tendencias de inteligencia artificial Los procesos avanzan rápidamente y usted necesita una visión clara y práctica para decidir qué probar y cuándo.

Los ejecutivos de la Conferencia TMT 2025 de Morgan Stanley identificaron cinco frentes —razonamiento, silicio a medida, migración a la nube, sistemas de evaluación y sistemas agenéticos— que son importantes para los responsables de la toma de decisiones en EE. UU. Estos cambios técnicos, junto con menores costos de inferencia y modelos de MoE dispersos, están transformando la organización del trabajo en... industrias y como gente Utilizará sistemas día a día.

Este breve informe muestra qué debe priorizar: alinear los modelos con las cargas de trabajo, establecer prácticas de evaluación y pasar de las pruebas piloto a la producción con una gobernanza sólida. Hacemos referencia a IBM Granite, Claude 3.7 Sonnet y Gemini 2.5, y las encuestas indican que los desarrollos agentes y soberanos están en auge.

Utilice esto como una brújula práctica para el futuro a corto plazo.Empieza con poco, mide los resultados relevantes para tu misión y adáptate a las limitaciones locales, como el consumo de energía, la escasez de GPU y la ubicación de los datos. Esto te ayudará a definir cómo la inteligencia artificial afecta tu trabajo y al mundo en general sin prometer resultados excesivos.

Introducción: Por qué las tendencias de IA ahora dan forma a tus próximos movimientos

Las empresas estadounidenses se enfrentan a un panorama operativo diferente este año, donde el rendimiento, la seguridad y el costo determinan los próximos pasos.

Esta sección explica el contexto de EE. UU., qué cambió respecto al año pasado y cómo utilizar el informe.

Contexto y relevancia para las organizaciones estadounidenses

En 2025, el enfoque empresarial se centra en plataformas que equilibren la rentabilidad, el rendimiento y la seguridad.

Las grandes alianzas tecnológicas en materia de chips, hiperescaladores y modelos de gran tamaño son importantes, pero la incertidumbre sobre el control de las exportaciones y los límites de las GPU añaden restricciones reales para muchas organizaciones.

Qué ha cambiado en el último año y qué significa eso para usted

Los costos de inferencia cayeron sustancialmente y aparecieron modos de “pensamiento” híbridos entre los proveedores.

Esto significó que los ejecutivos desviaron su atención de las demostraciones al uso seguro y de calidad de producción. Se espera una adopción masiva durante varios años más, mientras la gobernanza y las operaciones de los agentes maduran.

Cómo está organizado este informe y cómo utilizarlo

Leer para la acción: Escanee cada sección en busca de datos breves y luego utilice los pasos de acción para diseñar pequeños experimentos vinculados a sus objetivos comerciales.

• Concéntrese en uno o dos casos de uso y defina métricas de éxito por trimestre.
• Observe la latencia, la precisión y la economía unitaria al alinear el modelo y la pila: los cambios respaldados por investigaciones, como un MoE escaso, afectan esas compensaciones.
• Preste atención a la gobernanza: los registros de auditoría y la participación humana son importantes para los flujos de trabajo de mayor riesgo.

Verá un uso desigual en las distintas funciones: algunos equipos priorizan el contenido y la codificación, mientras que otros se centran en el análisis y el soporte.

La base de la computación: chips, nube y la nueva carrera por la infraestructura de IA

La batalla por los chips y la capacidad de la nube determina dónde y cómo se ejecutan cargas de trabajo pesadas.

Silicio personalizado Puede generar grandes mejoras de eficiencia para trabajos estables y de gran volumen. Utilice ASIC cuando un modelo y una carga de trabajo específicos se ejecuten durante meses o años y pueda justificar los costos de adquisición e integración.

Las GPU siguen siendo valiosas cuando se necesita flexibilidad entre aplicaciones, iteración rápida o cargas de trabajo mixtas. Los plazos de entrega de Foundry siguen siendo largos, así que prepárese para un suministro limitado y reservas multirregionales.

Hiperescaladores, gastos de capital y compensaciones prácticas

Inversión en hiperescaladores Reduce los costos unitarios, pero vigila los tiempos de cola, la red y los SLA, no solo el rendimiento bruto. Las mejoras de eficiencia suelen incrementar el consumo general, por lo que es importante dimensionar los clústeres para el trabajo en ráfagas y medir la latencia de extremo a extremo.

