Redacción Digital Inside España
El ciclo inicial de la inteligencia artificial, impulsado por los grandes modelos de lenguaje, ha dado paso a una etapa de madurez técnica y estratégica en la que el debate se desplaza hacia los cimientos necesarios para llevar la IA al día a día de las organizaciones. En ese nuevo marco, la interoperabilidad entre agentes, la solidez de la infraestructura de datos y la evolución de los perfiles profesionales pasan a ser factores que, según este enfoque; determinarán qué compañías convierten la IA en una ventaja competitiva tangible.
José María Alonso (country manager de Snowflake para España y Portugal), sitúa 2026 como un año en el que la IA empresarial dependerá menos del “último modelo” y más de la interoperabilidad, los datos y los cambios organizativos.
Agentes que colaboran, se verifican y recuerdan
En la mayoría de despliegues actuales, los agentes de IA (software que ejecuta tareas de forma asistida o autónoma) operan dentro de entornos cerrados y, por tanto; no están preparados para “hablar” con agentes de otras plataformas. La previsión para 2026 apunta a un giro hacia estándares y protocolos abiertos que permitan esa comunicación, habilitando una dinámica en la que distintos agentes puedan descubrirse, negociar e intercambiar servicios de forma autónoma. Del mismo modo que la economía de las API conectó servicios de software en etapas anteriores.
La interoperabilidad, con estándares y protocolos abiertos, se perfila como la siguiente frontera para que agentes de distintas plataformas puedan comunicarse y colaborar en flujos de trabajo multiplataforma.
Otro freno para escalar el uso de agentes en procesos de varios pasos es la acumulación de errores. La evolución prevista pasa por dotar a estos sistemas de autoverificación mediante bucles internos de retroalimentación. De forma que la IA pueda comprobar la precisión de su trabajo y corregir fallos sin requerir supervisión humana constante en cada fase. La idea de fondo es que esa capacidad haga viables flujos complejos que, con el enfoque actual, resultan difíciles de mantener estables.
La autoverificación mediante bucles internos busca resolver el problema de la acumulación de errores en procesos de varios pasos y hacerlos fiables y escalables.
La retroalimentación aparece, además, como un mecanismo transversal para mejorar los resultados: cuanto más integrados estén los bucles de feedback en el funcionamiento natural de los productos, más rápido podrían afinarse sus respuestas y habilitar casos de uso más exigentes. En este terreno, se menciona el ejemplo de los copilotos de programación, que ya reciben señales continuas cuando los usuarios aceptan, ajustan o rechazan propuestas, aportando información útil para mejorar.
Los bucles de retroalimentación se plantean como un acelerador de mejora que, al integrarse en los productos, permitiría abordar casos de uso más complejos.
A esa evolución se suma otro cambio: pasar de asistentes meramente transaccionales a herramientas con memoria práctica. La limitación actual es que muchos sistemas “empiezan de cero” en cada interacción, sin conservar contexto útil. La previsión para 2026 es que la memoria se convierta en una capacidad central de los agentes, para almacenar y recuperar información relevante de conversaciones y contextos anteriores, incluyendo preferencias del usuario, historial de proyectos y objetivos en evolución.
La incorporación de memoria transformaría la IA de una herramienta puntual a un colaborador capaz de trabajar con contexto acumulado y personalización continuada.
Los datos como ventaja y la arquitectura como campo de batalla
En paralelo a la evolución de los agentes, el análisis apunta a una normalización de capacidades en los modelos de IA de vanguardia, con un “suelo” de rendimiento elevado en buena parte del mercado. Si crear aplicaciones con IA se vuelve más rápido y accesible para perfiles técnicos diversos, las diferencias entre productos tenderían a reducirse. En ese escenario, la ventaja sostenible se trasladaría desde el modelo o la aplicación hacia los datos propios de cada organización y su capacidad para razonar sobre ellos, alimentando un “data flywheel” en el que datos únicos permiten una IA mejor, que a su vez genera más datos con valor.
Con la aceleración de la comoditización en la pila de IA, la diferenciación se desplazaría hacia los datos propios y la capacidad de una organización para extraer razonamiento útil de ellos.
La perspectiva incluye también un cambio en el equilibrio de poder en modelos fundacionales. Para 2026, se plantea que el avance más relevante se está produciendo en el post-entrenamiento, cuando un modelo base se refina con datos especializados. Ese movimiento abriría la puerta a una ola de modelos de código abierto ajustables a casos de uso concretos, facilitando que startups e investigadores construyan soluciones potentes y a medida sobre una base compartida. En ese contexto se menciona el precedente de principios de 2025, cuando investigadores en China presentaron Deepseek, apoyado en metodologías de entrenamiento innovadoras, con capacidades de razonamiento destacables, rendimiento competitivo y la posibilidad de menor coste y mayor transparencia, cuestionando la idea de que “más grande” sea la única vía.
