La evolución de la industria de la IA entra en la 'zona de diferenciación' mientras los diseños dominantes se retrasan

Este artículo tiene aproximadamente 18.000 palabras y su estructura principal es la siguiente:

• Los juicios intuitivos o abstractos sobre el desarrollo de la IA pueden ser difíciles de utilizar para guiar decisiones de manera efectiva

• Dos herramientas clásicas de análisis de evolución industrial (Utterback + Klepper)

• Analizar mediante el marco de fusión: ¿En qué etapa se encuentra actualmente la industria de la IA?

• Una nueva pregunta que debe hacerse: ¿Cómo será el ritmo futuro?

• Escala de tiempo de la evolución de la industria de la IA: desde la era manufacturera hasta la era digital

• Coordenadas temporales específicas del cambio de IA (proyección)

• Validar en reversa con las tendencias más recientes

Abre tu teléfono y casi todos los días te llegan actualizaciones sobre IA: un modelo acaba de lanzarse y supera nuevamente el rendimiento; una empresa obtiene nueva financiación y su valoración alcanza un nuevo récord; el número de usuarios de una plataforma rompe un nuevo récord; en una clasificación, el líder de ayer ya ha sido superado hoy. La densidad y la velocidad de la información superan con creces cualquier otra变革 tecnológica anterior.

La sensación persiste en la recién concluida WAIC de julio. El recinto está lleno de datos en constante actualización, rendimientos que superan constantemente, parámetros técnicos y formas de producto actualizados; desde laboratorios de vanguardia, grandes empresas y startups, hasta actores de industrias tradicionales, fabricantes de dispositivos finales e instituciones de investigación, cada vez más empresas de diversos tipos están ingresando intensamente y integrándose en esta vasta revolución tecnológica e industrial.

La gran cantidad de información y la gran cantidad de participantes naturalmente generan dos reacciones comunes.

Una es la ansiedad: ¿estoy retrasado? ¿Está mi empresa perdiéndose algo? ¿Si no actúo esta semana, será demasiado tarde la próxima?

Otra es el juicio impulsivo: ¿quiénes ya han ganado? ¿Quiénes ya han sido eliminados? ¿Ha quedado casi definido el panorama de esta industria?

Detrás de ambas reacciones en realidad hay la misma pregunta: ¿En qué etapa se encuentra actualmente la industria de la IA? ¿Y cómo podemos hacer este juicio de manera racional?

Actualmente también existen algunas afirmaciones populares, como "la IA ya ha entrado en una nueva etapa". Desde sus respectivas perspectivas, estos juicios tienen su lógica y fundamento. Sin embargo, para los tomadores de decisiones empresariales que deben realizar evaluaciones y decisiones estratégicas rigurosas, es posible que primero necesiten responder preguntas más fundamentales: ¿en qué nos basamos para determinar que la etapa anterior ha terminado? ¿Cómo podemos estar seguros de que la IA ya ha entrado en una nueva etapa? ¿Cuáles son sus características específicas? ¿Qué patrones internos la rigen? ¿En qué etapas se divide el ciclo completo? Estas preguntas requieren un marco de análisis más riguroso y científico para llegar a juicios más confiables: este es precisamente un problema fácilmente ignorado en la actual transformación de la IA, pero cuyo costo podría ser muy alto. Un juicio erróneo sobre la etapa industrial afectará directamente la dirección, el ritmo y la prioridad de la inversión de recursos: si se identifica mal la etapa, todos los movimientos podrían desviarse.

En la discusión actual sobre IA, numerosos académicos han comenzado a analizar y evaluar la etapa en que se encuentra la industria. Entre ellos, el artículo extenso de Karim Lakhani, profesor de la Harvard Business School, publicado en marzo de 2026 en su Substack personal titulado “From Ferment to Dominant Design”, constituye un intento representativo. Él utiliza herramientas de análisis desarrolladas durante décadas por dos académicos de gran prestigio en el estudio de la innovación industrial —James Utterback (MIT) y Steven Klepper (Carnegie Mellon)— basadas en datos históricos completos de múltiples industrias, para evaluar la competencia en modelos de IA grandes y presentar varias observaciones originales (que se desarrollarán más adelante). Su conclusión central es que la IA actualmente se encuentra en la fase tardía de fluidez, y que el diseño dominante aún no se ha establecido; el orden industrial debe considerarse una pregunta pendiente, no una conclusión ya dada. Esta perspectiva coincide con la dirección de este artículo y es una de las fuentes clave de ideas que el autor incorporó al desarrollar este marco.

Este artículo desarrollará completamente el marco clásico de dos académicos, explorando un marco de análisis extendido para la era digital/AI, combinado con los datos y avances más recientes de la industria en 2026. Primero, se evaluará rigurosamente la etapa actual en la que se encuentra la evolución de la industria de la IA, y luego se planteará una pregunta clave que el profesor Lakhani no respondió, pero que es fundamental para los tomadores de decisiones empresariales: según las leyes generales de la evolución industrial, ¿cómo será el ritmo futuro hasta la consolidación del diseño dominante y la aparición de una reestructuración profunda?

Este es el "escalado temporal de la evolución de la industria de la IA" del que se habla en este artículo: dónde estamos y cómo será el ritmo futuro.

Estas dos herramientas clásicas son los activos académicos públicos más influyentes en el campo de la investigación de innovación industrial. Su valor no radica en teorías abstractas, sino en que ambas son patrones derivados de grandes cantidades de datos históricos y validados mediante múltiples pruebas empíricas.

Las tres etapas de la evolución industrial de Utterback: desde la perspectiva del "dimensionamiento del producto"

James Utterback es profesor de la Escuela de Administración Sloan del MIT y uno de los pioneros en el campo de la innovación industrial y la evolución tecnológica. Su estudio clásico, realizado en colaboración con William Abernathy ya en 1975, observó la historia de la evolución tecnológica en decenas de industrias manufactureras y, en su obra consolidada de 1994, "Mastering the Dynamics of Innovation", sistematizó una ley sorprendentemente consistente: la evolución tecnológica de casi todas las industrias sigue una secuencia tripartita reconocible.

Fase de fluidez (Fluid Phase) — Todos están probando. Todavía no hay respuestas sobre cómo debería ser el producto, qué quieren realmente los clientes o qué significa “suficientemente bueno”. Coexisten múltiples diseños en competencia, la barrera de entrada es baja y la innovación se centra en el nivel del producto. La pregunta central es: ¿Qué debería ser el producto?

Fase de transición — Algunas decisiones de diseño comienzan a estabilizarse y emerge un diseño dominante. El enfoque de la innovación pasa de "¿qué debería ser el producto?" a "¿cómo hacer el producto más barato, más confiable y más escalable?" — de la innovación del producto a la innovación del proceso. La pregunta central se convierte en: ¿qué es lo que los clientes valoran más?

Fase específica (Specific Phase): el diseño del producto se estabiliza básicamente, y la competencia se desplaza hacia la eficiencia: quién lo haga más barato, más confiable y a mayor escala. La innovación se vuelve incremental, y la industria se vuelve altamente concentrada. La pregunta central se convierte en: ¿quién puede entregar de manera más confiable, más barata y a mayor escala?

La idea clave de este modelo es que, en las tres etapas, "quién va en cabeza" es completamente diferente. Las capacidades de los ganadores en la etapa de fluidez (experimentación, velocidad, imaginación, tolerancia al error) son radicalmente distintas de las de los ganadores en la etapa de especialización (escala, costo, disciplina, confiabilidad). Que una empresa vaya en cabeza durante la etapa de fluidez no significa que tenga la capacidad de seguir liderando en la etapa de especialización; esta es la razón profunda por la que, en muchos cambios industriales, los líderes del pasado terminan quedándose fuera.

Además, Utterback y Suárez (1993) señalaron posteriormente que la evolución industrial no siempre recorre las tres etapas: algunos sectores terminan formando un diseño dominante (trayectoria A), mientras que otros pueden permanecer durante mucho tiempo en una coexistencia de múltiples trayectorias (trayectoria B).

2.1.1 Conceptos clave: ¿Qué es "diseño dominante" y existirá en la era de la IA?

En las tres fases, el diseño dominante es el concepto más central y merece una explicación más detallada.

El diseño dominante no es "que un producto de una empresa gane", sino "que una combinación específica de tecnologías y forma de producto se convierta en el estándar de facto de toda la industria". Una vez establecido, los nuevos participantes para competir deben hacerlo sobre la base de este diseño: los productos que se desvían de él casi inevitablemente corren el riesgo de ser marginados.

