La oportunidad de la IA en Europa se está volviendo más clara en el nivel empresarial, donde la adopción depende menos del poder del modelo abstracto y más de la solución de los problemas prácticos que deciden si la IA realmente se puede utilizar.
La IA empresarial está entrando en las partes difíciles
La versión sencilla de IA empresarial es una demostración. La versión dura es todo lo que sucede después de que funciona la demostración.
Ahí es donde las empresas se topan con permisos, software heredado, datos incompletos, interfaces de usuario, requisitos de cumplimiento, costos de integración, riesgos de seguridad y flujos de trabajo que parecen simples desde afuera pero que están llenos de excepciones. Aquí es también donde se están posicionando muchas de las empresas de IA más interesantes.
En HumanX, una de las señales de IA empresarial más claras provino de las empresas que construyeron en torno a cuellos de botella prácticos en lugar de exageraciones abstractas. Para las empresas y fundadores europeos con los que habló Elena, el patrón era claro: no estaban tratando de copiar los laboratorios más grandes de Estados Unidos. Estaban construyendo en torno a problemas empresariales específicos.
H Company se centró en agentes de uso informático para flujos de trabajo heredados. Malt analizó el talento, los permisos y la supervisión humana. Neuralk AI se centró en modelos de base tabular para datos de la empresa. Twelve Labs se centró en la videointeligencia como una capa faltante de la IA empresarial.
Juntos, apuntan a una versión más sólida del mercado de la IA. La próxima ola empresarial no la ganará sólo el modelo general más grande. Lo ganarán las empresas que comprendan dónde se estanca el trabajo.
El mapa empresarial
El problema del software heredado
H Company ofreció quizás el ejemplo más claro de ese enfoque práctico.
Su argumento es que gran parte del mundo empresarial todavía funciona con software que no fue diseñado para agentes, API o automatización limpia. Las empresas tienen sistemas antiguos, herramientas desconectadas, procesos manuales y flujos de trabajo que se extienden a través de Salesforce, SAP, correo electrónico, archivos PDF, portales internos e interfaces específicas de la industria.
Gautier Cloix describió el problema sin rodeos: la humanidad todavía está trabajando en software heredado que no tiene API y no tiene datos limpios. La respuesta tradicional ha sido la migración. Pero la migración es lenta, costosa y, a menudo, obsoleta cuando finaliza.
La respuesta de H Company es el uso de computadoras: agentes que operan software a través de las mismas interfaces humanas que ya usan los empleados. Cloix describió flujos de trabajo en los que un vendedor, agente de servicio al cliente, comprador, enfermero o trabajador administrativo completa 40 pasos en cinco o 10 herramientas diferentes. En lugar de reconstruir todos los sistemas subyacentes, el agente aprende a operar la interfaz que se encuentra encima de ellos.
Por eso es importante el uso de la computadora. No es una investigación glamorosa. Es el problema práctico de hacer clic, escribir, desplazarse, leer pantallas y moverse a través de sistemas que nunca debieron comunicarse entre sí.
En palabras de Cloix, el perfil de cliente común no es un sector concreto. Se trata de si una empresa tiene «una pila de software con más de cinco herramientas» y al menos una de esas herramientas carece de API.
El reciente lanzamiento de Holo3.1 refuerza esa dirección, con H Company posicionando la familia de modelos en torno a la automatización del flujo de trabajo web, de escritorio, móvil y empresarial. La señal más amplia es que los agentes de uso informático se están convirtiendo en una categoría empresarial seria, no sólo en una demostración de un modelo que opera un navegador.
La capa humana del trabajo de agencia
Si H Company se centra en la interfaz del software, Malt se centra en la interfaz humana y organizacional.
Claire Lebarz, CTO de Malt, describió la empresa como la plataforma más grande de Europa para expertos independientes y autónomos. Eso le da a Malt una visión específica de cómo cambia el trabajo porque los trabajadores independientes a menudo reaccionan a las nuevas tecnologías más rápido que las grandes empresas.
Según Lebarz, el talento ya hablaba de agentes antes de que la demanda alcanzara por completo. Ahora Malt está viendo un aumento del 600% en la demanda de habilidades de agencia en sólo tres o cuatro meses.
Esto es importante porque la adopción de la IA empresarial no se trata solo de comprar herramientas. Se trata de si las empresas tienen personas que puedan traducir las necesidades comerciales confusas en flujos de trabajo, supervisar a los agentes y adaptar la automatización al contexto de la empresa.
La frase más interesante de Lebarz fue «humanos al tanto». En su opinión, el trabajo del mañana implicará que los agentes realicen más tareas, pero aún se necesitarán seres humanos por encima del proceso: capacitar, supervisar, orquestar y adaptar a los agentes a los entornos reales de la empresa.
Esta es una corrección útil a la historia habitual de la automatización. La cuestión no es si los agentes reemplazan a las personas en un simple intercambio uno a uno. La pregunta es cómo se empaqueta el trabajo: qué partes van a los agentes, cuáles necesitan expertos y cuáles requieren humanos que entiendan el contexto lo suficientemente bien como para supervisar varios sistemas a la vez.
