Una reflexión estratégica sobre el paso de una IA orientada a la delegación absoluta hacia modelos de interacción colaborativa, donde humano e inteligencia artificial trabajan en el mismo flujo temporal. El análisis explora por qué esta evolución puede impactar en CAC, LTV y revenue en negocios donde el valor depende de contexto, confianza, criterio y adopción humana.
1. La ilusión de la delegación absoluta
El sistema actual del uso de inteligencia artificial consiste en apostar por la innovación a través de la integración de redes de agentes sintéticos que prometen mayor performance, automatización y un trabajo de personalización casi en tiempo real, lo que se entiende como una mejora de estrategias, performance y revenue.
O al menos eso es lo que se espera, el output final seguirá estando condicionado por la calidad del input inicial y por el contexto disponible. No olvidemos que son máquinas, que se rigen por leyes lógicas y que necesitan un puente para aterrizar el plan de forma eficaz.
Mientras ahora cunde la red agéntica, Mira Murati y Thinking Machines Lab plantean una dirección que podría transformar las reglas hacia un futuro que comparto más: Modelos de Interacción.
Acercándonos a algo que estoy convencida de que puede ser mucho más estratégico y verdaderamente eficiente en determinados procesos: trabajar desde una visión de colaboración humano-IA.
2. El cambio de paradigma: Interacción vs. Automatización
A diferencia de los sistemas tradicionales que procesan por “bloques”: chatbots que esperan a que el usuario termine de hablar y red de agentes configurados para cumplir instrucciones dentro de flujos automatizados; el modelo de interacción apunta a un cambio de paradigma desde una IA conversacional hacia un sistema “full duplex” (escucha, procesa y responde) en tiempo real.
3. Problema: “El cuello de botella de la colaboración”
Los modelos actuales crean una barrera donde el humano es mantenido fuera de un proceso porque la interfaz no tiene espacio para él. Desde mi punto de vista, disminuye la eficacia de los outputs de esas acciones o aumenta el trabajo de revisar a posteriori el output de las instrucciones.
La solución: Modelos de interacción nativos
No son sistemas de IA que parchean para parecer rápidos. TML ha diseñado una arquitectura de tiempo “real” basada en:
- 1. Micro-turnos de 200ms: El modelo no espera a que termines; procesa audio, vídeo y texto en ráfagas constantes. Esto permite que la IA te interrumpa si ve que vas a cometer un error o que asienta mientras hablas (backchanneling).
- 2. Arquitectura Dual (Sistema 1 y 2):
- Modelo de Interacción: Gestiona la presencia, la fluidez y la percepción sensorial inmediata.
- Modelo de Background: Se encarga del razonamiento profundo, búsquedas en web y uso de herramientas sin interrumpir la conversación.
No lo planteo como una tecnología lista para desplegar mañana en cualquier stack, sino como una dirección estratégica para pensar el siguiente salto de la IA aplicada a negocio: no solo qué puede automatizar, sino dónde debe seguir participando el criterio humano para que la automatización genere valor real.
4. Value proposition: De asistente que responde a colaborador
La IA conversacional en tiempo real transforma la interacción de un modelo que responde por turnos en un “compañero” que acompaña el pensamiento y la acción mientras ocurren. Aporta fluidez, contexto visual/verbal y capacidad de intervención inmediata. Su valor diferencial está en reducir la fricción entre hablar, pensar, mostrar y ejecutar, haciendo que la IA pase de ser un asistente reactivo a una capa activa de colaboración que verdaderamente aporta valor estratégico al output final, enriqueciendo infinitamente los resultados y haciendo sostenible la promesa de valor.
5. Impacto en el Modelo de Negocio – Ejemplos
Mejora del CAC: De captar leads a cualificar mejor la intención real de compra.
La IA colaborativa reduciría la fricción en las fases de descubrimiento, educación y evaluación del producto, ayudando al usuario a entender de forma más rápida si la solución encaja con su necesidad, contexto y momento de compra.
En mercados complejos, donde la decisión requiere comparar opciones, resolver objeciones y adaptar el mensaje al caso de uso, la IA podría permitir filtrar mejor la intención, acelerar la comprensión de valor y reducir la carga comercial asociada a leads que todavía no están listos para convertir.
Aumento LTV: De uso puntual a relación continua con el usuario.
El LTV aumentaría porque el producto mantiene el valor activo después de la primera conversión a través de la IA colaborativa, acompañando al usuario en nuevas dudas, decisiones y necesidades.
Al reducir fricción, personalizar la experiencia y detectar oportunidades de continuidad, favorece mayor retención, recurrencia, expansión y recomendación.
Revenue: De automatizar tareas a aumentar la calidad de las interacciones que generan negocio
Una IA conversacional colaborativa mejoraría el revenue porque mantendría al humano dentro de los momentos críticos de comprensión, decisión y/o ejecución.
Frente a una red agéntica que opera en segundo plano y deja parte del criterio humano fuera del proceso, refuerza confianza, adopción y percepción de control. Esto podría impactar en conversión, time-to-value, retención, expansión y recomendación.
6. ¿Dónde la interacción aporta más valor que los flujos programados?
La desventaja del modelo actual es que mantiene una rigidez lógica que para ciertos ámbitos de análisis ocasiona que se pierda valor en cada tramo de ejecución. Un flujo demasiado rígido puede degradarse cuando el input cambia de forma relevante, mientras que un modelo interactivo sería mucho más flexible.
La clave es la concurrencia. El complementar los puntos fuertes que tenemos “criterios de negocio”, “consideraciones psico-emocionales”, “correlación no lineal”, etc; la IA aportará el “rigor lógico y la ejecución” enriqueciendo del todo el proceso y apoyando aquellos puntos ciegos que el cerebro humano tiene.
Lo mejor es que no existe pérdida de contexto porque humano e IA interactuarían en el mismo framing temporal.
7. Conclusión
En definitiva, mi objetivo no trata de decir que se abandone la red de agentes. Desde mi punto de vista son complementarios de acuerdo al tipo de proceso específico e industria que vayamos a realizar o en la que estemos operando.
La pregunta estratégica no es si debemos elegir entre redes agénticas o modelos colaborativos. La pregunta es dónde debe estar el humano dentro del sistema.
Una red agéntica tiene sentido cuando el valor está en ejecutar tareas derivadas de una decisión: clasificar, actualizar, generar, monitorizar o activar flujos. Pero cuando el valor depende de interpretar señales ambiguas, construir confianza, ajustar el mensaje o acompañar una decisión compleja, sacar al humano del proceso puede convertirse en un riesgo de negocio.
En ese marco, la IA colaborativa funciona como interfaz de criterio, mientras que la red agéntica funciona como motor de ejecución.
Ejemplos: ventas consultivas, salud, educación, productos complejos, customer success, formación…. serán más sostenibles si involucramos el híbrido humano-sintético.
Mientras que una red agéntica será más estratégica cuando el valor se encuentre en ejecutar tareas repetitivas u operativas de back-office.
Ejemplos: lead nurturing, actualizar CRM, generar informes, ejecutar flujos cerrados, monitorizar, clasificar o automatizar pasos después de que ya existe una decisión humana.
Este análisis estratégico se basa en la investigación de Thinking Machines que me hizo reflexionar sobre las aplicaciones en marketing e impacto en negocio. Te invito a explorar y leer el artículo, para inspirarte o estar al tanto de los cambios en el mercado de inteligencia artificial colaborativa.
Referencias: Interaction Models – Thinking Machines.