En las dos últimas semanas he estado en Los Ángeles, Londres, París y Barcelona siguiendo cuatro conversaciones aparentemente distintas sobre tecnología empresarial.

Atlassian Team ’26, OPEN on the ROAD de Axis Communications, Current 2026 de Confluent, el IDI Forum 2026 de Huawei y SAP SAPPHIRE 2026 Madrid pertenecen a mundos diferentes. Software de colaboración, seguridad física, infraestructura de datos en tiempo real, infraestructura digital y software empresarial. Cada uno habla desde su mercado, con su lenguaje, sus prioridades y sus intereses comerciales.

Sin embargo, cuando se analizan juntos aparece una señal común bastante clara.

La inteligencia artificial empresarial se está desplazando hacia una fase mucho menos vistosa, pero mucho más determinante. La ventaja ya no se juega solo en el modelo, ni en el piloto, ni en la capacidad de generar una respuesta aparentemente inteligente. Se juega en el dato que alimenta esos sistemas, en el contexto que permite interpretarlo, en la infraestructura que lo mueve, en la gobernanza que lo hace fiable y en la capacidad de llevarlo a la operación real sin romper la organización por el camino.

Durante meses, gran parte del debate sobre IA empresarial ha estado dominado por una lógica comprensible, aunque incompleta. Qué modelo usar. Qué proveedor elegir. Qué asistente incorporar. Qué copiloto desplegar. Qué casos de uso priorizar. La conversación ha sido útil, pero también ha generado una especie de ilusión de avance. Muchas empresas han confundido acceso a inteligencia artificial con capacidad real de operar con inteligencia artificial.

El acceso se ha democratizado muy rápido. La capacidad de uso empresarial no.

Esa diferencia empieza a ser el asunto central

En Los Ángeles, Atlassian llevó la conversación hacia el trabajo, la memoria corporativa y la empresa «AI-native». El punto más relevante no estuvo en presentar agentes como una capa más de productividad, sino en mostrar que un agente solo puede ser útil si entiende la organización en la que actúa. Un agente que no sabe qué decisiones se tomaron, quién participó en ellas, qué dependencias existen entre proyectos, qué prioridades están vivas y qué información ha quedado obsoleta es, en el mejor de los casos, un asistente limitado. En el peor, un generador de ruido con apariencia de eficiencia.

Ahí aparece una de las ideas más importantes para entender la IA empresarial. El dato corporativo no es solo información almacenada. También es memoria. Es trazabilidad. Es relación entre personas, decisiones, documentos, tareas, objetivos, código, incidencias, clientes, compromisos y restricciones. Durante años, las empresas han intentado resolver esa complejidad con más herramientas, más integraciones, más paneles y más reuniones. La IA obliga a mirar el problema de otra manera, porque un sistema autónomo no puede actuar bien sobre una organización que ni siquiera se entiende bien a sí misma.

El Teamwork Graph de Atlassian representa precisamente esa dirección. Un grafo de trabajo capaz de conectar personas, proyectos, objetivos, documentos, incidencias y decisiones no es solo una funcionalidad de producto. Es una forma de convertir la actividad diaria de una empresa en contexto operativo. Y ese contexto es lo que permite que un agente deje de responder de manera genérica y empiece a actuar con cierta comprensión del entorno.

La diferencia parece sutil, pero es enorme

Una cosa es preguntarle a una IA por el estado de un proyecto y recibir un resumen elegante. Otra muy distinta es que el sistema entienda por qué ese proyecto se retrasó, qué dependencia técnica lo bloquea, qué decisión de hace seis meses condiciona la siguiente fase, qué persona tiene conocimiento real sobre el asunto y qué impacto presupuestario puede tener cada alternativa. Eso ya no es generación de texto. Es inteligencia aplicada a una organización concreta.

La palabra  contexto  se ha convertido en una de las más repetidas del sector, y eso siempre implica un riesgo. Cuando una palabra se usa demasiado, empieza a perder precisión. Pero en este caso conviene rescatarla, porque el contexto no es una capa decorativa alrededor del dato. Es lo que convierte el dato en algo utilizable.

