Microsoft disputa el aprendizaje de las empresas

Una corrección aparentemente trivial puede contener más valor que la respuesta que la provocó. Cuando una analista modifica una proyección, un abogado rechaza una cláusula sugerida o un técnico explica por qué una máquina no debe detenerse, no solo corrige un error. Está dejando una huella del criterio con el que funciona la empresa. Miles de esas intervenciones, acumuladas durante meses, forman un mapa preciso de decisiones, excepciones y prioridades que rara vez aparece completo en un manual.

Satya Nadella puso ese material en el centro de una nueva tesis empresarial. El presidente y director ejecutivo de Microsoft la llamó “paradoja inversa de la información”: la compañía que compra un servicio de inteligencia debe revelar conocimiento propio para obtener mejores resultados y corre el riesgo de que el proveedor aprenda más sobre ella de lo que ella aprende sobre el proveedor. Según su formulación, el cliente paga la factura y además aporta el combustible que vuelve más valioso al sistema.

La idea invierte una dificultad descrita por el economista Kenneth Arrow al estudiar el mercado del conocimiento. Quien compra información no puede conocer plenamente su valor antes de recibirla, pero una vez que la recibe ya la posee. El vendedor necesita mostrar lo suficiente para convencer y, al hacerlo, puede regalar aquello que intenta vender. Nadella traslada la vulnerabilidad al comprador: para que el modelo comprenda el negocio, el usuario debe abrirle documentos, procesos, criterios y correcciones que nadie fuera de la organización podría reunir con facilidad.

El diagnóstico resulta persuasivo porque describe un cambio de escala. Un chatbot utilizado para redactar un correo recibe una porción limitada de contexto. Un agente conectado al sistema financiero, los contratos, el inventario, el calendario y la mensajería interna observa una secuencia operativa mucho más rica. Puede registrar qué herramienta se consulta, qué salida se descarta, quién autoriza una excepción y qué resultado se considera correcto. El conocimiento ya no entra solamente en el cuadro de texto. Circula por toda la arquitectura.

Ese matiz es fundamental. La cobertura que presenta la intervención de Nadella como el momento en que Microsoft se cansó de “regalar información” a otras grandes tecnológicas simplifica demasiado el caso. Microsoft Foundry afirma expresamente que los prompts, las respuestas, los embeddings y los datos de entrenamiento de sus clientes no están disponibles para los proveedores externos de modelos, no se utilizan para mejorar productos sin permiso y no entrenan modelos fundacionales sin autorización. OpenAI declara que no usa por defecto los datos de ChatGPT Enterprise, ChatGPT Business ni su plataforma API para entrenar modelos. Anthropic sostiene lo mismo para Claude for Work y su API comercial.

La paradoja, entonces, no puede apoyarse en la imagen de una tubería que envía automáticamente cada secreto corporativo hacia el laboratorio que creó el modelo. En muchas implementaciones empresariales esa tubería está cerrada por contrato y por diseño. El argumento más sólido de Nadella comienza después: incluso cuando el modelo base no aprende con los prompts, alguien debe conservar la memoria de las tareas, convertir las correcciones en evaluaciones, ajustar instrucciones, seleccionar herramientas, medir resultados y decidir qué experiencia se acumula. La propiedad de esa capa determina quién captura el rendimiento adicional producido por el trabajo cotidiano.

El modelo no es la memoria

La palabra “aprender” provoca buena parte de la confusión. Un modelo de lenguaje puede procesar información sin incorporarla de manera permanente a sus parámetros. Durante una consulta, recibe un prompt, calcula una respuesta y termina la inferencia. Microsoft describe sus modelos desplegados en Foundry como sistemas sin estado: el prompt y la respuesta no quedan almacenados dentro del modelo ni se utilizan para reentrenar la base. Eso no impide que otros componentes conserven historial, archivos, vectores, trazas o resultados, siempre bajo las reglas del servicio y la configuración elegida.

Hay al menos cuatro operaciones diferentes que suelen comprimirse bajo el verbo aprender. Una es la inferencia, cuando el modelo responde con el contexto disponible. Otra es la recuperación de información, que busca documentos relevantes y los agrega temporalmente al prompt. Una tercera consiste en almacenar memoria o estado fuera del modelo para reutilizarlos en conversaciones y tareas posteriores. La restante modifica el sistema: puede ajustar parámetros, entrenar un modelo, refinar instrucciones o cambiar la orquestación a partir de ejemplos y evaluaciones.

La distinción cambia el análisis económico. Si una empresa entrega un manual interno para que un sistema responda una pregunta, el proveedor presta capacidad de cómputo e inferencia. Si la empresa registra miles de resultados correctos e incorrectos, construye un conjunto de evaluación y lo utiliza para optimizar cada nueva versión, ya no está consumiendo solamente un producto. Está creando un activo. Ese activo codifica qué significa “hacer bien” una tarea en circunstancias particulares.

