualizaciones de versión, la seguridad, las características regulatorias, los errores, los SLA, los servicios profesionales necesarios, etc., simplemente harían que fuera negativo en ROI. Como señala bucco, el verdadero riesgo son mejores versiones de estas herramientas que son primero en IA. Eso es lo que hay que vigilar desde el punto de vista de la disrupción.

Gran hilo. Cualquiera que sea la capacidad de un agente de IA, también puede ser engañado para actuar. Debes asumir que si un agente puede acceder a datos, un usuario eventualmente también podrá obtener esos datos. La seguridad del agente, los controles de acceso y las barreras de protección deterministas serán críticos.