Un dato puede ser correcto, estar actualizado y estar disponible, y aun así no servir para tomar una buena decisión si aparece aislado de su contexto. En la IA empresarial, el valor no está solo en acceder a más información, sino en saber de dónde viene, qué significa dentro del proceso, con qué otros datos se relaciona, quién está autorizado a utilizarlo, qué límites tiene y qué grado de confianza merece. Sin esa capa de interpretación, el dato puede alimentar una respuesta aparentemente razonable y conducir, al mismo tiempo, a una conclusión equivocada.

Esta idea apareció también en Londres, durante Current 2026 de Confluent, aunque desde otro ángulo. Allí el foco no estaba en la memoria corporativa ni en la colaboración, sino en la infraestructura de datos en tiempo real. Jay Kreps lo planteó con una claridad que merece atención porque toca una de las causas más frecuentes de frustración en los proyectos de IA. Los modelos funcionan bien en los pilotos, sin embargo los resultados en producción decepcionan. Y muchas veces el problema no está en el modelo, sino en el dato que se le entrega.

La IA empresarial altera una lógica clásica del software. Durante décadas, las compañías han construido sistemas basados en reglas, con flujos deterministas, condiciones, validaciones y pruebas unitarias pensadas para comprobar si la lógica responde como estaba previsto. En ese entorno, los datos podían ocupar un papel casi secundario durante la validación, porque un sistema de reglas puede probarse incluso con datos ficticios si lo importante es verificar el comportamiento de la aplicación.

Con los sistemas probabilísticos, esa separación ya no funciona

Un agente que debe gestionar incidencias, priorizar tareas, responder a clientes, detectar anomalías o asistir a un técnico no se valida en una maqueta limpia de la empresa, sino contra la complejidad real de la operación. Ahí aparecen los datos históricos, las excepciones, las señales incompletas, los casos ambiguos y todo aquello que no encaja en el manual. Por eso su calidad no depende de un test que pasa o falla, sino de un ciclo continuo de medición, ajuste y comparación capaz de mostrar cómo responde ante escenarios distintos y dónde empiezan sus límites.

Esto cambia la naturaleza del desarrollo. En IA, el dato deja de ser un recurso estático y se convierte en parte del sistema desde el inicio. El software y el dato ya no pueden diseñarse por separado.

Ese es un cambio que muchas organizaciones todavía no han terminado de adoptar.

El argumento de Confluent sobre el streaming cobra sentido en ese punto. Si una empresa quiere que sus agentes actúen sobre la operación real, no puede alimentarlos solo con fotografías antiguas de la organización. Muchas arquitecturas empresariales siguen funcionando con procesos batch, extracciones periódicas y repositorios que contienen una versión retrasada de la realidad. Para determinados casos de análisis puede ser suficiente, pero para agentes que deben decidir o actuar en tiempo casi real, no lo es.

Un agente que responde a un cliente con datos de hace ocho horas no está operando sobre la realidad. Un sistema que detecta fraude con información retrasada llega tarde. Una IA que recomienda una acción logística sin conocer el estado actual de la cadena de suministro está tomando decisiones sobre un mapa incompleto. Una herramienta que automatiza flujos internos sin saber qué ha cambiado en los últimos minutos puede acelerar el error en lugar de reducirlo.

Por eso el streaming de datos surge como una infraestructura natural para la IA empresarial. No porque todas las organizaciones necesiten convertir cada proceso en tiempo real, sino porque muchas decisiones asistidas o ejecutadas por IA dependen de señales vivas, de eventos que cambian de significado al cruzarse con otros eventos y de contextos que pierden valor cuando envejecen.