“Invierta en la adaptación de variantes de modelos a familias de instancias y configure mecanismos de escalado automático para proteger las tareas prioritarias durante picos de demanda”.

Presiones de poder, ancho de banda y conocimiento abierto

El ancho de banda aumenta debido al raspado de cachés y centros de datos; las descargas multimedia de Wikimedia aumentaron aproximadamente 50% desde enero de 2024. Las defensas, como los acertijos computacionales, ayudan, pero se deben diseñar sistemas de recuperación que reduzcan la rotación.

Sea un buen ciudadano: Respete el archivo robots.txt y utilice conjuntos de datos confiables o fuentes de socios para reducir el riesgo legal y la demanda impredecible de recursos.

Pasos de acción: alinear el modelo, los datos y la carga de trabajo

• Clasifique cada modelo por tolerancia de latencia y límite de costo.
• Asigne cargas de trabajo al hardware: GPU para flexibilidad, ASIC para tareas constantes de alto volumen.
• Planifique la capacidad multirregional, reserve recursos y presupueste energía y refrigeración con anticipación.
• Priorice las fuentes de datos confiables en lugar del rastreo amplio para proteger los canales de conocimiento y reducir las descargas de ancho de banda.

Modelos de razonamiento, pensamiento híbrido y arquitecturas eficientes

No todas las solicitudes requieren una profunda deliberación; elegir cuándo un modelo debe “pensar” ahorra tiempo y dinero. Utilice el razonamiento de forma selectiva para la planificación compleja, la depuración o la toma de decisiones de alto riesgo.

Escalado de inferencia Aumenta el costo y la latencia. A medida que se incrementa el contexto o los pasos de la cadena, el uso de tokens aumenta y el contexto disponible disminuye. Esto puede afectar el rendimiento y la experiencia del usuario.

Compensaciones en la escala de inferencia: costo, latencia y ventanas de contexto

Ejecute primero un pase rápido. Luego, habilite el razonamiento más profundo solo si la confianza es baja o la tarea requiere lógica de varios pasos. Esto mantiene la previsibilidad del cómputo y los costos.

Modos de razonamiento híbridos: alternar el “pensamiento” solo cuando sea rentable

Varios modelos ahora permiten alternar la deliberación. Pruebe indicaciones de cadena corta, limite las fichas de pensamiento y compare resultados en tareas de codificación o planificación.

El resurgimiento del mercado de valores escaso y su importancia para el rendimiento por dólar

MoE disperso Activa partes de la red por token, lo que reduce el cómputo para muchas entradas. DeepSeek-R1 e investigaciones recientes demuestran que MoE puede competir con modelos de frontera densa en puntos de referencia clave.

Más allá de los transformadores: Mamba y arquitecturas híbridas para un contexto más amplio

Los enfoques híbridos de estilo Mamba se escalan linealmente con el contexto. Para documentos extensos, suelen ofrecer un mejor rendimiento por dólar que el escalado ingenuo de modelos de lenguaje densos.

“Empiece con poco, mida el ROI y opte por caminos eficientes; escale a un razonamiento más profundo solo cuando haya desencadenantes claros”.

• Definir métricas específicas de la tarea (tasa de resolución, compilaciones sin errores).
• Registrar fallas y medir ganancias incrementales a partir del razonamiento.
• Cálculo del tamaño adecuado: preferir la recuperación + validación cuando las ganancias son pequeñas.

De copilotos a agentes: construyendo sistemas seguros y orientados a objetivos

Pase de ser copilotos a ser agentes orientados a objetivos, definiendo tareas pequeñas y mensurables que se mantengan dentro de límites de seguridad claros. Comience con aplicaciones limitadas para poder observar el comportamiento, medir resultados y ajustar los controles antes de una adopción más amplia.

Casos de uso de alto impacto

Concéntrese en trabajos donde la retroalimentación sea rápida y los datos estén estructurados. Las primeras tareas recomendadas incluyen la clasificación de tickets, la conciliación de facturas, la planificación de suministros y la asistencia en la codificación con las pruebas.

Gobernanza de agentes

Redacte políticas para el acceso a datos, el uso de herramientas y el control de cambios. Mantenga registros de auditoría de cada acción y exija la aprobación humana para las acciones de alto riesgo.

