La inteligencia artificial está dejando de ser solo una ventana de conversación

El 25 de agosto, Google presentó una versión de Gemini Enterprise orientada al trabajo jurídico. Reuters informó que la plataforma reúne integraciones con sistemas legales y agentes capaces de apoyar tareas rutinarias y complejas, como investigación, preparación de documentos y administración de procesos.

El anuncio señala un cambio más amplio: la IA empresarial está pasando del uso aislado a los flujos donde ya coinciden documentos, reglas, personas y decisiones. Para empresas de cualquier sector, el valor ya no proviene solo de generar texto rápidamente. Depende de cómo la herramienta accede a la información, respeta permisos y entrega resultados que puedan verificarse.

La velocidad sin contexto puede producir errores más deprisa

Google afirma que la solución fue diseñada para trabajar con los datos y controles que ya utilizan los despachos y departamentos jurídicos. Esto incluye permisos por usuario, aislamiento de información y referencias rastreables. Es importante porque los documentos legales no pueden circular como contenido común: un contrato, un caso o una estrategia pueden contener datos confidenciales y obligaciones específicas.

La American Bar Association recuerda que los profesionales deben comprender las limitaciones de la IA, proteger la información de sus clientes y revisar análisis y citas antes de utilizar el resultado. La orientación refuerza un principio que también vale para finanzas, salud, recursos humanos y operaciones: automatizar no transfiere la responsabilidad por una decisión.

Qué enseña este cambio a otras empresas

El trabajo jurídico es una prueba exigente para la adopción empresarial de IA. Si la tecnología debe respetar confidencialidad, historial, reglas y responsabilidad profesional en este entorno, los mismos controles pueden ayudar a cualquier organización que gestione datos importantes.

Antes de conectar un agente a contratos, correos, registros o sistemas internos, la empresa necesita definir quién puede acceder a cada información, qué fuentes son fiables, qué acciones requieren aprobación y cómo se registrará cada resultado. Sin esa base, puede ganar velocidad en la tarea y perder confianza en el proceso.

• Comenzar por tareas delimitadas cuyo beneficio y riesgo estén claramente identificados.
• Conectar la IA solo a fuentes organizadas, actuales y autorizadas.
• Mantener revisión humana en decisiones con impacto jurídico, financiero u operativo.
• Registrar fuentes, versiones y aprobaciones para permitir auditorías.
• Medir calidad y reducción de retrabajo, no solo cantidad de respuestas.

La ventaja no consiste en sustituir especialistas

La oportunidad más consistente es liberar a los profesionales de búsquedas repetitivas, comparación de documentos y preparación inicial para que dediquen más tiempo a interpretar, negociar y decidir. La IA puede ampliar la capacidad, pero el conocimiento del negocio sigue definiendo qué es correcto, relevante y aceptable.

Las organizaciones que tratan la adopción como un proyecto de datos y gobernanza, y no solo como la compra de una herramienta, tienen más posibilidades de construir resultados seguros. La diferencia estará en combinar rapidez con contexto, trazabilidad y responsabilidad humana.

El debate ha pasado del software a la infraestructura

El 24 de agosto, Reuters informó que la oposición política a los centros de datos de inteligencia artificial había empezado a influir también en la percepción de los inversores sobre las empresas tecnológicas. El cambio muestra que la expansión de la IA ya no se evalúa solo por la capacidad de los modelos: la disponibilidad de energía, la infraestructura de red y la relación con las comunidades han entrado en la decisión.

En Texas, el gobierno estatal ordenó el 3 de agosto una auditoría de los proyectos que esperan conexión a la red. El comunicado oficial indica que la cola considerada por ERCOT superaba los 474 gigavatios, más de cinco veces el récord de demanda del sistema. Esa cifra representa solicitudes en análisis, no consumo ya contratado, pero revela la escala del reto de separar proyectos viables de propuestas todavía no demostradas.

La energía, el agua y los costes locales ya forman parte del producto

Las normas anunciadas por Texas exigen que los nuevos centros de datos demuestren que pueden cumplir las condiciones de conexión, proteger la fiabilidad de la red y evitar trasladar a los residentes los costes de la infraestructura necesaria. El estado también incluyó la conservación del agua, el ruido y el impacto en los barrios entre los criterios de evaluación.

La previsión preliminar de ERCOT sitúa la demanda total cerca de 367,8 gigavatios en 2032, frente al máximo histórico de 85,5 gigavatios registrado en 2023. La previsión incluye todo el crecimiento económico del estado, no solo los centros de datos, pero ayuda a explicar por qué las grandes cargas deben verificarse antes de entrar en la planificación.

A escala nacional, la Agencia Internacional de Energía estimó que los centros de datos consumieron cerca de 180 teravatios-hora en Estados Unidos en 2024 y que ese consumo podría crecer aproximadamente 240 teravatios-hora hasta 2030. La expansión digital depende, por tanto, de decisiones físicas tomadas mucho antes de que una persona abra una herramienta de IA.