La conversación en Current 2026 añadió un matiz decisivo a esa lectura. La velocidad del dato solo tiene valor empresarial si viene acompañada de seguridad, gobierno y capacidad de evaluación. En sectores regulados, la IA agéntica no puede descansar sobre un acceso indiscriminado a bases de datos, APIs y sistemas operacionales, aunque esa aproximación pueda funcionar en un piloto. En producción, ese modelo abre riesgos de privacidad, exposición de información sensible, consumo no controlado de recursos y falta de trazabilidad para auditar o reproducir una respuesta cuando algo falla.

La alternativa tampoco puede ser congelar los datos en entornos limpios pero obsoletos. Si se extraen, transforman y cargan en repositorios dedicados con demasiada latencia, la IA gana orden y pierde realidad. Ahí aparece el reto de fondo. Las empresas necesitan datos vivos, pero también gobernados. Datos disponibles, pero no expuestos sin control. Datos reutilizables y con trazabilidad. Datos útiles para agentes, pero comprensibles y auditables por humanos.

Ese equilibrio será una de las grandes disciplinas empresariales de los próximos años.

En Barcelona, con Axis Communications, la conversación se desplaza a otro territorio del mismo problema: la IA física. Axis no parte del dato documental ni del dato transaccional, sino del mundo real capturado por cámaras, sensores, vídeo, audio, metadatos, accesos, movimientos y anomalías en espacios físicos.

Esta perspectiva es relevante porque buena parte del debate sobre IA empresarial se ha construido alrededor del conocimiento digital que ya existe en la organización: documentos, correos, CRM, ERP, repositorios de código, tickets, informes o bases de datos. Pero una parte enorme de la actividad empresarial ocurre fuera de esos sistemas, en fábricas, tiendas, hospitales, aeropuertos, almacenes, oficinas, centros logísticos, infraestructuras críticas y espacios públicos.

Ahí la cámara deja de ser solo un dispositivo para ver o grabar. Se convierte en una fuente de datos capaz de ayudar a interpretar lo que ocurre, detectar patrones, activar respuestas y generar conocimiento operacional. El valor no nace únicamente del modelo de visión artificial, sino de la calidad del dato capturado en origen, de la ubicación del dispositivo, de la red, de la ciberseguridad, de los permisos, del procesamiento en el borde y de la integración con otros sistemas de negocio.

La IA física tiene además una complejidad particular: el mundo real es ambiguo, cambiante y profundamente contextual. Una acumulación de personas, un vehículo detenido o un acceso fuera de horario pueden significar cosas muy distintas según el lugar, el momento, el comportamiento esperado o el nivel de riesgo del entorno. Por eso el dato físico también necesita contexto, y en muchos casos lo necesita con más urgencia que el dato documental.

El enfoque de Axis ayuda a recordar que la IA empresarial no se limita a sistemas que leen documentos, generan respuestas o automatizan flujos internos. También será una capa de interpretación del mundo físico. Y cuando eso ocurre, el debate deja de ser solo de eficiencia o productividad y entra en terrenos como seguridad, responsabilidad, cumplimiento, privacidad, disponibilidad y confianza.

En París, durante el IDI Forum 2026 de Huawei, la conversación volvió a cambiar de escala. Allí el dato aparece menos como unidad de conocimiento y más como carga estructural para la infraestructura digital. Si Atlassian habla de contexto organizativo, Confluent de flujo en tiempo real y Axis de captura del mundo físico, Huawei sitúa el debate en la base industrial que sostiene todo lo anterior.

La IA empresarial necesita datos, pero los datos necesitan infraestructura. Centros de datos, almacenamiento, redes, energía, refrigeración, resiliencia, continuidad, integración, capacidad de proceso, seguridad y operación. Esta parte del debate suele ser menos atractiva que hablar de agentes o automatización, pero puede ser más decisiva. Una empresa puede tener una estrategia de IA ambiciosa y, al mismo tiempo, no disponer de la arquitectura necesaria para sostenerla de forma fiable.