Nadella denomina “escape de inteligencia” al conjunto de prompts, herramientas, correcciones, evaluaciones y trazas generado por el uso. La expresión tiene fuerza, aunque reúne materiales con estatutos distintos. Un prompt puede ser efímero. Una memoria puede permanecer en un almacén controlado por el cliente. Una evaluación privada puede no salir nunca de su entorno. Una reacción enviada voluntariamente con el botón de aprobación puede quedar sujeta a condiciones diferentes. Anthropic, por ejemplo, informa que el contenido comercial no se usa por defecto para entrenar, pero que una conversación enviada como comentario explícito puede conservarse y emplearse con ese fin. OpenAI también distingue entre el régimen empresarial predeterminado y los mecanismos voluntarios de intercambio de datos.

La arquitectura propuesta por Nadella intenta separar el modelo generalista de esa capa particular. Una empresa debería poder cambiar GPT por Claude, Gemini u otro sistema sin perder su memoria, sus evaluaciones ni su forma de coordinar herramientas. El modelo sería intercambiable; el aprendizaje institucional permanecería bajo una frontera de confianza controlada por la organización. La idea es razonable y coincide con una práctica prudente: diseñar la aplicación para que los datos, las métricas y la lógica de negocio no queden atrapados en una interfaz propietaria.

Pero una frontera de confianza no aparece por declarar que existe. Requiere saber dónde se almacenan los estados, quién administra las claves, cuánto tiempo se retienen los registros, qué personal puede acceder, qué ocurre con los datos usados para detectar abusos, cómo se elimina una cuenta y qué formato recibe el cliente al marcharse. También necesita una respuesta para los datos derivados. Exportar documentos originales sirve de poco si las relaciones entre ellos, las evaluaciones históricas y las decisiones acumuladas solo funcionan dentro de la plataforma anterior.

La advertencia también vende Azure

Microsoft no observa el problema desde una posición neutral. Azure compite por ser el lugar donde las empresas desplieguen modelos de distintos fabricantes, conecten sus bases de datos y ejecuten agentes. Si el modelo base tiende a convertirse en un componente intercambiable, el valor económico se desplaza hacia la nube, la identidad, la seguridad, la observabilidad, la memoria y la orquestación. Son precisamente las capas en las que Microsoft posee productos, relaciones comerciales e infraestructura.

La paradoja inversa ofrece una justificación intelectual para ese movimiento. Nadella recomienda control, capacidad, elección, costo y acumulación. La empresa debe conservar evaluaciones privadas, memoria, trazas y comentarios; construir entornos de aprendizaje dentro de su dominio; desacoplar la aplicación de un modelo específico; seleccionar la combinación más eficiente para cada tarea; y hacer que todo el circuito aumente el valor de la organización. Leído como arquitectura, es un programa de soberanía técnica. Leído como estrategia comercial, es una descripción casi perfecta de la plataforma que Microsoft quiere vender.

La ironía no invalida el planteo, pero obliga a ubicarlo. Nadella cuestiona que el valor se concentre en los propietarios de la infraestructura de aprendizaje y propone distribuir esa infraestructura. Microsoft es, al mismo tiempo, uno de los mayores propietarios de infraestructura digital del planeta. La distribución imaginada no supone necesariamente que cada compañía opere servidores propios ni que abandone las grandes nubes. Puede significar que el aprendizaje quede aislado dentro de un tenant de Azure y se administre con servicios de Microsoft.

Este punto importa porque la nube ya exhibe fuertes costos de cambio. Trasladar datos es apenas una parte de una migración. También deben recrearse permisos, redes, monitoreo, bases administradas, automatizaciones y controles regulatorios. En un sistema de agentes se agregan historiales, conectores, catálogos de herramientas, evaluaciones y políticas de ejecución. Cuanto más aprende una aplicación sobre la empresa, mayor es el incentivo para no moverla. El activo que protege al cliente puede transformarse en el mecanismo que lo retiene.

La Unión Europea comenzó a tratar ese problema antes de que Nadella le pusiera nombre. El Data Act, aplicable desde septiembre de 2025, establece requisitos para facilitar el cambio entre servicios de procesamiento de datos. Los proveedores de plataformas y software deben ofrecer interfaces abiertas y permitir la exportación en formatos comunes y legibles por máquina. La norma incluye datos de entrada y salida, además de metadatos generados por el uso, aunque excluye ciertos materiales protegidos por propiedad intelectual o secretos comerciales del proveedor.

Ese marco ayuda, pero no resuelve automáticamente la propiedad del aprendizaje. Una traza exportable puede conservar los pasos de un agente y aun así perder su utilidad si depende de funciones exclusivas. Un conjunto de evaluaciones puede viajar, pero no las herramientas que lo ejecutan. Un modelo ajustado puede pertenecer al cliente y no ser compatible con otra infraestructura. La portabilidad jurídica necesita una portabilidad técnica verificable, y esa verificación solo aparece cuando una organización intenta reconstruir su sistema fuera del proveedor original.

