Agentes de IA que multiplican su conocimiento

Lo que la IA reemplaza es la ejecución. Lo que no reemplaza — y lo que gana un valor dramático gracias a ella — es el juicio. La comprensión profunda de lo que constituye un buen resultado, de lo que debe contener un presupuesto correcto, de qué formulación se sostiene jurídicamente y cuál no. La palanca se desplaza: de la ejecución al juicio.

La competencia que importa se desplaza en consecuencia: de la maestría técnica de una herramienta hacia la claridad de intención. Quien sabe con precisión lo que necesita — y puede expresarlo como se lo diría a un colega competente — puede lograr ahora lo que antes requería departamentos enteros.

El Mittelstand tiene lo que la IA no tiene: experiencia sectorial profunda y específica. La capacidad de juzgar si un presupuesto de cocina está correctamente calculado. El conocimiento de qué norma DIN se aplica a un tipo de construcción determinado. Este saber reside en las mentes de empleados que llevan décadas en la empresa. La IA agéntica multiplica precisamente esta combinación.

Anthropic, la empresa detrás de Claude, ha elegido dirigir sus sistemas no mediante la obediencia a reglas, sino mediante un juicio cultivado. Lo sepan o no, este es el programa aristotélico: la máquina no debe seguir reglas. Debe hacer lo correcto en el momento adecuado.

Phronesis se basa en esta intuición. Nuestros agentes no siguen árboles de decisión rígidos. Poseen conocimiento sectorial, contexto y la capacidad de aplicar ambos de manera situacional. Lo que hace un buen presupuesto depende del cliente. Lo que constituye una respuesta adecuada a una reclamación depende del caso. Ninguna regla puede decidirlo de antemano — pero el juicio sí puede.

Las humanidades llevan 2.400 años trabajando en este problema. La capacidad de juzgar en situaciones concretas en lugar de ejecutar reglas — de hacer lo correcto en el momento adecuado en lugar de seguir un árbol de decisión — no es un problema técnico. Es un problema filosófico. Y precisamente por eso nos llamamos Phronesis.

Entre 1500 y 1800, la hermenéutica europea desarrolló una tradición que quedó enterrada en el siglo XIX: la probabilitas hermeneutica. Su respuesta a la duda total sobre la comprensión no fue: Encontraremos la certeza al fin y al cabo. Sino: No la necesitamos. Lo que la reemplazó fueron grados de probabilidad — certeza suficiente para propósitos prácticos.

Un modelo de lenguaje opera sobre distribuciones de probabilidad sobre secuencias de tokens — hace, a un nivel matemáticamente preciso, exactamente lo que la hermenéutica de la temprana modernidad describía conceptualmente: tratar el significado como un espacio probabilístico en el que uno se mueve de forma aproximativa. El modelo de lenguaje no es una desviación de la tradición hermenéutica. Es su realización técnica.

Y el bucle agéntico — el ciclo iterativo de buscar, encontrar, revisar, buscar más — no es otra cosa que el círculo hermenéutico que Gadamer describió como la estructura fundamental de la comprensión: solo se comprende la parte desde el todo, pero el todo solo desde las partes. Siempre se debe traer ya una precomprensión que se transforma en cada iteración.

Los modelos fundacionales se están convirtiendo en una commodity. Las diferencias de rendimiento entre GPT-5, Claude y Gemini se reducen. Los precios por token caen con una vida media de pocos meses. En un mundo donde la capacidad cognitiva se convierte en commodity, el valor se desplaza hacia lo que está por encima: orquestación, conocimiento sectorial, integración, gobernanza.

La paradoja de la productividad — por qué la IA no aparece en los datos macroeconómicos — tiene una explicación sencilla: el cuello de botella no es la capacidad de los modelos. Es la última milla. La traducción de la capacidad bruta de IA en herramientas específicas de dominio, conformes con la regulación, inmediatamente desplegables. Esa última milla es precisamente lo que Phronesis resuelve.

Europa ha perdido la capa de infraestructura. Pero a nivel de aplicación, tiene un genuino potencial de diferenciación: competencia regulatoria, conocimiento sectorial profundo, una estructura de Mittelstand de 3,5 millones de empresas demasiado pequeñas para sus propios departamentos de IA pero lo suficientemente grandes para ganancias de productividad sustanciales. Alemania no necesita tender sus propios raíles. Necesita hacer circular los trenes adecuados sobre ellos.