El crecimiento de la IA está haciendo visible algo que durante años permaneció en segundo plano para muchos comités de dirección. La infraestructura digital ya no es un asunto puramente técnico. Es una variable competitiva. Determina qué se puede automatizar, qué se puede analizar, qué puede responder en tiempo real, qué puede escalar, qué puede protegerse y qué puede mantenerse operativo cuando el entorno se complica.

En el IDI Forum, la conversación sobre data centers, resiliencia, almacenamiento e integración apunta a esa realidad. La IA no se despliega en el vacío. Vive sobre capas físicas y lógicas que tienen coste, consumo energético, complejidad operativa y dependencia tecnológica. Cuanto más se acerque la IA a procesos críticos, más relevante será la pregunta por la infraestructura que la sostiene, aunque no convenga formularlo como eslogan.

El dato empresarial no solo debe existir. Debe estar disponible cuando se necesita, en el lugar adecuado, con la latencia adecuada, con la protección adecuada y con una arquitectura capaz de resistir fallos. Esto es especialmente importante en sectores que no pueden permitirse interrupciones. Banca, energía, industria, salud, distribución, transporte, administraciones públicas, defensa, telecomunicaciones o seguridad. En todos ellos, la IA puede aportar valor, pero también puede amplificar debilidades si se construye sobre bases frágiles.

El caso de los data centers resulta ilustrativo porque permite ver la dimensión material de la IA. Cada agente, cada modelo, cada flujo de datos, cada sistema de visión, cada consulta, cada inferencia y cada proceso de entrenamiento o ajuste necesita capacidad. La narrativa tecnológica suele presentar la inteligencia artificial como una capa casi intangible, pero su despliegue real depende de edificios, energía, chips, almacenamiento, conectividad, refrigeración, redundancia y equipos humanos capaces de operar todo eso con disciplina.

La IA empresarial será tan digital como física. Tan algorítmica como industrial. Tan dependiente del software como de la infraestructura.

La misma semana, SAP SAPPHIRE 2026 Madrid añadió una pieza importante a este mapa, aunque en este caso no formó parte de ese recorrido presencial. SAP llevó a IFEMA su visión de la  Empresa Autónoma , y lo relevante no está solo en el número de agentes, asistentes o demostraciones, sino en la arquitectura que intenta sostener esa promesa.

SAP plantea que la autonomía empresarial no nace de conectar un modelo de lenguaje a una aplicación de negocio. Nace de darle a ese modelo contexto empresarial estructurado. Esa es la función de SAP Business AI Platform, SAP Autonomous Suite y Joule Work. Tres capas diferentes que comparten una misma dirección: convertir los procesos, datos, reglas, autorizaciones y relaciones de negocio en una base sobre la que los agentes puedan actuar con mayor precisión.

El elemento más interesante de esa propuesta es SAP Knowledge Graph. En la visión de SAP, el modelo de lenguaje interpreta la petición del usuario, pero el conocimiento empresarial lo aporta el ERP. Si alguien solicita una previsión financiera, el sistema no debería limitarse a producir una respuesta convincente. Debe localizar el proceso correcto, seleccionar los datos pertinentes, respetar las reglas de autorización y operar dentro de los límites de gobierno de la organización.

Esa distinción resume muy bien el desplazamiento que atraviesa toda la IA empresarial. El modelo aporta lenguaje y capacidad de razonamiento. El valor diferencial está en el contexto de negocio.

SAP lo formula desde su propia posición histórica. Su activo no es tener el modelo más potente, sino haber acumulado durante décadas procesos, datos estructurados, reglas y relaciones dentro del corazón operativo de miles de compañías. Por eso su apuesta trata los modelos de lenguaje como una pieza intercambiable y sitúa la capa de contexto como el verdadero centro de gravedad.

También hay un matiz importante en su apuesta por modelos tabulares. Buena parte del debate público sobre IA se ha concentrado en texto, imágenes y código, pero muchas decisiones empresariales críticas viven en tablas. Previsión de demanda, planificación financiera, mantenimiento predictivo, inventario, compras, cadena de suministro, recursos humanos o gestión de activos dependen de datos estructurados. Ahí, un modelo conversacional no siempre es la herramienta más adecuada.