La competencia entre modelos agrega otra capa. Microsoft mantiene una relación estratégica con OpenAI y, a la vez, ofrece modelos de otros proveedores. Su interés no es que cada cliente apueste toda la operación a una única familia. Si los modelos de frontera alcanzan rendimientos suficientemente cercanos para numerosas tareas, la plataforma capaz de compararlos, gobernarlos y reemplazarlos gana poder. La neutralidad entre modelos puede ser útil para el comprador y muy rentable para el intermediario.

Por eso la intervención de Nadella debe leerse como una señal sobre la maduración del mercado. La batalla inicial se concentró en quién construía el modelo más capaz. La siguiente se libra por la capa que decide qué modelo usar, con qué contexto, bajo qué permisos y según qué criterio de éxito. Allí se acumula información menos vistosa que un nuevo récord de benchmark, pero mucho más difícil de copiar: la experiencia concreta de una organización puesta a trabajar.

Qué debería exigir una empresa

Una política seria no comienza prohibiendo todos los modelos externos ni suponiendo que cualquier consulta alimenta un entrenamiento secreto. Empieza por clasificar los usos. Redactar una descripción pública no presenta el mismo riesgo que analizar expedientes confidenciales. Un asistente aislado no observa lo mismo que un agente con acceso a pagos, clientes y contratos. La gobernanza debe seguir el recorrido de la información y las acciones disponibles, no la marca visible en la pantalla.

El contrato necesita distinguir prestación del servicio, conservación, supervisión de abusos, comentario voluntario, mejora del producto y entrenamiento de modelos. Una frase general sobre “no usar datos para entrenar” es insuficiente si no explica qué ocurre con telemetría, metadatos, trazas y contenido enviado a soporte. También debe precisar qué cambios de política requieren consentimiento, qué subcontratistas intervienen y si el cliente puede obtener condiciones de retención reducida para cargas sensibles.

La arquitectura debe conservar fuera del modelo todo aquello que constituye ventaja institucional. Las evaluaciones, reglas, instrucciones de sistema, esquemas de herramientas, permisos, catálogos de datos y registros de decisiones deberían tener responsables claros y formatos accesibles. El proveedor puede alojarlos, pero la empresa necesita capacidad contractual y técnica para extraerlos, auditarlos, eliminarlos y reutilizarlos. “Propiedad” sin esas facultades es una palabra decorativa.

Las pruebas de salida son el control más incómodo y más revelador. Una empresa puede seleccionar una muestra de tareas, exportar memoria y evaluaciones, sustituir el modelo y medir cuánto rendimiento conserva. También puede intentar trasladar una parte del sistema a otra nube. Si el ejercicio exige reconstruir meses de trabajo o sacrificar funciones esenciales, la supuesta independencia es ficticia. La continuidad no debería depender de que un modelo, una API o una condición comercial permanezcan disponibles para siempre.

El criterio humano merece la misma atención. Nadella presenta cada corrección como conocimiento institucional potencial, pero no todas las correcciones son correctas ni representan una política autorizada. Una preferencia individual puede introducir errores; una decisión excepcional puede convertirse indebidamente en regla; una evaluación mal diseñada puede optimizar el sistema hacia una métrica equivocada. Acumular aprendizaje sin gobierno también acumula contradicciones. La empresa necesita identificar quién valida, qué evidencia respalda una corrección y cuándo debe caducar.

El problema tampoco se reduce a secretos comerciales. Las trazas pueden contener datos personales, decisiones laborales, información de clientes o razonamientos sujetos a obligaciones regulatorias. Conservar todo para mejorar un agente aumenta el valor del sistema y, simultáneamente, la superficie de exposición. La memoria útil debe ser selectiva. Registrar menos, anonimizar cuando sea posible y separar los datos de identificación puede resultar más inteligente que construir un archivo total de la actividad corporativa.

La mejor lectura de la paradoja inversa no es que toda empresa deba entrenar un modelo propio. La mayoría carece de motivos económicos para hacerlo. Su ventaja puede residir en evaluaciones especializadas, fuentes bien gobernadas, reglas de negocio y una capa de orquestación capaz de usar varios modelos. Proteger el aprendizaje significa conservar esos componentes y decidir cómo circulan, no reproducir el costoso laboratorio de una gran tecnológica.

Nadella no anunció el fin de una transferencia clandestina de datos hacia OpenAI o Anthropic. Formuló algo más interesante: cuando los modelos se vuelven sustituibles, la competencia se desplaza hacia la infraestructura que recuerda, evalúa y mejora. Las empresas que no controlen esa capa seguirán pagando por inteligencia. La diferencia es que descubrirán demasiado tarde que la parte más valiosa de lo comprado fue producida por sus propios trabajadores.