El ejemplo más clásico es el Ford T de 1908: lo que estableció no fue que "la marca Ford ganara", sino que la combinación de "motor de combustión interna de gasolina + motor delantero + tracción trasera + producción en cadena" se convirtió en la respuesta predeterminada para toda la industria automotriz durante las siguientes décadas. Desde entonces, todos los fabricantes de automóviles han competido dentro de este marco de diseño dominante para ver quién lo hacía mejor, en lugar de cuestionar nuevamente "cómo debería verse un automóvil".

Una vez establecido el diseño dominante, las reglas del juego de la industria cambian silenciosamente: el foco de la innovación pasa de "¿qué debería ser el producto?" a "¿cómo hacer el producto más barato, más confiable y más escalable?" —de la innovación del producto a la innovación del proceso. Este es el punto de inflexión más crucial entre la fase de transición y la fase especializada.

Una pregunta natural: ¿Aún habrá diseño dominante en la era de la IA?

Creo que la respuesta es sí, pero la forma será diferente a la era de la manufactura. Siempre que la industria requiera entrega a escala, colaboración ecológica y estabilidad en las expectativas de los usuarios, se formará algún tipo de "estándar de facto": esto es una exigencia económica del funcionamiento industrial. Aunque la era de Internet tiene un ritmo más rápido, aún así surgieron diseños dominantes como TCP/IP, HTTP, HTML y el núcleo Chromium.

Sin embargo, el diseño dominante en la era de la IA es más probable que sea "jerárquico, múltiple y componible": ya no será "un solo formato de producto que lo domine todo", sino que en diferentes capas de la pila tecnológica surgirán estándares de facto, conectados entre sí mediante interfaces y protocolos.

En otras palabras, el diseño dominante de la era de la IA probablemente no sea "el próximo modelo T", sino más bien una pila de protocolos jerárquicos similares a "TCP/IP + HTTP + HTML", donde cada capa es estable y las capas interactúan entre sí mediante interfaces estándar. Ya están surgiendo elementos como el MCP (Model Context Protocol), redes A2A (Agent-to-Agent) y normas de llamadas API de facto, que podrían ser los primeros indicios de este tipo de "diseño dominante de próxima generación". El diseño dominante no ha desaparecido; simplemente ha cambiado su forma de presentación.

2.1.2 Datos históricos corroboran

La confiabilidad del modelo de tres etapas de Utterback proviene de su descripción precisa de múltiples procesos de establecimiento de diseños dominantes:

• Industria automotriz: Después de que el modelo T de Ford estableciera el diseño dominante en 1908, la industria automotriz pasó rápidamente de la etapa fluida a la etapa de transición.

• Industria de la televisión: Al principio, las televisiones en blanco y negro coexistieron con múltiples soluciones en color; tras la establecimiento del estándar NTSC de televisión en color en 1953, se entró en una fase de transición.

• Computadoras personales: A finales de los años 70 surgieron múltiples arquitecturas como Apple II, TRS-80 y Commodore, hasta que en 1981 la arquitectura IBM PC junto con la alianza Wintel establecieron finalmente el diseño dominante.

• Teléfonos inteligentes: Antes del lanzamiento del iPhone en 2007, el mercado tenía diversos diseños, como BlackBerry, Nokia Symbian y Windows Mobile. Tras la consolidación del diseño combinado iPhone + iOS/Android, otras vías se retiraron rápidamente del mainstream.

Característica común: todas pasan primero por una etapa de flujo con múltiples líneas coexistentes, y luego una combinación específica se convierte en el diseño dominante. La consistencia de esta ley es la base empírica del modelo de Utterback.

2.2 Dinámica poblacional industrial de Klepper: desde la perspectiva "empresarial"

Steven Klepper es profesor de economía en la Universidad Carnegie Mellon y uno de los principales académicos en investigación sobre organización industrial y evolución empresarial. Ya en 1982, Klepper colaboró con Michael Gort para desarrollar el primer modelo matemático formal del ciclo de vida industrial desde la perspectiva de la economía industrial (conocido comúnmente en la comunidad académica como el modelo G-K). Posteriormente, publicó una serie de estudios independientes que profundizaron esta línea de investigación. Basándose en un estudio sistemático de datos históricos de varias industrias durante décadas, Klepper descubrió un patrón consistente en la entrada y salida de empresas durante su proceso de generación y desarrollo:

Entrar en alza → Pico en número de empresas → Gran reestructuración → Dominio de pocas empresas líderes.

La base empírica de esta ley es el seguimiento completo del origen, la ubicación y el año de producción de cada empresa que ingresó a la industria automotriz estadounidense entre 1895 y 1966. Los datos son los siguientes:

Aquí hay una paradoja asombrosa:

Desde el pico hasta la profunda integración de la década de 1960, pasaron aproximadamente 50 a 60 años, pero durante ese tiempo, la producción anual de automóviles en Estados Unidos aumentó cientos de veces en una escala logarítmica. En otras palabras, la industria se volvió extremadamente grande, mientras que el número de empresas se volvió extremadamente reducido. La industria no luchó; floreció; los que murieron fueron los débiles, no la demanda.

Klepper también verificó la misma tendencia en múltiples industrias, haciendo que esta forma de "ascenso-pico-decaída" ya no sea un caso exclusivo de la industria automotriz: la industria de televisores (más de 80 participantes a principios de la década de 1950, seguida de una consolidación relativamente rápida), máquinas de escribir, tubos de vacío, neumáticos, penicilina, entre otros, mostraron la misma forma básica. Esto proporcionó una base empírica sólida a la teoría de Klepper.

2.2.1 Una teoría clave: Teoría de la síntesis de diferencias de capacidad

Klepper explicó el fenómeno anterior con una teoría: la teoría de la acumulación de diferencias de capacidad:

Shuffling is not a sudden judgment by the market, but the inevitable result of compounded differences in corporate capabilities over time.

Las diferencias entre empresas en términos de capacidad de innovación, crecimiento y reducción de costos se amplificarán exponencialmente con el tiempo, hasta que los más débiles caigan por debajo de la línea de supervivencia. Esta teoría tiene tres puntos clave:

En primer lugar, las diferencias en capacidad a menudo tienen su origen en accidentes tempranos. Durante los primeros años en que las empresas ingresan a una industria, sus capacidades son en realidad similares; sin embargo, debido a unas pocas decisiones distintas en cuanto a decisiones clave, talento clave u oportunidades clave, comienzan a surgir diferencias en capacidad. Estas diferencias, al principio, parecen casi insignificantes.

En segundo lugar, las diferencias en capacidad se refuerzan a sí mismas y se amplifican exponencialmente. Las empresas ligeramente más capaces obtienen una mayor cuota de mercado → más recursos y oportunidades de aprendizaje → una capacidad aún mayor; este es un ciclo de retroalimentación positiva. Las empresas ligeramente menos capaces caen en un ciclo de retroalimentación negativa opuesto. Con el paso de los años, la diferencia inicial "irrelevante" se compone hasta convertirse en una brecha "inalcanzable".

Tercero, cuando la diferencia se acumula hasta el "umbral crítico", los más débiles son expulsados. Las semillas de la eliminación ya se sembraron en las primeras etapas del período de flujo: aparentemente todos corren, pero en realidad, la tasa compuesta de sus bases es completamente diferente.

El estudio anterior llega a una conclusión que debe alertar a los gerentes empresariales: esperar hasta que los estados financieros se deterioren para comenzar a priorizar el desarrollo de capacidades ya es demasiado tarde; esperar hasta que aparezcan señales visibles de reestructuración para iniciar la mejora de capacidades significa que la ventana de oportunidad ya se ha cerrado. Lo que realmente determina quién podrá atravesar la reestructuración es si la empresa, desde sus inicios, ha considerado la "tasa de composición de capacidades" como la variable estratégica más importante.

2.2.2 Otra observación importante e contraintuitiva: la ventana de entrada se cierra antes que la señal de barajado

Además de la teoría de la síntesis de diferencias de capacidad, Klepper tiene otra observación contraintuitiva pero extremadamente importante: la "ventana de entrada" de la industria se cierra antes que las "señales de reestructuración".

Volviendo a los datos de la industria automotriz: después de alcanzar su pico en el número de empresas entre 1907 y 1910, la tasa de entrada de nuevas empresas cayó drásticamente después de 1910—en ese momento aún no había señales claras de consolidación, la industria seguía creciendo rápidamente y los medios no habían comenzado a reportar noticias sobre "la salida de tal empresa". La consolidación verdaderamente evidente (la disminución continua del número total de empresas durante décadas) no comenzó hasta después de 1920. Es decir:

• Alrededor de 1910: desde el exterior aún parecía una "escena de prosperidad, con todos fabricando automóviles", pero la ventana de entrada para nuevos participantes ya había comenzado a cerrarse (los nuevos jugadores que realmente querían ingresar ya eran cada vez menos).