Poniendo en marcha las “operaciones de agente”

Cree planes de monitoreo, evaluación y reversión para poder pausar o revertir versiones cuando las métricas disminuyan. Proteja los secretos con privilegios mínimos y rote las credenciales regularmente.

• Restringir agentes para despejar tareas y rutas de escalamiento.
• Medir resultados como el tiempo de resolución y las tasas de error en comparación con las líneas de base humanas.
• Utilice modelos configurables Primero con herramientas deterministas y luego agregue autonomía gradualmente.

Mantenga a los humanos informados, priorice la seguridad y permita que el éxito medible guíe implementaciones más amplias.

IA física y encarnada: de los almacenes a los modelos mundiales

Los sistemas físicos (robots, sensores y simulaciones) están pasando de demostraciones de laboratorio a operaciones reales en logística y fábricas.

Comience por donde la repetibilidad reduce el riesgo: Las líneas de fabricación, los pasillos de almacén y los flujos de trabajo clínicos le permiten probar la automatización con métricas claras y comentarios rápidos.

Dónde la automatización escala primero: logística, fabricación y atención médica

Concéntrese en casos de uso sencillos, como el movimiento de palés, la inspección de calidad y el triaje controlado de pacientes. Estas aplicaciones reducen la variabilidad y aceleran el aprendizaje.

Modelos de mundo y aprendizaje encarnado: caminos más allá del lenguaje

Los modelos mundiales de investigaciones recientes prometen una planificación más completa y un mejor control. Realice un seguimiento de proyectos como Genie 2 y las obras de puesta en marcha, pero vincule las inversiones al retorno de la inversión (ROI) a corto plazo y a las comprobaciones de seguridad.

Seguridad, cumplimiento y aceptación pública en entornos reales

Piloto con gemelos digitales, enclavamientos de seguridad y mecanismos de seguridad auditados. Capacite a los operadores con anticipación y recopile retroalimentación para aumentar la aceptación entre la población y los organismos reguladores.

• Utilice gemelos digitales para simular antes de la implementación.
• Piloto en celdas estructuradas con paradas de emergencia y sensores.
• Validación de documentos para cumplimiento y trazabilidad.
• Presupuesto para repuestos, calibración y mantenimiento.

Realice pruebas de fase, mida la seguridad y el tiempo de actividad y amplíe la operación solo cuando la confiabilidad alcance sus umbrales.

IA soberana y residencia de datos: diseño para el cumplimiento y la confianza

Las restricciones soberanas ya no son teóricas; Dan forma a cómo usted almacena datos, ubica el procesamiento y confía en modelos de terceros.

Comencemos clasificando los activos. Decida qué conjuntos de datos, ponderaciones de modelos y registros deben permanecer dentro del país por razones legales o contractuales. Etiquete esos activos y documente las rutas de flujo.

Arquitecturas que localizan la computación

Elija una combinación de patrones multicloud, edge y locales para satisfacer sus necesidades de latencia y control. La multicloud ofrece portabilidad. Edge gestiona el procesamiento de baja latencia cerca de los usuarios. Local ofrece el control más preciso para las cargas de trabajo más sensibles.

Orientación sectorial y controles prácticos

La regulación afecta con mayor fuerza a las finanzas y la salud. Incorpore la gestión del consentimiento, el acceso auditable y la explicabilidad donde sea necesario.

• Crear controles de residencia: etiquetar conjuntos de datos, bloquear exportaciones transfronterizas y monitorear la salida.
• Evaluar las soluciones de los proveedores para el alojamiento en la región, la gestión de claves y la capacidad de recuperación.
• Modularice los componentes y mantenga planes de salida en caso de que las leyes o los proveedores cambien en los próximos años.

“La soberanía del diseño como arquitectura, no como una ocurrencia de último momento”.

Alinear los aspectos legales, de seguridad e ingeniería Realizar pruebas periódicas y mantener la documentación actualizada. Esto le ayuda a cumplir con las normativas y a generar confianza con clientes y organismos reguladores.

Medir lo que importa: más allá de las tablas de clasificación, a la evaluación del ajuste empresarial

Mida lo que importa vinculando las pruebas con tareas reales, no con tablas de clasificación públicas. Tras el aumento de la dificultad de la Tabla de Clasificación Open LLM V2 en 2024 y su posterior retirada en 2025, la evaluación se amplió a pruebas de dominio y multimodales.

