Lo que un investigador de Cambridge aprendió sobre la IA y que toda empresa debería conocer
La mayor parte del debate sobre inteligencia artificial dirigido a dueños de negocios gira en torno a las mismas herramientas y casos de uso: chatbots, asistentes de redacción, generadores de imágenes. Todo eso es útil, pero solo cuenta una parte de la historia. Para entender dónde la IA es verdaderamente poderosa, dónde sigue fallando y qué significa eso para el resto de nosotros, a veces hay que mirar los lugares donde hay más en juego.
Por eso hablamos con alguien que trabaja con sistemas de inteligencia artificial de vanguardia que algún día podrían cambiar la forma en que diagnosticamos la demencia.
El Dr. Henry Musto es investigador posdoctoral en la Universidad de Cambridge, donde divide su tiempo entre dos departamentos. En Neurociencia Clínica, aplica inteligencia artificial para predecir la progresión de la demencia a partir de datos de neuroimagen, resultados de pruebas clínicas y datos demográficos de los pacientes. Su enfoque no se limita a determinar si alguien podría desarrollar demencia, sino cuándo, lo que ofrece a los profesionales clínicos y a los responsables de diseñar ensayos una línea temporal de riesgo en lugar de un simple sí o no.
En Psiquiatría, recurre a la IA para hacer seguimiento de la resiliencia entre trabajadores de salud y asistencia social en primera línea. Analiza datos de redes sociales para comprender cómo estos trabajadores afrontan la adversidad. También asesora a una startup fundada en Cambridge que trabaja para llevar herramientas de diagnóstico basadas en inteligencia artificial al NHS, el sistema público de salud del Reino Unido.
Antes de dedicarse a la academia, Henry pasó 11 años como científico de datos profesional en startups tecnológicas y en empresas como Visa, BBC, WPP y Omnicom. Esa combinación de experiencia comercial e investigación académica práctica le da una perspectiva inusualmente completa sobre la tecnología, una que atraviesa tanto el entusiasmo exagerado como el cinismo.
Cómo se usa realmente la inteligencia artificial en la investigación de vanguardia
Cuando la mayoría de nosotros piensa en IA, piensa en las herramientas a las que podemos acceder: ChatGPT, Claude, Gemini. En la investigación académica, el panorama suele ser muy diferente.
El día a día de Henry consiste en revisar artículos de investigación publicados, comprender su metodología y recrear modelos desde cero. A veces hay un repositorio en GitHub que puede adaptar, pero la mayor parte del tiempo construye sistemas de inteligencia artificial personalizados para conjuntos de datos muy específicos que ningún producto comercial puede manejar.
“En la academia se tiende a desarrollar muchas cosas internamente”, dice. “El trabajo que hago es investigación de frontera en toda regla.”
¿Por qué debería importar esto si diriges una pequeña empresa? Porque las herramientas que ves anunciadas, esas con páginas de presentación llamativas y pruebas gratuitas, son la capa de consumo sobre una infraestructura tecnológica que todavía se está construyendo. La brecha entre lo que el marketing promete y lo que la tecnología realmente puede ofrecer de manera confiable es más amplia de lo que la mayoría cree. Reconocer que esa brecha existe es el primer paso para usar las herramientas de IA con las expectativas adecuadas.
Pero incluso en Cambridge, las herramientas de inteligencia artificial de uso cotidiano han transformado el flujo de trabajo. Para la revisión de literatura, es decir, el proceso de encontrar, leer y sintetizar artículos publicados, herramientas como Connected Papers, NotebookLM de Google, Gemini y ChatGPT han acelerado las cosas de forma considerable.
Henry no es el único. Un estudio de Wiley de 2025, que encuestó a más de 2.400 investigadores de todo el mundo, reveló que el uso de herramientas de IA entre académicos pasó del 57 % al 84 % en un solo año, y el 85 % indicó que la inteligencia artificial mejoró su eficiencia. Pero el mismo estudio descubrió algo más: a medida que los investigadores acumulaban experiencia práctica, reducían de forma notable sus expectativas sobre lo que esta tecnología realmente podía hacer. El año pasado, los investigadores creían que la IA ya superaba a los humanos en más de la mitad de los casos de uso. Este año, esa cifra bajó a menos de un tercio.