La innovación en post-entrenamiento y la aparición de alternativas como Deepseek a principios de 2025 alimentan un escenario de mayor democratización y personalización de modelos.
En la arquitectura de datos, el foco se desplaza hacia la capa de metadatos como plano de control de la arquitectura moderna. Con la adopción de formatos de tabla abiertos como Apache Iceberg y la maduración de catálogos de código abierto, la abstracción de metadatos respecto del almacenamiento y el cómputo se vuelve, en este planteamiento, una condición esencial para unificar gobernanza, descubrimiento y acceso en entornos fragmentados. La tesis es que ahí se dirimen la confianza, la transparencia y la agilidad, y que los estándares abiertos pasan a ser una ventaja estratégica.
La capa de metadatos se perfila como el punto donde se unifican gobernanza y acceso en ecosistemas fragmentados, y donde se juega la confianza y la agilidad del dato.
Ese giro tendría un reflejo directo en la dirección empresarial: 2026 se describe como el año en el que la alta dirección adopta formatos abiertos como base para la estrategia de IA, al considerar que ayudan a simplificar arquitecturas, reducir dependencia de proveedor (vendor lock-in) y permitir que una única copia de datos alimente múltiples motores. Bajo esta óptica, los formatos abiertos aportarían adaptabilidad y velocidad de innovación en un panorama de IA en rápida evolución, con impacto en costes y control de la estrategia de datos.
Nuevos roles y menos herramientas, pero más gobernanza
El tercer bloque de tendencias se centra en el factor humano y organizativo. El despliegue de IA sobre datos fragmentados o inconsistentes incrementa el riesgo de que distintos agentes operen con versiones contradictorias de la realidad, erosionando la confianza. La respuesta propuesta pasa por “dar sentido” a los datos antes de superponer IA, y ahí emerge la ingeniería analítica como rol empresarial esencial. Este perfil actuaría como traductor entre el negocio y la IA, apoyándose en la capa semántica (un mapa definitivo de los datos corporativos) para codificar conceptos como el valor de vida del cliente o la retención neta y sostener una fuente única de verdad para modelos, cuadros de mando y decisiones ejecutivas.
La ingeniería analítica y la capa semántica se plantean como piezas clave para evitar visiones contradictorias de los datos y sostener una fuente única de verdad al escalar la IA.
En paralelo, se anticipa una transición desde la proliferación de herramientas SaaS hacia una mayor simplicidad impulsada por IA, con plataformas “AI-first” que consolidan capacidades antes repartidas en múltiples aplicaciones de nicho. La implicación, desde el punto de vista de gestión, es una reducción de costes, menor carga de integración y posturas de seguridad más robustas, a cambio de exigir nuevos modelos de gobernanza para que esos sistemas consolidados no se conviertan en puntos únicos de fallo, especialmente en organizaciones donde CIO y CISO deben equilibrar eficiencia y riesgo.
El propio rol del CIO también se describe en evolución, desde una función centrada en operaciones de TI hacia un liderazgo de innovación empresarial. Sin abandonar métricas tradicionales, la orientación pasaría a diseñar resultados y ensamblar múltiples modelos de lenguaje para construir soluciones que resuelvan problemas actuales y anticipen necesidades futuras. En esa lectura, TI dejaría de ser solo infraestructura para convertirse en una palanca de inteligencia corporativa apoyada en soluciones impulsadas por IA.
Por último, el texto sitúa 2026 como un punto de inflexión para los ingenieros de datos, que comenzarían a delegar tareas en agentes de IA y a evolucionar de constructores a estrategas. Tras un 2025 centrado en preparar datos para la IA, el siguiente paso consistiría en supervisar y validar código generado por IA, con la vista puesta en una fase posterior de pipelines de datos autónomos que gestionen y orquesten flujos de forma más fluida. En paralelo, se subraya que, dado que el valor de la IA depende de la calidad del dato, estos perfiles ganarían peso en conversaciones de negocio y necesitarían comprender mejor el contexto empresarial y el impacto en cliente de los problemas que resuelven.
En 2026, la automatización inteligente sentaría las bases para que los ingenieros de datos deleguen tareas a agentes y ganen presencia en decisiones estratégicas del negocio.