• 1920-1960: Las señales de consolidación comenzaron a aparecer, los medios comenzaron a informar sobre la integración, y fue entonces cuando los observadores comunes se dieron cuenta: "Oh, la industria se está consolidando".

• Cuando los observadores se dieron cuenta, la ventana de entrada ya había estado cerrada durante 10 a 15 años.

Esta observación tiene fuertes implicaciones prácticas: las empresas no pueden esperar a que aparezcan "señales visibles de reestructuración" para decidir si ingresar a una industria o un nivel determinado, porque cuando las señales se hacen evidentes, la ventana de entrada ya se ha cerrado. Un juicio de entrada verdaderamente inteligente debe completarse ya cuando "aún parece próspero y todos están entrando", evaluando de forma independiente si la ventana está cerrándose.

Esta observación se volverá a mencionar al discutir las coordenadas temporales de la IA: la ventana de entrada de los grandes modelos de IA podría cerrarse antes de lo que la mayoría de los observadores esperan.

2.3 Cada una de las dos herramientas tiene sus ciegos; usarlas en conjunto favorece un juicio científico sobre la etapa industrial.

Cada herramienta por separado tiene claros puntos ciegos: Utterback te dice "cómo evoluciona el diseño del producto", pero no te indica qué empresas sobrevivirán; Klepper te dice "cómo se eliminan las empresas", pero no te muestra cómo cambiará el proceso del producto. Usar solo una herramienta te muestra solo la mitad del panorama de la evolución industrial.

Una evolución completa de una industria, que incluye los dos procesos de "convergencia del diseño técnico" y "reestructuración de la población empresarial": el primero puede responderse con las herramientas de Utterback, y el segundo con las herramientas de Klepper. Estos dos procesos están relacionados pero no están completamente sincronizados: la establecimiento del diseño dominante generalmente ocurre después del pico en el número de empresas y antes del aceleramiento de la reestructuración.

La industria automotriz es así: en 1907-1910, el número de empresas alcanzó un pico de 275, en 1908 el modelo T de Ford estableció el diseño dominante, y después de 1910 la tasa de entrada cayó drásticamente; a partir de 1920, el número total de empresas comenzó a disminuir significativamente. Ambos procesos se influyen mutuamente y definen juntos el ritmo completo de la evolución industrial.

Combinar el uso de dos herramientas significa analizar la industria simultáneamente desde la perspectiva del "producto" y la perspectiva de la "empresa": cualquier juicio sobre la etapa de evolución de una industria solo es más confiable y más científico cuando las observaciones en ambos dimensiones se corroboran mutuamente.

3.0 Descripción del alcance del análisis

La "revolución de la IA" es un concepto muy amplio. El alcance de este análisis se centra en el conjunto interrelacionado y evolutivo de "los grandes modelos de IA y sus aplicaciones y productos relacionados", que incluye el propio modelo base, las aplicaciones y formas de producto derivadas de estos modelos (modelo impulsado por IA para chat, programación, Agentes, copiloto, multimodalidad e inteligencia encarnada), así como los activos complementares estrechamente relacionados (nube, poder de cómputo, chips, cadena de herramientas, sistemas de evaluación). Estas tres partes no son tres industrias independientes, sino tres niveles interconectados del mismo proceso evolutivo industrial.

No incluido en el análisis de este artículo: las partes que involucran formas físicas independientes o lógicas industriales independientes —como el cuerpo mecánico/hardware de los robots humanoides, o industrias verticales como AI+salud/ley/educación—, las cuales tienen sus propias leyes industriales independientes y no pueden aplicarse directamente las coordenadas temporales de este artículo.

3.1 Desde la perspectiva de Utterback: cada capa aún está en fase de flujo

Al observar los modelos de IA grandes y sus aplicaciones actuales mediante el modelo de tres etapas de Utterback, se descubre que casi cada nivel importante aún está en disputa.

Capa de arquitectura: ¿Será Transformer el punto final? ¿O surgirá como vencedor alguna rama de los Expertos Mixtos (MoE), modelos de espacio de estado (familia Mamba), modelos del mundo, cálculo durante la inferencia o arquitecturas nativas de Agentes? Mientras que en 2026 las principales empresas invertirán masivamente en la ruta MoE, direcciones alternativas como modelos del mundo y arquitecturas nativas de Agentes también continúan recibiendo avances significativos de la comunidad académica e industrial; la discusión pública sobre la disminución de los rendimientos marginales de las Leyes de Escalado ha llevado a la industria a replantearse si existen otras posibilidades subyacentes. La ruta arquitectónica está lejos de converger.

Capa de forma de producto (cómo se materializará finalmente la IA para llegar a los usuarios y empresas) — actualmente hay al menos seis formas en competencia paralela:

Seis formas coexisten y compiten entre sí, y ninguna puede afirmar que ha salido victoriosa: este es precisamente el rasgo típico del período de fluidez, en el que coexisten múltiples formas de productos.

Capas de competencia: razonamiento, codificación, costo, latencia, longitud del contexto, multimodalidad, capacidad de agente/duración de tareas autónomas, confiabilidad/tasa de alucinaciones, seguridad/control: ¿cuál dimensión terminará siendo definida por el mercado como la “más importante”? Cada fabricante afirma liderar en la dimensión en la que es más fuerte, pero aún no existe consenso en el mercado sobre “qué dimensión es la más importante”. En particular, esta nueva dimensión de “cuánto tiempo puede funcionar de forma independiente”: de ser un tema marginal en 2025 a convertirse en un indicador central en la conferencia principal de WAIC en 2026 en solo un año, es en sí misma una señal de que las dimensiones de competencia aún no están definidas.

Desde la perspectiva de Utterback, los grandes modelos de IA y sus aplicaciones claramente aún se encuentran en una etapa fluida: coexisten múltiples rutas, los conceptos de producto son inciertos y los dimensiones de la competencia no están definidas.

3.2 Desde la perspectiva de Klepper: período de alta entrada, pero la diferenciación de capacidades ya se ha formado en silencio

Desde la dinámica poblacional industrial de Klepper sobre la industria de los grandes modelos de IA, se observa el fenómeno de "coexistencia de contradicciones".

Por un lado, las empresas globales de modelos de IA grandes aún se encuentran en una fase de alta entrada: OpenAI, Anthropic, Google, Meta, xAI, Mistral, además de Baidu, Alibaba y Tencent de China, DeepSeek , Lún de la Cara Oscura, Zhipu, ByteDance, entre otros, además de innumerables startups enfocadas en escenarios específicos. Los nuevos entrantes siguen apareciendo continuamente, con un fuerte carácter de experimentación intensa.

Por otro lado, la asimetría de capacidades entre las empresas líderes ya se está ampliando silenciosamente: poder de cómputo (quién puede asumir los costos de entrenamiento a escala masiva), distribución (quién controla los puntos de acceso), clientes empresariales (quién ha acumulado confianza en la industria) y velocidad de aprendizaje organizacional (quién convierte más rápidamente cada avance tecnológico en productos y capacidades comerciales). Este es el escenario en el que está ocurriendo en silencio la "composición de diferencias de capacidad": la brecha observada hoy entre los líderes y los no líderes es, en gran medida, el resultado de una "composición" acumulada durante los últimos 3-4 años.

Desde la perspectiva de Klepper, la industria de los grandes modelos de IA se encuentra en una "etapa de alta entrada, pero ya ha comenzado la diferenciación de capacidades": similar a la industria automotriz entre 1900 y 1910, cuando el número de empresas aún estaba aumentando hacia su pico, pero algunos actores ya estaban distanciándose silenciosamente.

3.3 Prueba rigurosa del diseño dominante: cinco factores impulsores

Anteriormente, basándose en Utterback + Klepper, se llegó a la conclusión de que los grandes modelos de IA y sus aplicaciones se encuentran en la fase tardía de fluidez. Esta conclusión merece ser verificada nuevamente de forma comprobable: el autor, sintetizando las investigaciones y argumentos de académicos como Utterback, Suárez y Christensen, ha identificado cinco factores que facilitan el establecimiento del diseño dominante. Históricamente, el establecimiento de un diseño dominante generalmente requiere que al menos 3-4 de estos factores estén presentes simultáneamente:

• Factor uno: Viabilidad técnica: un diseño muestra una convergencia clara en rendimiento integral y viabilidad de ingeniería, y la industria efectivamente se dirige hacia esta dirección, convirtiéndose en la "solución reconocida" en la trayectoria tecnológica

• Factor 2: Maturidad de los activos complementarios: se establecen cadenas de suministro, estándares, herramientas, sistemas de capacitación y ecosistemas de desarrolladores en torno a este diseño, generando bloqueo ecológico

• Factor 3: Economies of scale in action — the scaled delivery of this design creates a positive flywheel of "lower costs + positive unit economics + viable business model," and the cycle of investment-return-reinvestment begins to turn.