La experiencia de Henry refleja justo este patrón. Estas herramientas son muy útiles como punto de partida, dice, pero “todavía se requiere un trabajo considerable para verificar los resultados y asegurarse de que uno termina con un conocimiento sólido y confiable.”
En la investigación de salud, en particular, esto no se trata solo de eficiencia. Una referencia inventada o un resumen inexacto de un estudio clínico podría descarrilar meses de trabajo o fundamentar una decisión clínica equivocada.
Para los dueños de negocios, el principio es el mismo aunque lo que esté en juego parezca diferente. La inteligencia artificial rinde mejor en la parte media de un flujo de trabajo: redactar, resumir, generar opciones. Sigue siendo más débil en los dos extremos: formular la pregunta correcta y verificar si la respuesta es realmente correcta.
Por qué algunas personas brillantes no adoptan la IA
Una suposición común sobre la inteligencia artificial en instituciones más tradicionales es que la gente se resiste. Son conservadores. No confían en la tecnología. Están aferrados a sus costumbres.
Henry ve algo diferente.
“No creo que haya mucha aversión”, dice. “El desafío es que los académicos serios están profundamente concentrados en su propia especialidad. Simplemente no tienen la capacidad de aprender una disciplina completamente nueva encima de la que ya llevan décadas dominando.”
Describe a científicos de talla mundial que tienen problemas para compartir pantalla en una videollamada de Teams. No porque le tengan miedo a la tecnología, sino porque cada hora que dedican a ella es una hora que no dedican a su investigación.
Esto le sonará familiar a muchos dueños de negocios. La barrera para adoptar la inteligencia artificial rara vez tiene que ver con la actitud; en realidad tiene que ver con la disponibilidad de tiempo y atención. Cuando ya estás al límite con la gestión de tu negocio, “debería explorar herramientas de IA” se queda permanentemente en la lista de pendientes del mes siguiente. El estudio de Wiley lo confirma: el 57 % de los investigadores citó la falta de directrices y capacitación como su principal barrera para usar más estas herramientas. No es resistencia. Es una brecha de orientación.
El problema de la confianza: por qué los errores de la IA se juzgan de forma diferente
Le preguntamos a Henry sobre un contraargumento que escuchamos a menudo: los humanos también cometen errores; los médicos a veces diagnostican mal, los abogados pasan por alto cláusulas… Si la inteligencia artificial es al menos tan buena como un humano, ¿no debería ser suficiente?
Señaló un ejemplo revelador. Cuando un vehículo autónomo de Tesla se vio involucrado en un accidente mortal hace un par de años, el caso recibió una enorme atención mundial. Mientras tanto, decenas de miles de personas mueren en accidentes automovilísticos convencionales cada año con una fracción de la cobertura mediática.
“Nos queda mucho camino por recorrer en cuanto a generar confianza y comprensión pública sobre la inteligencia artificial”, dice Henry. “Un error de la IA siempre se percibirá como algo más grave que un error humano.”
Esto aplica mucho más allá del sector salud. Una investigación publicada en BJR Open exploró si la inteligencia artificial debería tener tasas de error más bajas que los humanos, y la respuesta del público es invariablemente la misma: la gente espera que la tecnología sea mejor, no solo equivalente. Si usas IA en cualquier parte de tu negocio de cara al cliente, esto importa. El nivel de exigencia con el que tus clientes evalúan los resultados no es “tan bueno como una persona”. Es más alto.
Henry plantea otra dimensión que vale la pena considerar. Los sistemas de inteligencia artificial entregan cada respuesta con el mismo nivel de seguridad, sin importar si están en lo correcto. “Un buen colega junior te dirá cuando no está seguro”, dice. “Matizará su respuesta o reconocerá los límites de su conocimiento. Los sistemas de IA actuales no hacen eso.”
Si usas inteligencia artificial para comunicaciones con clientes, propuestas o contenido, esto es algo que conviene vigilar de cerca. Que la respuesta suene segura no significa que sea precisa. Y es probable que tu cliente no note la diferencia hasta que algo haya salido mal.