La perspectiva de Malt también muestra por qué Europa puede tener una oportunidad diferente en materia de IA. La región tiene clientes empresariales profundos, mercados de talentos, conciencia regulatoria y un problema de transición de la fuerza laboral que no puede resolverse sólo con exageraciones. Si el trabajo de agencia necesita confianza, permisos, identidad, evaluación y contexto, entonces la capa humana se convierte en parte del producto.
Los datos que las empresas realmente utilizan
Neuralk AI llevó la conversación a una de las formas de datos empresariales más comunes pero poco discutidas: las tablas.
El discurso de la empresa es simple y ambicioso. Su fundador describió que Neuralk hacía con los datos tabulares lo que los modelos básicos hacían con el texto. En lugar de exigir que cada cliente cree un canal de aprendizaje automático independiente, la empresa está creando modelos básicos que pueden hacer predicciones a partir de filas y columnas a través de un punto final API.
Esto es importante porque la mayoría de las empresas no operan con texto limpio a escala de Internet. Funcionan con datos estructurados: clientes, transacciones, inventario, registros financieros, métricas operativas, puntuaciones de riesgo e historiales internos. Estas tablas suelen ser el núcleo del negocio, pero no son datos que puedan extraerse simplemente de la web.
El fundador explicó que los datos tabulares son los datos centrales de toda empresa, razón por la cual las empresas no los regalan libremente. El enfoque de Neuralk utiliza tablas sintéticas durante el entrenamiento para que el modelo pueda aprender patrones estadísticos y luego usar muestras de contexto etiquetadas en el momento de la inferencia para hacer predicciones sobre los datos del cliente.
Este es un problema de IA empresarial muy diferente al del chat. Se trata de inferencia estadística, predicción, calidad de datos e implementación sin pedir a cada empresa que mantenga la maquinaria completa de las operaciones de ML clásicas.
Si funciona, indica una tendencia empresarial: la pila de IA se está acercando a las estructuras de datos de las que ya dependen las empresas.
La capa de vídeo que falta
Twelve Labs añadió otra capa que faltaba: vídeo.
La empresa partió de la idea de que entender un vídeo no es lo mismo que transcribir diálogos o detectar objetos en fotogramas. El vídeo requiere comprensión temporal, sonido, diálogo, contexto de la escena, movimiento y la capacidad de decidir qué importa y qué no.
Su modelo Marengo potencia la búsqueda semántica en vídeo, imágenes, audio y lenguaje. Pegasus es un modelo de lenguaje de video que puede analizar escenas, resumir videos, generar metadatos y admitir resultados estructurados.
Esto es importante porque las empresas ya cuentan con archivos de vídeo masivos: estudios, ligas deportivas, emisoras de noticias, compañías de producción, organizaciones del sector público, equipos de seguridad y proveedores de datos. Gran parte de ese vídeo es valioso, pero difícil de buscar, seleccionar, monetizar o convertir en flujos de trabajo.
La conversación de Twelve Labs también conectó el video con una historia más amplia de IA física. Un representante describió el vídeo como fundamental para la robótica y los sistemas automotrices porque las máquinas necesitan darle sentido al mundo real. Describieron la ambición como una especie de «corteza visual para máquinas».
Esa frase ayuda a conectar a la empresa con el tema más amplio de HumanX. La IA empresarial no es solo texto, código o bases de datos. También es visual, temporal, multimodal y, finalmente, espacial.
La oportunidad de Europa es la especificidad
El patrón compartido entre estas empresas es la especificidad.
H Company no está intentando construir un chatbot universal. Está intentando operar software heredado. Malt no se refiere sólo a trabajos de IA en abstracto. Se trata de analizar cómo se empaquetan el talento, los agentes y la supervisión para las empresas. Neuralk no intenta crear otro modelo de lenguaje de propósito general. Se basa en datos tabulares. Twelve Labs no trata el vídeo como una característica secundaria. Trata la comprensión del video como una capa base.
Esa especificidad puede ser donde Europa puede competir. El mercado de la IA empresarial no sólo necesita modelos más grandes. Necesita empresas que comprendan los flujos de trabajo, las limitaciones de la industria, los datos confidenciales, los mercados laborales y el último tramo entre la capacidad y la adopción.
Esa fue la señal más interesante de HumanX. La historia europea de la IA no se trata sólo de si Europa puede producir un laboratorio de vanguardia que pueda rivalizar con Estados Unidos. También se trata de si las empresas europeas pueden convertir la IA en sistemas desplegables para el mundo desordenado, regulado y operativo en el que realmente viven las empresas.
La respuesta puede venir menos del espectáculo y más de los lugares aburridos donde realmente se trabaja: software antiguo, datos privados, flujos de trabajo de reclutamiento, archivos de video y los humanos que supervisan a los agentes desde arriba del circuito.