• Factor 4: Impulso de los fabricantes dominantes: unas pocas empresas con influencia en el mercado adoptan y promueven este diseño, estableciendo así un estándar de facto mediante su cuota de mercado y su capacidad de atracción ecológica.

• Factor 5: Intervención gubernamental/regulatoria: imposición o orientación hacia la uniformidad mediante legislación estandarizada, sistemas de certificación y marcos regulatorios

El modelo T de Ford se convirtió en el diseño dominante de automóviles en 1908 porque cinco factores se cumplieron casi simultáneamente: viabilidad técnica (motor de combustión interna + configuración de motor delantero óptima), activos complementarios (estaciones de servicio, red de mantenimiento) que avanzaron rápidamente, economías de escala (línea de montaje que redujo costos), un fabricante dominante (Ford alcanzó una cuota de mercado superior al 50 %) y regulación gubernamental (normas viales, sistema de licencias de conducir).

Al evaluar el estado actual de los grandes modelos de IA y sus aplicaciones mediante estos cinco factores, solo uno cumple, mientras que los otros cuatro aún están muy lejos de materializarse: esta es la base concreta sobre la que este artículo juzga que "los grandes modelos de IA y sus aplicaciones aún se encuentran en la fase tardía de liquidez": no se trata de una impresión, sino de una verificación paso a paso.

En otras palabras, el umbral establecido por el diseño dominante de "requerir al menos 3-4 factores simultáneamente" aún está muy lejos de ser alcanzado por la IA.

3.4 Juicio de fase integral: la "zona de divergencia" que mueve desde la fase tardía de liquidez hacia la fase temprana de transición

Con base en el análisis anterior y la prueba de los cinco factores, se puede emitir un juicio integral: actualmente, los grandes modelos de IA y sus aplicaciones se encuentran en la fase tardía de liquidez y han comenzado a moverse hacia la fase temprana de transición—lo que el autor denomina: "zona de diferenciación".

El significado central de "la banda de diferenciación" se puede resumir como: la segmentación del producto sigue abierta, pero la diferenciación de capacidades ya ha comenzado.

La "zona de diferenciación" no es una nueva etapa independiente, sino que describe la zona de transición entre la etapa de fluidez y la etapa de transición en la teoría de tres etapas de Utterback; tampoco predice que la IA necesariamente completará la transición hacia la etapa especializada. Como concepto descriptivo, captura una estructura bidireccional objetivamente presente en el momento actual:

Por un lado: en términos de producto, la arquitectura, la forma y la competencia aún están abiertas: coexisten múltiples enfoques, aún no ha emergido un diseño dominante, y esta área aún se encuentra en una fase fluida.

Por otro lado: a nivel corporativo, la brecha de capacidad entre los líderes y los no líderes ya ha comenzado a ampliarse: las diferencias en capacidad de cómputo, distribución, clientes empresariales y velocidad de aprendizaje organizacional se están profundizando silenciosamente, lo que forma parte del período inicial de transición ya iniciado.

Cuando ambos lados se superponen al mismo tiempo, se forma la "zona de divergencia". Esto no es caos, porque ya existen patrones visibles y asimetrías acumuladas; tampoco es definitivo, porque los criterios para determinar quién terminará triunfando aún no se han solidificado. En una sola frase: exteriormente aún parece próspero, pero la acumulación de diferencias de capacidad ya ha comenzado.

También vale la pena incluir las tres observaciones originales propuestas por el profesor Karim Lakhani en su artículo de marzo de 2026, basadas en el mismo marco analítico, que pueden considerarse una refinación adicional de los mecanismos internos de la "zona de divergencia".

Observación de Lakhani: La apertura arquitectónica y la asimetría competitiva pueden coexistir: la apertura a nivel arquitectónico y la diferenciación a nivel empresarial pueden existir simultáneamente. Lakhani bautizó este estado con un nombre preciso: "Fermentación Estructurada", que apunta al mismo fenómeno que el "rango de diferenciación" en este artículo—sin embargo, este artículo enfatiza más la dinámica de "diferenciación de capacidades", mientras que Lakhani destaca más la sensación de coexistencia de múltiples vías en la "fermentación".

Observación de Lakhani dos: La hipótesis de la estructura jerárquica centralizada: la estructura industrial de la IA futura no convergerá en un "único ganador se lleva todo", sino que surgirán líderes dominantes en cada capa de la pila tecnológica: capa de modelos de vanguardia, capa de integración empresarial, capa de ecosistema abierto y capa de complementos especializados (nube, chips, cadena de herramientas, seguridad), cada una con sus propios líderes dominantes.

Lakhani observa tres: la orquestación de múltiples modelos es un nuevo modelo de negocio: las tareas reales se están desglosando en una cadena: concepción, recuperación, redacción, codificación, revisión, formato, entrega—diferentes modelos tienen fortalezas específicas en cada etapa de esta cadena. Lo que realmente determinará el éxito no será "¿qué modelo es el más fuerte?", sino "¿quién puede invocar la inteligencia adecuada en el momento adecuado para la tarea adecuada?".

3.5 Características específicas de la fase actual

Con base en el análisis anterior, las características específicas de la fase actual de "zona de divergencia" se pueden resumir como sigue:

Entonces, si los modelos de IA grandes y sus aplicaciones se encuentran en la "zona de diferenciación" (moviéndose desde la fase tardía de liquidez hacia la etapa temprana de transición), ¿cómo será el ritmo futuro según la ley general de evolución industrial, una vez que se establezca el diseño dominante y se manifieste una reestructuración profunda?

Esta es una pregunta crucial para los tomadores de decisiones empresariales. Debido a que la percepción del tiempo determina directamente el ritmo de acción: si la ventana es de 20 años, se puede planificar con calma; si la ventana es de solo 3-5 años, muchas acciones deben iniciarse inmediatamente.

Una inferencia muy natural es consultar los datos históricos de Utterback y Klepper: la industria automotriz tardó aproximadamente 15-20 años en pasar de la etapa fluida a la consolidación del diseño dominante, y 50-60 años desde el pico hasta la integración profunda; si la IA sigue esta misma escala temporal, parece que aún nos queda mucho tiempo.

Pero aquí hay una pregunta muy importante: ¿pueden las escalas de tiempo de la evolución industrial de las dos herramientas de Utterback y Klepper, que se basan en la manufactura, aplicarse directamente a la era digital/AI? Si no es así, ¿cuál es la verdadera escala de tiempo? Esta es la pregunta que se responderá a continuación.

Diferencias estructurales entre la era manufacturera y la digital—y por qué se están acelerando

La evolución industrial del sector manufacturero es inherentemente lenta, debido a que tiene varias características comunes:

• Los productos físicos requieren fábricas, cadena de suministro y canales de distribución: la expansión tiene restricciones físicas

Establecer economías de escala requiere un capital masivo y tiempo: la construcción de fábricas y el desarrollo de la cadena de suministro son acciones de largo plazo.

• La adopción por parte de los usuarios está limitada por la velocidad de distribución física: un automóvil tarda semanas e incluso meses en ir desde la producción hasta llegar al usuario.

• La evolución técnica está limitada por el ritmo de iteración de los procesos, materiales y equipos de producción: cada mejora requiere reconstruir la línea de producción

Debido a estas características, el período de saturación en la industria automotriz duró aproximadamente 20 años, y desde el diseño dominante hasta la integración profunda transcurrieron décadas adicionales. Estas escalas de tiempo no son una "ley general" de la evolución industrial, sino el resultado de restricciones físicas y de capital propias de la manufactura.

Cuando estas restricciones se rompen digitalmente, los cuatro rasgos experimentan cambios fundamentales y la escala temporal de la evolución industrial se comprime directamente:

• La distribución tiene un costo marginal cercano a cero: una aplicación puede alcanzar a nivel global en meses; ChatGPT alcanzó 100 millones de usuarios en solo aproximadamente 2 meses, siendo uno de los productos de consumo con la adopción más rápida de la historia.

• La economía de escala ha sido reemplazada por el efecto de red y el ciclo de retroalimentación de datos: la economía de escala en la manufactura requiere años de acumulación en fábricas, mientras que el efecto de escala en la industria digital puede establecer un ciclo autocatalítico de crecimiento exponencial en 1-2 años.

• La adopción por parte de los usuarios está limitada por el ancho de banda y los dispositivos, no por la distribución física: de "semanas o meses" a "descarga y uso en minutos".