El Reino Unido hace una gran apuesta por la IA en salud, pero la realidad es más complicada
El trabajo de Henry se enmarca en un esfuerzo más amplio por llevar la inteligencia artificial al NHS, el sistema público de salud del Reino Unido. El plan de salud a 10 años del gobierno británico, publicado en 2025, tiene como objetivo explícito convertir al NHS en “el sistema de atención sanitaria más potenciado por IA del mundo”. Se están creando institutos de inteligencia artificial en Cambridge y más allá, las alianzas público-privadas se multiplican y crece la urgencia en torno a enfermedades como la demencia, donde los tratamientos actuales siguen siendo limitados.
Henry vio esto de cerca: asistió a un evento en la Cámara de los Lores para el lanzamiento de un informe sobre datos sintéticos, una de varias iniciativas respaldadas por el gobierno para acelerar la adopción de IA en salud. “Hubo un esfuerzo bastante coordinado por parte de colegas míos para poner al día al Reino Unido en la generación de datos sintéticos mediante métodos de inteligencia artificial”, dice.
Pero ambición e implementación son cosas diferentes. Un estudio liderado por UCL y publicado en The Lancet encontró que un programa del NHS para introducir diagnósticos asistidos por IA en 66 grupos hospitalarios tardó entre 4 y 10 meses más de lo previsto, y un tercio de los grupos aún no usaba las herramientas 18 meses después de la fecha objetivo. Los principales problemas no eran técnicos. Eran prácticos: personal clínico sobrecargado, sistemas informáticos obsoletos y una falta generalizada de comprensión sobre cómo trabajar con estas herramientas.
Esto merece atención incluso si no tienes nada que ver con el sector salud. Si el NHS, con financiamiento gubernamental y liderazgo de programa dedicado, tiene dificultades para implementar inteligencia artificial a tiempo, eso revela lo difícil que es realmente la adopción. Para una pequeña empresa sin un equipo de tecnología dedicado, el desafío es aún mayor, y es exactamente por eso que una orientación clara y práctica importa tanto.
La brecha lingüística: un problema estructural que el mercado no resolverá solo
En AgentAya nos enfocamos específicamente en negocios de mercados no angloparlantes. Así que le preguntamos a Henry sobre la dimensión del idioma.
“El inglés es el idioma de la ciencia”, dice. “La gran mayoría de los artículos y conferencias son en inglés.”
Lo mismo aplica para los grandes modelos de lenguaje que impulsan la mayoría de las herramientas de IA actuales. Cuando interactúas con ChatGPT o Claude en español o en árabe, el sistema procesa tu solicitud a través del inglés de forma interna. Un documento de Stanford HAI describe esto como una “brecha digital” en el desarrollo de modelos de lenguaje, donde la mayoría de los modelos principales tienen un rendimiento inferior en idiomas distintos al inglés, no están adaptados a los contextos culturales pertinentes y no son accesibles en partes del Sur Global.
Los datos de investigación son contundentes. Un estudio que evaluó GPT-4o en lenguas africanas encontró una brecha de rendimiento absoluta de entre el 12 % y el 20 % entre el inglés y el promedio de las 11 lenguas africanas evaluadas, con diferencias que superaron el 50 % en idiomas individuales como el bambara. Incluso para un idioma con relativamente muchos recursos como el chino, una investigación publicada en JMIR encontró que ChatGPT tenía un rendimiento inferior en comparación con modelos entrenados específicamente con datos en chino, no por barreras de traducción, sino por la representación limitada en los conjuntos de datos de entrenamiento.
Henry se topó con esto de primera mano a través de su trabajo en psiquiatría, donde muchos trabajadores de primera línea provienen de entornos lingüísticamente diversos. “Se estima que solo en África hay unas 6.000 lenguas”, señala. “Muchas las hablan poblaciones de unos pocos cientos de miles de personas. El incentivo comercial para construir modelos de inteligencia artificial para esos idiomas simplemente no existe.”
Tiene razón en que el sector privado no resolverá esto solo. Las universidades y los gobiernos tendrán que intervenir, y en algunos casos ya lo están haciendo. Pero Henry también apunta que la ecuación económica cambia de forma sustancial para poblaciones más grandes: “India tiene cientos de idiomas, y el retorno de inversión se ve muy diferente cuando hablamos de poblaciones de 50 millones de personas.”