La «Empresa Autónoma» de SAP conecta así con la misma conclusión desde otro ángulo. Una organización no será autónoma porque despliegue muchos agentes. Lo será si esos agentes pueden operar sobre datos fiables, procesos armonizados, reglas explícitas, permisos bien definidos, memoria corporativa y mecanismos de gobierno capaces de decidir qué puede automatizarse y qué debe seguir bajo supervisión humana.

La parte más delicada está precisamente ahí. SAP mostró una visión de agentes capaces de aprender de una decisión humana para no volver a interrumpir en casos similares. Eso puede ser eficiencia. También obliga a pensar con cuidado dónde se fija la norma, quién la revisa y cómo se audita cuando el sistema deja de preguntar.

SAP introduce además una condición material que muchas empresas no podrán esquivar. La promesa de autonomía funciona mejor cuanto más modernizado esté el entorno del cliente. Si los datos están fragmentados, los procesos no están armonizados y los sistemas siguen anclados en arquitecturas heredadas, ningún agente compensará por sí solo esa falta de base. La autonomía se convierte así en un argumento tecnológico, pero también en un incentivo de migración hacia plataformas cloud y modelos de ERP más estandarizados.

Esta lectura encaja con el resto del recorrido. Atlassian habla de memoria corporativa. Axis, de datos del mundo físico. Confluent, de datos en movimiento. Huawei, de infraestructura digital. SAP añade la capa de procesos empresariales, datos estructurados, gobierno y autonomía operativa.

Cinco perspectivas distintas para una misma realidad: la IA empresarial solo funciona cuando el dato deja de ser un residuo de la operación y se convierte en arquitectura estratégica.

Cuando se conectan los cinco planos, aparece una lectura bastante clara

Atlassian muestra que la IA necesita memoria corporativa para actuar dentro de la organización. Axis muestra que necesita capturar e interpretar el mundo físico con responsabilidad. Confluent muestra que necesita datos vivos, gobernados y procesados en movimiento. Huawei muestra que necesita infraestructura digital capaz de sostener la escala, la resiliencia y la continuidad de todo el sistema. SAP añade la capa de procesos empresariales, datos estructurados, gobernanza y autonomía operativa.

Son capas distintas de un mismo problema.

La empresa que quiera pasar de pilotos a impacto real tendrá que trabajar en todas ellas, aunque no todas con la misma intensidad ni al mismo tiempo. Tendrá que ordenar su conocimiento interno. Tendrá que reducir silos. Tendrá que saber qué datos tiene, qué calidad tienen, quién puede usarlos y con qué propósito. Tendrá que distinguir entre datos históricos, datos operativos y datos en tiempo real. Tendrá que decidir qué se procesa en la nube, qué en el borde y qué debe permanecer en entornos controlados. Tendrá que integrar fuentes físicas y digitales. Tendrá que medir resultados. Tendrá que auditar decisiones. Tendrá que asumir que el problema no se resuelve comprando una herramienta aislada.

Aquí conviene ser especialmente claro. La mayoría de las empresas no fracasa en IA porque no tenga acceso a buenos modelos. Fracasa porque sus datos no están preparados para que esos modelos generen valor en un proceso real. Fracasa porque el contexto está disperso. Porque la información crítica vive en documentos olvidados, conversaciones, hojas de cálculo, sistemas heredados, repositorios desconectados o cabezas de personas concretas. Fracasa porque los datos llegan tarde. Porque no hay trazabilidad. Porque no hay una única versión operativa de la realidad. Porque las decisiones no quedan bien documentadas. Porque la organización no sabe traducir su conocimiento tácito en señales que una máquina pueda utilizar sin perder el control humano.