• La evolución tecnológica está limitada por el talento y la capacidad de cómputo, no por los procesos ni los equipos: las empresas líderes acumulan capital, capacidad de cómputo y talento en cantidades masivas en un tiempo extremadamente corto (en 2026, las cinco principales empresas tecnológicas de EE. UU. han comprometido una inversión combinada en infraestructura de IA de nivel de 700 mil millones de dólares estadounidenses), una velocidad de acumulación de capital inimaginable en la era de la manufactura.

Además de estos cuatro cambios fundamentales, la era digital añade dos factores de aceleración adicionales:

• Ciclo de retroalimentación acelerado: los productos digitales pueden realizar pruebas A/B en tiempo real, reduciendo la retroalimentación de "años" a "días o incluso horas", acelerando así la "velocidad de aprendizaje" y comprimiendo significativamente el tiempo de composición de capacidades.

• Competencia sincronizada a nivel global: la industria digital ha sido un mercado global desde el inicio, con más participantes, competencia más rápida y reestructuración más abrupta.

Pregunta clave: ¿Cuántas veces se comprimen las escalas de tiempo de la era digital en comparación con la era manufacturera debido a estas diferencias?

Comparación de la velocidad de evolución de seis industrias de la era digital

Veamos algunos sectores digitales que ya han completado la transición de la fase de liquidez a la fase de transición:

Teléfonos inteligentes (2007-2012): el lanzamiento del iPhone en 2007, la entrada de Android en 2008, y hacia 2010 la dominancia clara del duopolio iOS + Android; hacia 2013, Nokia, BlackBerry y Windows Phone prácticamente abandonaron el mercado principal. De la fase móvil a la fijación de la fase de transición: aproximadamente 5 años.

Redes sociales (2004-2012): Facebook se lanzó en 2004; entre 2004 y 2008, varias plataformas compitieron (MySpace, Facebook); alrededor de 2010, Facebook consolidó su posición dominante a nivel mundial. De la fase de fluidez a la fijación de la transición: aproximadamente 6-8 años.

Navegadores web (1994-2000): Netscape se lanzó en 1994, la guerra de navegadores entre 1995 y 1998 (Netscape vs IE), y IE dominó el mercado entre 1999 y 2000. De la fase de fluidez a la fase de transición estabilizada: aproximadamente 5-6 años.

Nube computacional IaaS (2006-2015): AWS se lanzó en 2006, entre 2010 y 2013 hubo competencia de múltiples actores, y de 2016 a 2018 se consolidó el panorama de los tres principales proveedores (AWS, Azure, GCP). De la fase de fluidez a la fijación de la fase de transición: aproximadamente 8-10 años.

Automóviles eléctricos (2010-?) —— Dirigidos por Tesla alrededor de 2010, con múltiples nuevas empresas emergiendo entre 2015 y 2020, y un panorama inicialmente definido alrededor de 2025, aunque aún en transición. Se espera que se estabilicen en aproximadamente 12-15 años (involucran fabricación física, más lento que la industria puramente digital — esto también nos recuerda que las partes de IA que implican forma física, como los cuerpos mecánicos/hardware de la inteligencia encarnada, serán significativamente más lentas que las partes puramente digitales).

Criterio cuantitativo con escala de tiempo comprimida

¿Cómo se derivan los múltiplos de compresión útiles a partir de los datos de duración de los cinco sectores? El autor diseñó un método de razonamiento lógico.

Paso 1: Seleccionar la industria de referencia

La industria de referencia debe cumplir tres condiciones:

Estructura completa: recorrer todo el proceso desde la fase de fluidez hasta la fase de transición y luego la fase especializada

Datos verificables: entrada y salida de empresas, establecimiento de diseño dominante, integración profunda con datos históricos verificables

El intervalo de tiempo es lo suficientemente largo: proporciona la escala de tiempo nativa sin comprimir.

Los datos del automóvil estadounidense de 1895 a 1966 rastreados por el sistema Klepper cumplen con estos tres puntos.

Sin embargo, aún se debe preguntar: el ciclo temporal interno de la industria manufacturera tampoco es uniforme (los televisores tienen un T1 de aproximadamente 6-8 años, los automóviles un T1 de aproximadamente 15-20 años, una diferencia ya cercana al doble), ¿por qué tomar el automóvil como referencia estándar para la "era manufacturera"?

Esto se puede explorar mediante el marco de análisis de la versión 5.1: los seis factores estructurales (distribución física, economías de escala, adopción del usuario, evolución tecnológica, bucles de retroalimentación y competencia global). Este marco no solo explica las diferencias entre "manufactura vs. digital", sino también las diferencias dentro de la propia manufactura. El televisor (que comenzó en 1946) avanzó 2-3 veces más rápido que el automóvil (que comenzó en 1895), fundamentalmente porque heredó los activos acumulados por la industria anterior (la radio) en estos seis factores: la red de distribución, la tecnología de fabricación de tubos de vacío, el reconocimiento del usuario y la base tecnológica no necesitaban construirse desde cero.

Esta observación revela un patrón más profundo: la compresión de la escala temporal no es un salto único generado por la transición de la manufactura a la era digital, sino un proceso continuo de aceleración acumulativa a lo largo de múltiples generaciones y factores. La razón fundamental para elegir el automóvil como referencia no solo son los tres criterios superficiales de "estructura completa, datos disponibles y amplio período", sino que el automóvil representa el caso más completo de construcción desde cero: los seis factores deben iniciarse desde cero, sin industrias previas que puedan asumir su carga, lo que lo convierte en una escala temporal original no acelerada por acumulaciones anteriores. El múltiplo de compresión obtenido con este punto de referencia permite estimar aproximadamente el valor máximo de la aceleración acumulada en la era digital.

Paso 2: Comparar con las cinco industrias digitales

Con base en el automóvil T1 (15-20 años):

Paso 3: Clasificar la IA utilizando el marco de seis factores

Regresando al marco de los seis factores: el grado en que una industria acelera la acumulación previa en seis factores determina directamente su múltiplo de compresión. Siguiendo esta lógica, observe los datos de la tabla:

Automóviles eléctricos: compresión mínima (1.3-1.5 veces), ya que aún requieren la construcción independiente de tres cadenas: fabricación física, cadena de suministro e iteración de hardware;

Industrias puramente digitales como navegadores y nube: reducción de 2 a 3 veces, ya que aprovechan el acúmulo de la era de la PC y los inicios de Internet;

Ecosistema de aplicaciones móviles: mayor reducción (3-4 veces), ya que apareció después de que la infraestructura digital estuviera altamente desarrollada: casi todos los requisitos previos de los seis factores ya se habían resuelto.

Entonces, ¿a qué categoría pertenecen los grandes modelos de IA y sus aplicaciones? El autor analiza y considera:

Aparece en la etapa más tardía de la era digital: la nube, internet, dispositivos móviles, el ecosistema de desarrolladores y la infraestructura de datos ya están altamente maduros; al mismo tiempo, la IA misma ha generado dos bucles de autoaceleración sin precedentes: efecto de red y rueda de datos (cuanto más se usa → más datos → modelo más fuerte → más personas lo usan).

Según el marco de los seis factores, el factor de compresión de la IA debería estar entre 3 y 5 veces: el límite inferior de 3 veces se basa en las industrias ya confirmadas como "aceleración tardía" en la tabla (por ejemplo, navegadores y ecosistemas de aplicaciones móviles); el límite superior de 5 veces es una extrapolación que considera los dos bucles de autoaceleración únicos de la IA, lo cual no tiene precedentes históricos y constituye una estimación razonable pero aún por validar.

Visión general intergeneracional y estimación integral

Resumiendo el análisis anterior, se puede obtener una vista general completa de la comparación entre generaciones:

Estimación integral: Desde la era manufacturera hasta la era digital, la escala temporal de la evolución industrial se ha comprimido aproximadamente entre 3 y 5 veces; se estima que el factor real de compresión de los grandes modelos de IA y sus aplicaciones se encuentra en la parte media alta de este intervalo.

[Declaración honesta necesaria]: La muestra de comparación anterior solo incluye industrias digitales que ya han completado la definición de su diseño principal, y no incluye industrias aún no consolidadas como VR/AR, metaverso, aplicaciones Web3/blockchain, las cuales superan ampliamente las expectativas de compresión de 3 a 5 veces y aún se encuentran en fase de flujo. Es decir, la suposición de "compresión de 3 a 5 veces" asume que la IA seguirá la trayectoria de las industrias digitales ya consolidadas. Si este supuesto cambia, la compresión de 3 a 5 veces deberá ajustarse en consecuencia.

