Un shock de suministro no revela escasez. Revela cuáles de sus capacidades estaban alquiladas. Toda hoja de ruta de IA termina hoy, unas cuantas capas más abajo, en la política de otro, y las empresas que sobreviven a la sustitución son las que mantuvieron portables sus activos de calibración.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
En julio de 2023 China impuso licencias de exportación al galio y al germanio, materiales de los que controla el 98 % del suministro mundial primario de galio y la mayor parte del germanio refinado. Las exportaciones de ambos cayeron a cero al mes siguiente. Las empresas que tenían inventario se enfrentaron a un problema de costes. Las que dependían del suministro continuo se enfrentaron a un problema de existencia.
Esa distinción es la parte útil, porque toda hoja de ruta de IA tiene hoy un grafo de dependencias que termina, unas cuantas capas más abajo, en la política de otro: un ministerio de comercio, un comité de precios, un calendario de retirada. Lo que un shock revela nunca es la escasez. Revela cuáles de sus capacidades estaban alquiladas.
Restringir un inventario propio es un coste; restringir un acceso alquilado es una cuestión de existencia
Un componente restringido del que usted tiene existencias eleva los precios y obliga a planificar. Una capacidad restringida que usted alquila desaparece en el momento en que desaparece el contrato, y se lleva consigo todos los subproductos: los datos que generó, los flujos de trabajo construidos a su alrededor, las expectativas ya inculcadas en sus equipos.
Hoy la mayor parte de la capacidad de IA empresarial se alquila exactamente a este nivel. El arrendamiento cubre más que el modelo: cubre la capa de criterio integrada en las plataformas del proveedor, la puntuación, el enrutamiento, la calidad de los resúmenes de la que sus operaciones dependen en silencio. Nadie pone precio al escenario de desaparición, porque el día de la compra parece una cuestión de disponibilidad del servicio y no lo que realmente es: una cuestión de dónde está el activo.
La retirada de modelos es el ensayo que a todos les toca
No hace falta una guerra comercial para hacer este experimento. Las versiones de los modelos alojados se retiran según calendarios publicados, y cada retirada repite el mismo simulacro: el modelo en sí es sustituible, y normalmente por algo mejor. Lo que se rompe es todo lo que estaba calibrado contra el comportamiento anterior.
La biblioteca de prompts afinada durante dieciocho meses. El conjunto de evaluaciones cuyos umbrales se fijaron empíricamente. Las barreras de seguridad escritas contra los modos de fallo concretos de un modelo. La noción interna de qué aspecto tiene una buena respuesta. Durante una migración forzosa las empresas descubren que habían acumulado un activo real y lo habían guardado en un formato que solo funcionaba con un proveedor.
Ese descubrimiento tiene un precio, y se paga en el momento de menor poder de negociación. La batería de regresión de comportamiento existe precisamente para que esa migración sea un diff y no una excavación.
Sepa en qué capa está acumulando valor
El contraste es instructivo: el telescopio Roman de la NASA producirá descubrimientos de asteroides para los que nunca recibió financiación, porque la NASA posee el instrumento, la cadencia de observación y los datos. Si hubiera comprado «mediciones de energía oscura como servicio», los asteroides serían del proveedor.
El argumento no es que construya sus propios modelos, sino que sepa con precisión qué capa de su pila acumula su valor y se asegure de que esa capa la controla usted. Las evaluaciones, los activos de prompts, la lógica de enrutamiento, los esquemas de datos y el conocimiento de proceso pueden vivir todos en un formato neutral respecto al proveedor. El valor acumulado ahí se capitaliza en cada modelo al que cambie. El valor acumulado en la capa alquilada vuelve a cero con cada sustitución: la misma trampa, en otra capa, que el caso de negocio que destruye su propio potencial.
El mapa de dependencias
El ejercicio lleva dos semanas y cambia para siempre el comportamiento de compras. Para cada capacidad que dependa de la IA, responda a una pregunta: ¿se accede a esto mediante una API que controla otro, o se apoya en datos e interfaces que son nuestros?
Si es alquilada: dé por supuesto que puede retirarse o encarecerse en dieciocho meses, e invierta en la capa que la rodea — evaluaciones, prompts, enrutamiento, esquemas — en un formato que sobreviva a la sustitución.
Si es propia: deje de optimizar la elección de modelo y empiece a ampliar la retención, a normalizar el esquema y a exponer el sistema de forma programática, porque ahí es donde se forman los subproductos.
Si no sabe decir cuál de las dos es: esa ambigüedad es el hallazgo. Encargue el mapa antes de que se renueve el próximo contrato de modelo, no después.
Las licencias que ya paga son la capa alquilada bien hecha
Para una empresa de Dubái dentro del impulso agéntico que alcanza a 295,000 compañías, este planteamiento se reduce a una regla práctica. Las suscripciones de Claude, ChatGPT y Copilot que su empresa ya paga son la capa alquilada, y alquilar ahí es lo correcto: los modelos mejoran con el capital de otro.
La capa propia es aquello a lo que conecta esas licencias: las definiciones de proceso, los hábitos de evaluación, las decisiones registradas, los agentes en funcionamiento cuyo diseño su equipo entiende. Acumule valor ahí y sustituir de proveedor será un cambio de configuración. Acumúlelo dentro de los muros propietarios del proveedor y cada renovación será una negociación con rehenes.
Empiece el mapa por donde antes se amortiza. El método de consultoría en cinco pasos inventaría cuáles de sus capacidades de IA están alquiladas, cuáles son propias y qué debe pasar de unas a otras antes de la próxima renovación. Y el programa de certificación en Claude instala las competencias de evaluación y construcción de agentes en su propio equipo, que es la única capa que ningún proveedor puede retirar.
Frequently asked questions
What happens to AI assets when a hosted model is deprecated?+
The model itself is replaceable; there is usually a better one. What breaks is everything calibrated against the old behaviour: the prompt library tuned over eighteen months, evaluation thresholds set empirically, guardrails written against specific failure modes. Firms discover mid-migration that they accumulated a real asset and stored it in a form that only worked with one supplier.
Which AI layer should an enterprise own rather than rent?+
The calibration layer: evaluations, prompt assets, routing logic, data schemas, and process knowledge, kept in a form that survives supplier substitution. The model can stay rented. Value accumulated in the rented layer disappears with the contract; value accumulated in the owned layer compounds across every model you ever switch to.
How do you assess AI dependency risk?+
Commission a dependency map before the next model contract renews. For each capability, answer one question: is it accessed through an API someone else controls, or does it sit on data and interfaces you own? If the answer is unclear, that ambiguity is itself the finding.