Después de la saturación del punto de referencia: pruebas multimodales y específicas del dominio

Las puntuaciones públicas ocultan lagunas importantes. Cree pruebas de dominio que reflejen sus flujos de trabajo y datos. Incluya casos multimodales y escenarios con alta recuperación para capturar la base y la cobertura de citas.

Comparaciones cualitativas y calificaciones humanas: cuándo y cómo usarlas

Combine suites automatizadas con evaluaciones humanas de muestra para evaluar el tono, la utilidad y la corrección. Controle los costos con un plan de muestreo y una rúbrica clara para que los revisores mantengan la coherencia.

Cree sus propias evaluaciones: puesta a tierra de tareas, comprobaciones de seguridad y señales de ROI

Pasos prácticos:

• Elija métricas de rendimiento vinculadas al trabajo: precisión en el primer paso, pase@K para codificación o tiempo de resolución.
• Cree pequeños conjuntos de datos de oro a partir de su contenido y tickets; alinee la corrección con la orientación política y legal.
• Incluya controles de seguridad para detectar fugas de información personal identificable (PII), resistencia a fugas de información y cumplimiento de políticas.
• Ejecute implementaciones de sombra y pruebas A/B; realice un seguimiento de los costos, la latencia y la confiabilidad junto con la calidad.

“Las evaluaciones personalizadas, basadas en tareas y con capacidad de observación le permiten rastrear los cambios en los sistemas hasta obtener resultados comerciales reales”.

Realidades de la adopción empresarial: uso, eficiencia y oportunidad de mercado

Para que los experimentos pasen a una operación estable se necesita más que tecnología: las personas, los procesos y la capacidad de observación deben seguir el ritmo.

De los pilotos a la producción: gestión de cambios y canales de datos seguros

Muchas organizaciones pasaron de la retórica a la implementación selectiva. Este progreso es desigual debido a la persistencia de brechas de infraestructura y a la alta demanda de GPU y potencia.

Pasos prácticos:

• Estandarice las tuberías de datos seguras: cifre en movimiento y en reposo y aplique controles de acceso sólidos.
• Modelos de versiones y avisos para que puedas volver atrás rápidamente cuando disminuye el rendimiento.
• Documente las rutas de reversión y ejecute simulacros de ejecución para que la respuesta a incidentes sea una rutina.

Lago de datos y observabilidad: rastreando el comportamiento hasta los resultados

El patrón lakehouse unifica datos estructurados y no estructurados para el análisis y el entrenamiento de modelos. Reduce las sorpresas al centralizar el linaje, los controles de calidad y las políticas de acceso.

Genere observabilidad que asigne entradas, llamadas a herramientas y salidas a métricas operativas o del cliente. Rastreé las solicitudes desde el origen hasta el resultado para vincular el comportamiento del modelo con el rendimiento del negocio.

“Distribuya valor en porciones pequeñas, capture ganancias y luego expanda: esto limita el radio de acción y demuestra el retorno de la inversión”.

Lista de verificación operativa:

• Mida el rendimiento, el costo por solicitud y los presupuestos de error, no solo el rendimiento bruto.
• Capacidad de diseño y almacenamiento en caché para manejar picos y evitar exceder el límite de velocidad.
• Asociarse con empresas que expongan ganchos de monitoreo y motores de evaluación; evitar cajas negras opacas.

Para obtener más contexto del mercado sobre la adopción y la demanda empresarial, revise este informe del mercado empresarial.

Conclusión

Relacione pequeños experimentos con problemas claros Utilice métricas de éxito sencillas para evaluar el valor futuro de cualquier tecnología. Comience con proyectos piloto con plazos definidos que limiten los costos y los riesgos mientras aprende rápidamente.

Se espera que tendencias como arquitecturas híbridas, razonamiento selectivo y patrones agentes den forma a los próximos años. Mida el impacto real en el trabajo y los resultados del cliente antes de escalar.

Mantenga la soberanía, la seguridad y la gobernanza como ejes centrales a medida que los modelos y agentes entran en producción en todas las industrias. Seleccione uno o dos casos de uso, realice pruebas, revise los resultados con las partes interesadas y adapte su plan.

Sea curioso pero disciplinado: considere esto como un manual vivo para las empresas que desean mantener un potencial sostenido en un mundo cambiante.