Después de estimar que la escala temporal se ha comprimido aproximadamente 3-5 veces, podemos analizar los coordenadas temporales específicas de los grandes modelos de IA y sus aplicaciones. Por supuesto, esto no es una predicción precisa, sino una estimación razonable basada en comparaciones históricas. Además, la premisa para realizar esta estimación es que los grandes modelos de IA seguirán la trayectoria A (formar un diseño dominante) y no la trayectoria B (diversificación permanente).

Mi juicio integral es que la posibilidad de que los grandes modelos de IA sigan la trayectoria A es significativamente mayor que la de seguir la trayectoria B, pero la forma no es un "único vehículo en forma de T", sino un "diseño dominante multicapa basado en pilas de protocolos jerárquicos".

Además de lo argumentado en la sección 2.1.1 desde la perspectiva de "los requisitos económicos del sector y la pila de protocolos de Internet", las siguientes tres señales observables actualmente respaldan fuertemente este juicio:

• El paquete de herramientas técnicas ya ha convergido superficialmente: la arquitectura Transformer, preentrenamiento + entrenamiento posterior (SFT + RLHF/DPO), fusión multimodal y llamada a herramientas / agentización, casi todos adoptados por los modelos líderes. Esto es lo habitual antes de un diseño dominante en la historia.

• Los diseños dominantes de las subcapas ya están emergiendo: la capa de agentes de programación se ha consolidado en el modelo Claude Code / Cursor / Copilot / Windsurf; los productos nativos multimodales se han orientado hacia la ruta de "modelos de difusión + fidelidad de larga secuencia"; en la capa de Copilot empresarial, Microsoft 365 Copilot se ha convertido en el estándar de facto. No es necesario que "toda la IA" se consolide juntos; las subcapas ya están formando independientemente pequeños diseños dominantes.

• El diseño dominante en la capa de protocolo ya ha tomado forma: MCP (propuesto por Anthropic a finales de 2024, integrado progresivamente por OpenAI / Google / Microsoft en 2026), red A2A: los diseños dominantes en la capa de protocolo suelen ser más duraderos que los de la capa de producto (al igual que TCP/IP es más duradero que cualquier navegador).

[Declaración honesta necesaria]: Una vez que se confirmen dos señales inversas, las coordenadas de tiempo de este artículo necesitan ser recalibradas:

Señal inversa uno: la fórmula "cuanto mayor, más fuerte" podría dejar de funcionar. Durante los últimos cinco años, la capacidad de la IA ha sido impulsada principalmente por la fórmula bruta de "modelos más grandes + más datos + mayor potencia de cómputo" (Ley de Escalamiento). Si en 2027-2028 esta fórmula llega a su límite y no hay una alternativa fuerte a corto plazo, la industria se verá obligada a explorar por separado rutas completamente diferentes, como modelos del mundo, Mamba y arquitecturas nativas de Agentes, y la "convergencia tecnológica" actual podría romperse.

Señal inversa dos: la evolución desde la "coexistencia de múltiples campos" hacia "diseños dominantes propios de cada campo". La coexistencia actual de múltiples campos es en sí misma una manifestación normal de la "divergencia de capacidades"; el verdadero riesgo radica en que esta divergencia se profundice hasta el punto de "no interoperar en absoluto". Dos fuerzas apuntan en esta dirección: una es el "cerebro" de la inteligencia encarnada (en términos académicos, modelos VLA), que, al requerir percepción y procesamiento en tiempo real de retroalimentación física, podría evolucionar hacia una arquitectura subyacente completamente distinta a la de los grandes modelos de chat; la otra es la creciente brecha entre los dos campos de EE.UU. y China en arquitectura, protocolos, ecosistemas y regulación. Si la evolución pasa de un "diseño dominante unificado" a varios "diseños dominantes propios de cada campo", el eje temporal podría cambiar.

Tres líneas de tiempo clave (inferencia)

Continuando con el análisis anterior, si se ubica el punto de partida de la industrialización de los grandes modelos de IA en 2020 con el lanzamiento de GPT-3 (este es el punto de referencia ampliamente aceptado por la industria: arquitectura Transformer madura, primera manifestación de capacidades emergentes, primera API comercial empresarial), desde este punto de partida hacia adelante, el autor ha trazado aproximadamente un cronograma desde 2020 hasta 2035, dividido en cuatro etapas:

Desglose detallado según el gráfico general: para los tomadores de decisiones empresariales, hay tres líneas de tiempo clave que merecen un análisis y atención adicionales (alcance del análisis: modelos de IA a gran escala y sus aplicaciones; las partes con forma física independiente o lógica industrial independiente deben evaluarse según su velocidad de evolución respectiva).

Línea de tiempo uno: aparición del diseño dominante — surgimiento por capas, previsto para 2026-2032, implementación por fases

Los ritmos de convergencia de diferentes subcapas no están sincronizados y varían mucho. Sobre la base de las señales observables actuales, se puede hacer una estimación por categorías (en lugar de un cronograma preciso):

• Surgió anteriormente (alrededor de 2026-2028): capa de protocolo (MCP / A2A / especificaciones de llamadas API) y capa de agentes de programación. El costo de iteración de la capa de protocolo es relativamente bajo y se logra rápidamente un consenso entre fabricantes, ya se vislumbra un prototipo de estándar de facto; la capa de agentes de programación ya ha mostrado una clara convergencia en formas de producto (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma etc.).

• Fase intermedia (alrededor de 2027-2029): Línea principal de productos en tres niveles: asistente de conversación universal, productos nativos multimodales (modelo de difusión + ruta de fidelidad de larga secuencia), y copiloto integrado (forma orientada a flujos de trabajo empresariales). Estos tres niveles ya muestran señales claras de concentración en los líderes del mercado, y la penetración de los productos líderes entre los clientes está aumentando rápidamente; sin embargo, aún se necesitan 2-3 años para su definición completa.

• Surgimiento más tardío (alrededor de 2028-2030): capa de escritorio/agentes de oficina (representados por WorkBuddy, Coze, Bailing, etc.). Impulsado principalmente por la integración ecológica, aprovechando la entrada, los flujos de trabajo colaborativos y la posición ecológica para alcanzar rápidamente el ritmo; sin embargo, la implementación productiva empresarial aún se encuentra en las primeras etapas de transición de "eficiencia personal" a "eficiencia organizacional", con una maduración completa prevista alrededor de 2028-2030.

• Más tardío (2030-2032 y posterior) — Capa de Agentes Autónomos Generales (Manus, Operator, etc.), paradigma de colaboración entre múltiples agentes, innovación fundamental en la capa de arquitectura, capa de "cerebro" de inteligencia encarnada (modelos VLA). Los Agentes Autónomos Generales y la colaboración entre múltiples agentes enfrentan problemas profundos como confiabilidad, estructura de costos, límites de responsabilidad y protocolos interdominios; su convergencia es claramente más lenta que en la capa puramente digital. Actualmente, la capa de arquitectura se manifiesta como "convergencia superficial de kits de herramientas" (Transformer + MoE + post-entrenamiento + arquitectura de memoria); se espera que la verdadera innovación fundamental ocurra después de 2030.

[Declaración honesta necesaria]: Los rangos anteriores son solo una estimación razonable basada en las señales actuales—proporcionan una sensación temporal, no un cronograma. Antes de 2030, la arquitectura, la forma y los dimensiones de la competencia aún están en evolución; después de 2030, las reglas del juego podrían comenzar a reiniciarse en capas.

Línea de tiempo 2: Cierre de la ventana · Estimado 2026-2030 (la capa de modelos avanzados se cerrará primero)

La observación clave de Klepper es que "la ventana de entrada se cierra antes que la señal de reestructuración": la tasa de entrada en la industria automotriz disminuyó en 1910 frente a la reestructuración que se manifestó entre 1920 y 1960, con un retraso de 10 a 15 años. Al comprimirse en la era digital entre 3 y 5 veces, este intervalo se reduce proporcionalmente a 2-5 años: por lo tanto, la ventana de entrada se cierra aproximadamente 2-5 años antes de la reestructuración profunda, es decir, entre 2026 y 2030.

Pero es necesario ver de forma escalonada las distintas fases del cierre:

• Capa de modelos de vanguardia: la más temprana en cerrarse; como entrante puramente nuevo, ingresar a esta capa será muy difícil después de 2027-2028: la combinación de poder de cómputo, talento y confianza empresarial está llegando a su fin, y en 2026 ya se observa que el capital de riesgo global para la capa de modelos de vanguardia se está concentrando en unos pocos.

• Capa de protocolo y capa de herramientas: se cierra más temprano; una vez que los protocolos como MCP/A2A se convierten en dominantes, los participantes que ingresan tarde deben integrarse en el ecosistema en lugar de comenzar desde cero

• Capa de aplicación y capa de forma de producto: relativamente más flexible; la capa de agentes de programación está viendo una ventana que se cierra rápidamente debido a la integración comercial acelerada de los productos líderes; sin embargo, aún existe un espacio relativamente amplio para ingresar en aplicaciones como productos nativos multimodales y agentes de oficina / escritorio, y aún habrá oportunidades entre 2028 y 2032.