La diferencia entre usar IA y transformarse con IA estará en la arquitectura del dato

Esa arquitectura no es solo tecnológica. También es organizativa. Afecta a procesos, responsabilidades, permisos, hábitos de documentación, modelos de gobierno, estándares de calidad, cultura de medición y capacidad para revisar decisiones cuando el sistema se equivoca o cuando el contexto cambia. La IA obliga a hacer visible cómo funciona realmente una empresa, y ese ejercicio suele revelar algo más profundo que una carencia de herramientas: muchas organizaciones no tienen un problema de acceso a inteligencia artificial, sino de claridad interna.

Ahí empieza la parte más exigente de esta nueva etapa. La primera fase de la IA generativa estuvo marcada por la sorpresa; la segunda, por la experimentación; la siguiente estará dominada por la integración. Y la integración es mucho más compleja porque ya no consiste en probar una interfaz, automatizar una tarea o lanzar un piloto, sino en conectar la inteligencia artificial con sistemas, datos, procesos, personas, incentivos y responsabilidades que ya existían antes de que la tecnología llegara.

Esa integración también obliga a una lectura más selectiva. No todas las organizaciones necesitan la misma estrategia de datos, ni todos los casos de uso requieren tiempo real, ni todos los procesos deben automatizarse, ni todos los datos deben exponerse a agentes, ni toda IA debe ejecutarse en la nube, ni toda señal capturada en el mundo físico debe convertirse en una decisión automática. La madurez no consistirá en aplicar IA a todo, sino en distinguir dónde aporta valor, dónde introduce riesgo y dónde la organización todavía no tiene las condiciones necesarias para usarla con garantías.

Visto desde este recorrido, las piezas encajan con bastante precisión. Atlassian sitúa la conversación en la memoria corporativa y en la conexión entre trabajo, conocimiento y ejecución. Axis recuerda que la IA también interpretará el mundo físico y que esa capa exige privacidad, precisión y responsabilidad. Confluent lleva el foco al dato en movimiento, gobernado y conectado con la operación. Huawei desplaza la discusión hacia la infraestructura digital que permite sostener escala, resiliencia y continuidad. SAP añade la capa de procesos empresariales, datos estructurados, gobierno y autonomía operativa.

Cada una de esas aproximaciones ilumina una parte distinta del mismo problema. La IA empresarial no se decidirá únicamente por la elección de un modelo, sino por la capacidad de una organización para preparar sus datos, conectarlos con contexto, protegerlos, actualizarlos, gobernarlos y convertirlos en decisiones útiles. Antes de desplegar agentes, conviene saber qué contexto van a tener. Antes de automatizar decisiones, conviene saber cómo se van a auditar. Antes de prometer productividad, conviene saber qué proceso se quiere mejorar. Antes de escalar, conviene saber si la infraestructura puede sostenerlo. Antes de interpretar el mundo físico, conviene saber qué responsabilidad se asume al convertir una señal en acción.

La IA empresarial no empieza cuando se contrata una herramienta. Empieza cuando la organización entiende qué sabe, dónde lo sabe, cómo lo actualiza, cómo lo protege y cómo lo convierte en acción. Esa diferencia separará a las compañías que usan IA como una capa superficial de productividad de aquellas que la integren en su modelo operativo con criterio.

Después de estas semanas, la señal que deja el mercado es bastante clara. La conversación se está volviendo menos fascinada por la experimentación y más atenta a la operación; menos centrada en la promesa abstracta y más interesada en las condiciones que hacen posible el valor real; menos pendiente de la inteligencia como capacidad aislada y más consciente de que esa inteligencia necesita una base material, contextual y organizativa.

Los modelos seguirán mejorando, los agentes serán más capaces, las interfaces serán más naturales y las plataformas se integrarán mejor. Pero la diferencia competitiva no estará solo ahí. Estará en las empresas que consigan que sus datos estén preparados para ser entendidos, gobernados, activados y convertidos en decisiones con sentido.

Esa será una de las grandes fronteras de la IA empresarial en los próximos años: convertir el dato en el sistema operativo de una empresa que por fin entiende su valor estratégico.