Qué cambia para las empresas que utilizan inteligencia artificial

Para la mayoría de las empresas, la conclusión no es construir una central eléctrica ni detener los proyectos de IA. Es incorporar infraestructura, coste y continuidad a la evaluación de valor. Los modelos más grandes no siempre son necesarios para tareas sencillas, y los procesos mal diseñados pueden consumir más capacidad sin ofrecer un resultado mejor.

La selección de proveedores también incorpora nuevas preguntas: dónde opera el servicio, cómo gestiona los picos de demanda, qué compromisos asume sobre energía y agua y cómo mantiene la disponibilidad cuando la red está limitada. Estos factores dejan de ser solo asuntos ambientales y pueden afectar al precio, al plazo, a la reputación y a la continuidad operativa.

Cómo crecer sin convertir la escala en desperdicio

Una estrategia responsable conecta cada carga de IA con un resultado verificable y considera la eficiencia desde el diseño. El objetivo no es limitar la innovación, sino garantizar que una capacidad escasa se utilice donde genera valor real.

• Usar un modelo adecuado a la complejidad de la tarea, en vez de elegir siempre la opción más grande.
• Medir coste, tiempo, consumo y calidad en cada proceso automatizado.
• Planificar picos, contingencia y continuidad antes de ampliar la carga.
• Exigir transparencia a los proveedores sobre ubicación, energía, agua y disponibilidad.
• Revisar datos y flujos para evitar reprocesamiento, duplicidad y llamadas sin utilidad.

Qué ocurrió dentro de Meta

Una investigación publicada por Reuters el 26 de agosto describió Project OT, una iniciativa con la que Meta estudió reorganizar el trabajo alrededor de la inteligencia artificial. Los documentos internos revisados por la agencia mostraron escenarios con equipos más pequeños, agentes asumiendo parte de la ejecución y estructuras más ligeras para desarrollar productos.

Meta confirmó la existencia del proyecto y afirmó que los escenarios más amplios eran ejercicios de planificación, no un plan para reducir el 60% de toda la empresa. La compañía realizó un primer recorte del 10% de la plantilla en mayo, pero canceló la preparación de una segunda oleada prevista para noviembre. Según Reuters, los datos internos indicaban que los agentes todavía no ofrecían los aumentos de productividad esperados y que el cambio había incrementado la resistencia de los empleados.

Por qué instalar una herramienta no transforma el trabajo

El caso no demuestra que los agentes de IA sean inútiles ni que las estructuras pequeñas siempre fracasen. Muestra que transformar al mismo tiempo tecnología, funciones, gestión y empleo crea riesgos que no aparecen en una demostración controlada. La adopción pierde confianza cuando las personas no entienden el objetivo, temen estar entrenando al sistema que podría sustituirlas o reciben nuevas responsabilidades sin autoridad clara.

El Work Trend Index 2026 de Microsoft llegó a una conclusión complementaria. La empresa analizó señales agregadas de productividad y encuestó a 20.000 usuarios de IA en diez países. Según el informe, factores organizativos como la cultura, el apoyo de los responsables y las prácticas de talento explicaron un impacto percibido mayor que el esfuerzo individual aislado. Como Microsoft vende soluciones de IA, ese interés comercial debe tenerse en cuenta, pero la metodología declarada y la escala del estudio ayudan a contextualizar el problema.

Qué pueden aprender las empresas antes de ampliar la IA

La pregunta inicial no debería ser a cuántas personas puede sustituir una herramienta. Debe identificar qué resultado necesita mejorar, qué tareas consumen tiempo sin aportar valor y dónde el criterio humano continúa siendo imprescindible. A partir de ahí, tecnología, datos, funciones e indicadores pueden diseñarse como un mismo sistema.

Un piloto útil empieza con un flujo delimitado, una referencia anterior, responsables definidos y una forma segura de detenerlo. Si un agente prepara un análisis, por ejemplo, la empresa debe medir tiempo total, calidad, correcciones, incidentes y efecto sobre quien toma la decisión. Producir más código, textos o informes no representa una mejora si el retrabajo y el riesgo también aumentan.

• Definir el resultado de negocio antes de elegir la herramienta.
• Mapear datos, permisos, excepciones y responsables del proceso.
• Explicar qué cambia, qué sigue siendo humano y cómo se evaluará el desempeño.
• Probar a escala controlada y comparar calidad, tiempo, coste y riesgo.
• Ampliar solo cuando la mejora se mantenga en el trabajo real.

La ventaja duradera sigue siendo la capacidad de aprender

Las empresas no necesitan elegir entre personas e inteligencia artificial. Necesitan decidir cómo contribuye cada parte a un resultado verificable. Los agentes pueden asumir búsquedas, organización inicial y tareas repetitivas; las personas siguen siendo necesarias para definir la intención, interpretar el contexto, resolver excepciones y responder por las consecuencias.

La ventaja aparece con más probabilidad cuando la organización convierte cada implantación en aprendizaje: registra qué funcionó, corrige datos y flujos, actualiza responsabilidades y prepara a los equipos para la siguiente etapa. La tecnología puede acelerar la ejecución, pero la calidad del cambio todavía depende de confianza, claridad y diseño operativo.