• Capa de integración de industrias verticales: Abierta de forma permanente; la ventana de integración de IA con industrias verticales como salud, derecho y educación podría extenderse más allá de 2035

El significado clave: las distintas posiciones estratégicas presentan niveles de urgencia muy diferentes para la ventana de entrada; la ventana para invertir en la capa de modelos de vanguardia es la más corta, mientras que la ventana para hacerlo en la capa de aplicaciones y la integración vertical es relativamente más amplia.

Línea de tiempo tres: Comienza la reestructuración profunda · Esperado para 2030-2035 (ocurre principalmente en la capa de modelos avanzados)

El mecanismo de composición de capacidades de Klepper funciona más rápido en la era digital: en 8-10 años se podría alcanzar el efecto compuesto que tomó 30 años en la era manufacturera. La brecha de capacidades entre empresas se amplificará exponencialmente dentro de esta ventana de tiempo hasta un grado irreversible.

Pero la intensidad del barajado profundo también se divide por capas:

• La capa de modelos de vanguardia tiene la redistribución más profunda: composición de capacidades, barreras de capital de cómputo, concentración de confianza empresarial: podrían converger en unos pocos líderes

• El reordenamiento en la capa de aplicación y la capa de forma de producto es menos intenso: cada capa podría conservar a varios jugadores principales, con una cola más larga

• El reordenamiento en la capa de protocolo casi no ocurre: una vez establecido, el estándar es estándar

• La reestructuración de la capa de integración de industrias verticales está vinculada a la lógica de las industrias tradicionales: la IA es solo una de las variables; el ritmo de reestructuración de la industria en sí dominará

Urgencia de la ventana de entrada empresarial

Al ver juntas estas tres líneas de tiempo, se deduce una conclusión clave:

La mayoría de las empresas que tienen como estrategia central los grandes modelos de IA y sus aplicaciones podrían tener solo 2 a 4 años para ajustar su estrategia: para establecer su posición antes de que el diseño dominante (especialmente en el nivel de forma de producto) surja en 2030, deben completar la determinación de dirección y la selección de entrada antes de 2028; inversamente, 2026-2027 son los dos años más críticos.

Pero esta línea de tiempo tiene una premisa: las economías de escala y el modelo de negocio deben lograr un salto clave antes de 2027-2030. La validación inversa en la séptima sección mostrará que "las economías de escala y el modelo de negocio aún no se han consolidado" es una de las observaciones más precisas de 2026. Si los desafíos del modelo de negocio persisten más allá de 2028 sin superarse, la ventana para que surja el diseño dominante podría retrasarse 2-3 años: es decir, las coordenadas temporales anteriores dependen de dos premisas: "IA sigue la trayectoria A + economías de escala que superan el umbral en 3-4 años". Cualquier cambio en alguna de ellas requerirá una recalibración de las coordenadas temporales.

Para las partes que involucran formas físicas independientes o lógicas industriales independientes (hardware de inteligencia encarnada, AI + industrias verticales, etc.), los cronogramas deben ajustarse según su propio ritmo; sin embargo, la ley subyacente de que "la diferencia en la tasa de composición de capacidades se amplifica exponencialmente" es aplicable a todas las capas.

Esta es la "escala temporal de la evolución de la industria de la IA": una sensibilidad temporal jerarquizada, condicional y precisa derivada de un marco de análisis.

Un análisis riguroso debe resistir la prueba de los datos más recientes. Utilice las tendencias observables en la industria de la IA en 2026 para realizar una validación inversa de la anterior evaluación sobre el "banda de diferenciación", desde cuatro ángulos: producto, empresa, negocio y campo; basta con seleccionar seis señales más representativas.

Verificación 1: La arquitectura sigue abierta en el nivel de diseño.

La evolución arquitectónica en 2026 sigue avanzando por múltiples vías: bajo el dominio de Transformer, los expertos mixtos (MoE) en Gemini 3.1 Pro, DeepSeek Se aplican plenamente en modelos como V4; el cálculo durante la inferencia se convierte en una dimensión clave de competencia para nuevas versiones como GPT y Claude; los modelos de espacio de estado (familia Mamba) y las arquitecturas nativas de Agentes continúan generando nuevas exploraciones en 2025-2026; la dirección de los modelos del mundo sigue siendo impulsada por académicos de primer nivel como Fei-Fei Li y Yann LeCun. Las ventanas de contexto siguen avanzando rápidamente, desde decenas de miles hasta un millón doscientos mil tokens; la disminución de los rendimientos marginales de la Ley de Escalado también comenzó a discutirse públicamente en 2026—todo esto indica que la trayectoria tecnológica sigue siendo reevaluada.

Conclusión: A nivel de arquitectura, claramente aún está en fase de flujo. Los factores de viabilidad técnica del diseño dominante están lejos de estar satisfechos: esto es precisamente la evidencia directa de que "la dimensión del producto sigue abierta" en la "zona de divergencia".

Verificación 2: En el nivel empresarial, ya se ha producido una diferenciación real, pero el panorama es de múltiples bloques coexistiendo.

La realidad del panorama de capas de modelos avanzados en 2026 es una estructura de múltiples bloques operando en paralelo, sin un líder absoluto:

• Grupo principal de Estados Unidos: OpenAI, Anthropic y Google como principales, seguidos por Meta (serie Llama) y xAI

• Bloque de rutas abiertas de China: DeepSeek 、Qwen、 Kimi , Zhipu, Doubao , Hunyuan, etc., form independent competitiveness in dimensions such as cost, open source, multilingual support, and vertical scenarios

• Europa / otro bloque: Mistral y otros tienen un lugar en el ecosistema de código abierto

Al mismo tiempo, las señales de diferenciación observables son muy claras: la cuota de tráfico de usuarios de ChatGPT ha disminuido significativamente desde su anterior dominio absoluto, el uso de Gemini ha crecido en múltiplos anuales, y Anthropic ha logrado un crecimiento acelerado en escenarios empresariales y de desarrolladores, con su ARR ya en el rango de cientos de miles de millones de dólares y sus ingresos trimestrales alcanzando el nivel de miles de millones de dólares.

Conclusión: Esto coincide plenamente con la evaluación de la "zona de diferenciación": en el nivel del producto, aún existe un panorama abierto con múltiples bandos operando en paralelo (arquitectura no definida, ruta no definida), pero en el nivel empresarial, la brecha de capacidad entre los líderes y los no líderes ya se está ampliando claramente. Es importante tener en cuenta que la "diferenciación de capacidad" no equivale a "solo unas pocas empresas ganan": podría ser "varios bandos separándose cada uno a su manera".

Verificación 3: La estructura industrial está evolucionando hacia "capas concentradas + orquestación de múltiples modelos"

Lakhani predice que la "concentración jerárquica" y la "orquestación de múltiples modelos" se validarán fuertemente en la realidad en 2026:

• Capa de modelos de vanguardia: múltiples fabricantes líderes y varios grupos compiten simultáneamente (ver 7.2)

• Capa de integración empresarial: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein, entre otros, están implementando sus propias soluciones

• Capa de ecosistema abierto: DeepSeek (inferencia de bajo costo), Llama, Mistral anclados respectivamente

• Capa especializada de complemento: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (nuevos chips de arquitectura) ocupan sus respectivos espacios: el umbral de entrada en esta capa está siendo empujado al límite por la concentración de capital descrita en la sección 5.1

Al mismo tiempo, la orquestación de múltiples modelos ha pasado de ser un "modelo emergente" a convertirse en un uso común: los usuarios ya no preguntan "¿qué modelo es el más fuerte?", sino "¿qué modelo es el más fuerte en qué escenario?": usar Claude para redacción y programación, Gemini para búsqueda y análisis, y ChatGPT para generación de imágenes y conversaciones generales se ha vuelto normal.

Conclusión: La hipótesis de concentración jerárquica y la orquestación de múltiples modelos son válidas, y la evolución de la concentración jerárquica es más rápida de lo esperado.

Verificación cuatro: la escala de tiempo realmente se está comprimiendo significativamente

La evidencia principal de la compresión de la escala temporal proviene de las cuatro curvas: "velocidad de adopción, flujo de capital, reducción de costos e iteración de capacidades":

• Velocidad de adopción: ChatGPT alcanzó 100 millones de usuarios en aproximadamente 2 meses, siendo uno de los productos de consumo con la adopción más rápida de la historia.