Tecnología útil, límites reales
Le preguntamos a Henry hacia dónde cree que va todo esto. Su respuesta se apoyó en sus años en la industria de la ciencia de datos.
“Cuando la ciencia de datos alcanzó su primer pico como disciplina, había tres tipos de empleadores”, dice. “Los que creían que los científicos de datos podían resolver cualquier problema. Los que descartaban todo el campo como puro revuelo. Y los que simplemente nos veían como un colega más con un conjunto de habilidades específico, con fortalezas y limitaciones como cualquier otro.”
El primer grupo, añade, tendía a convertirse en el segundo con bastante rapidez cuando no proporcionaba los datos, las herramientas o las expectativas adecuadas para que el trabajo tuviera éxito.
Él ve el mismo patrón con la IA ahora, pero a una escala mucho mayor. “Probablemente nos estamos acercando al límite de lo que los grandes modelos de lenguaje actuales pueden ofrecer”, dice Henry. “Eso no significa que no sean valiosos. Son indudablemente valiosos. Pero creo que el ritmo de mejoras drásticas se va a desacelerar, y el siguiente gran salto va a requerir un enfoque fundamentalmente diferente.”
Para los dueños de negocios, esto es en realidad tranquilizador. Vale la pena dedicar tiempo a las herramientas disponibles hoy. No van a quedar obsoletas en seis meses. Pero también significa que esperar a que la inteligencia artificial sea perfecta antes de empezar a usarla es una estrategia que te dejará atrás.
Qué significa esto para las empresas
Hacia el final de nuestra conversación, le planteamos un escenario que está en el corazón de lo que hace AgentAya: una pequeña agencia de viajes en Perú que compite contra una empresa como Expedia, que ya ha utilizado inteligencia artificial para reducir costos y mejorar márgenes. ¿Qué pasa con el jugador más pequeño que no se adapta?
“Las empresas necesitan subirse a este tren”, dice Henry. “Existe un riesgo real de que los pequeños negocios queden fuera de competencia frente a actores más grandes que implementan IA de manera más eficiente. Creo que eso es extremadamente probable, y en muchos sectores probablemente ya está ocurriendo.”
Las cifras lo respaldan. Según un informe de la Reserva Federal de St. Louis, la adopción de IA generativa en Estados Unidos alcanzó el 54,6 % de los adultos a mediados de 2025 y superó la tasa de adopción tanto de las computadoras personales como de internet en el mismo punto de su desarrollo. Mientras tanto, los datos globales de adopción de Microsoft muestran que las tasas de adopción promedian un 24,7 % en el Norte Global, pero solo un 14,1 % en el Sur Global, una brecha que corre el riesgo de ampliarse a medida que la inteligencia artificial se vuelve más central en la forma en que compiten las empresas.
Las herramientas de IA son imperfectas. Todavía alucinan, funcionan mejor en inglés que en otros idiomas. Sin embargo, el costo de no usarlas, de quedarse quieto mientras los competidores más grandes automatizan, es casi con certeza más alto que el costo de adoptarlas de forma imperfecta.
La respuesta no es una adopción a ciegas. Es una adopción informada: saber qué pueden y qué no pueden hacer las herramientas, cuáles valen tu tiempo y cuáles son solo marketing. Y significa tener acceso a esa información en tu propio idioma, escrita para negocios de tu tamaño.
Eso es lo que estamos construyendo en AgentAya.
El Dr. Henry Musto es investigador posdoctoral en la Universidad de Cambridge, donde trabaja entre el Departamento de Neurociencia Clínica (Rittman Lab) y el Departamento de Psiquiatría (PHAB Lab). Su investigación se centra en la IA traslacional para la predicción de la demencia y el seguimiento de la resiliencia en trabajadores de salud y asistencia social de primera línea. Antes de dedicarse a la academia, pasó 11 años como científico de datos en empresas como Visa, BBC, WPP y Omnicom.
Explora nuestras reseñas de herramientas de investigación con IA para encontrar herramientas que puedan apoyar tu trabajo.