• Velocidad de entrada de capital: Anthropic tardó aproximadamente 4 años desde su fundación hasta alcanzar un ARR de miles de millones de dólares, mientras que en la era manufacturera se necesitaban décadas.

• Velocidad de reducción de costos: El precio de los tokens de los modelos principales ha disminuido aproximadamente dos órdenes de magnitud en los últimos tres años, y los precios de inferencia de los modelos de código abierto líderes y de bajo costo ya se encuentran en el rango de "centavos por millón de tokens"

• Velocidad de iteración de capacidades: menos de 6 años desde GPT-3 hasta la serie GPT-5, mientras que en la era manufacturera, la iteración de un producto típico suele requerir 5-10 años

Conclusión: La compresión de la escala temporal no solo es válida, sino que en algunas curvas específicas (adopción, costo, iteración de capacidad), el grado de compresión real puede alcanzar de 5 a 10 veces. Sin embargo, hay que tener en cuenta: la velocidad de compresión de estas curvas específicas es mayor que la velocidad de compresión de la evolución general de la industria, ya que la evolución general de la industria aún está limitada por variables lentas como la validación del modelo de negocio, la regulación estabilizada y la madurez del ecosistema, manteniéndose dentro del rango de 3 a 5 veces mediano determinado en la sección 5.3. En otras palabras, el "lado de la señal" de la evolución de la industria de la IA (las curvas) ya se ha acelerado claramente, mientras que el "lado estructural" (la consolidación del diseño dominante) requiere un período de asentamiento más prolongado.

Verificación 5: Las economías de escala y el modelo de negocio estable aún no se han consolidado

De los cinco factores que impulsan el diseño dominante, "la aparición de economías de escala" es una condición necesaria: solo cuando el costo de entrega a escala de un diseño es lo suficientemente bajo, el modelo de ingresos es claramente sostenible y se puede establecer un ciclo positivo de "inversión-generación de retorno-vuelta a invertir", el diseño dominante puede consolidarse realmente. Al aplicar este criterio a los modelos de IA grandes y sus aplicaciones en 2026, se observa que las economías de escala y los modelos comerciales aún no están formados:

• Los costos de entrenamiento e inferencia siguen variando drásticamente: el precio del Token ha disminuido aproximadamente dos órdenes de magnitud en los últimos tres años, y los precios de inferencia de los modelos de código abierto líderes y de bajo costo han entrado en el rango de "centavos por millón de Tokens"; la curva de costos sigue deslizándose rápidamente, lejos de estar "estabilizada".

• Las empresas líderes siguen invirtiendo a gran escala y de manera continua: compañías de modelos avanzados como OpenAI y Anthropic se encuentran generalmente en una fase de altas inversiones y financiación; aunque el ARR de Anthropic ya ha alcanzado el nivel de cientos de miles de millones de dólares, en comparación con los gastos en entrenamiento y capacidad de cómputo, aún no ha salido de la fase en la que las inversiones superan ampliamente los rendimientos.

• La implementación de IA para el ROI empresarial ha sido más lenta de lo esperado: la mayoría de los proyectos de IA empresarial aún se encuentran en fase POC o piloto, y la transformación de la IA en un aumento de la productividad total de los factores, así como en un crecimiento positivo del ROI/ROE, sigue en exploración; según encuestas industriales de 2025-2026 de McKinsey, «State of AI», y MIT NANDA, «GenAI Divide», la mayoría de las inversiones en IA empresarial aún no han generado retornos financieros positivos claros.

• El modelo de negocio estable aún está en exploración: tarifas de suscripción, facturación por Token, pago por resultados de Agentes, personalización empresarial, participación en API, código abierto + servicios... Cada modelo de negocio tiene sus jugadores representativos, pero ninguno ha logrado aún un estado de "ganancias escalables + crecimiento compuesto".

Conclusión: El ciclo positivo de "inversión-rendimiento-vuelta a invertir" para los grandes modelos de IA y sus aplicaciones aún no se ha establecido: esto es una manifestación directa de que los factores que dominan la economía de escala no se cumplen. Si la economía de escala y el modelo de negocio aún no son estables, entonces definitivamente aún se encuentra en la zona de diferenciación, ya que esta es una condición previa para la convergencia desde la fase de transición hacia la fase especializada.

Verificación 6: WAIC 2026 — "Cuanto más destacado sea alguien, mayores serán las diferencias"

El WAIC 2026, que recién concluyó en julio de 2026, proporcionó una verificación en vivo desde el lado del "ser humano".

Los cuatro temas前沿 de la reunión (inteligencia física, inteligencia científica, infraestructura de cómputo, gobernanza de agentes) también se consideran direcciones de la "próxima etapa": la coexistencia de múltiples ramas, sin una sola línea dominante, es la forma típica de una fase de fluidez. Un hecho muy revelador es que el ganador del Premio Turing 2024, Richard Sutton, y Yin Qi, presidente de Jiepao Xingchen, emitieron juicios completamente opuestos casi al mismo tiempo:

• Sutton: "La IA aún es débil e inconfiable", "la vía de la transferencia del conocimiento humano" ha "alcanzado ya su límite", y el futuro debe avanzar hacia la "era de la experiencia"

• Yin Qi: "Las capacidades de los modelos en 2026 están cruzando un punto crítico", "la industria se encuentra al pie de la cima de la AGI", los agentes se convertirán en "la unidad mínima de productividad"

En el mismo escenario y al mismo tiempo, dos figuras altamente representativas ofrecieron respuestas casi opuestas a la pregunta: "¿Dónde estamos realmente?". Al mismo tiempo, Yoshua Bengio advirtió que "la sociedad aún no está preparada para sistemas más capaces e independientes", mientras que Xue Lan de Tsinghua y Mark Nitzberg de Berkeley plantearon límites respecto a "juicios de valor" y "decisiones de vida o muerte"; el marco regulatorio y de gobernanza aún está discutiendo principios, y no estándares de ejecución.

Conclusión: Si la IA realmente ya ha entrado en la "segunda mitad" o en la "fase de ejecución tras el establecimiento del diseño dominante", los investigadores y emprendedores de élite no tendrían tales diferencias tan marcadas sobre la pregunta más básica: "¿Dónde estamos realmente?". Esto es, por sí mismo, una fuerte evidencia en vivo de que aún estamos en la "zona de diferenciación".

Verificación integral: Esto es el "rango de divergencia"

Mire las seis verificaciones anteriores juntas: no son seis eventos aislados, sino seis perspectivas independientes que se refuerzan mutuamente hacia la misma conclusión. En una sola frase:

Los grandes modelos de IA y sus aplicaciones se encuentran en la "zona de diferenciación": la segmentación de productos aún está abierta, la diferenciación de capacidades ya ha comenzado y el modelo de negocio aún no se ha validado. Esto es el resultado de tres validaciones independientes: la tercera parte (evaluación de etapas), la sexta parte (coordenadas temporales) y esta sección (tendencias 2026), no una inferencia desde un solo ángulo.

Regresemos a las dos preguntas iniciales: ¿dónde estamos y cuál será el ritmo futuro?

Un marco combinado de dos herramientas de análisis clásicas, junto con una prueba rigurosa de los cinco factores dominantes y una validación inversa de las últimas tendencias de 2026, puede proporcionar una respuesta clara sobre los modelos de IA grandes y sus aplicaciones actuales.

¿Dónde estamos: los grandes modelos de IA y sus aplicaciones se encuentran actualmente en la "zona de diferenciación" entre la fase de liquidez tardía y la transición temprana. Los factores que conforman el diseño dominante solo han satisfecho uno (parcialmente), y la estructura industrial podría evolucionar hacia una "concentración por capas" en lugar de un "único ganador".

¿Cómo será el ritmo futuro? Según coordenadas temporales jerarquizadas, el diseño dominante podría surgir alrededor de 2027-2030 en múltiples subcapas, con una reestructuración profunda manifestándose entre 2030-2035, dejando a las empresas aproximadamente 2 a 4 años para ajustes estratégicos.

La estratificación significa que la urgencia varía según la posición estratégica (capa de modelos前沿 / capa de aplicaciones / capa de integración vertical), pero la ley subyacente de "composición de diferencias de capacidad" se aplica a todas las capas. Aquí se presenta una sensibilidad temporal estratificada y condicional, no un cronograma preciso: el ritmo específico de evolución se ajustará según cambios en los supuestos, como las Leyes de Escalado y las tendencias de fragmentación.

Para los tomadores de decisiones empresariales, estas dos evaluaciones juntas forman un marco temporal. Sobre este marco, surge una pregunta aún más fundamental: ¿cómo deberían pensar, actuar y autoregularse las empresas en esta etapa y durante esta ventana de tiempo?

El autor discutirá esta pregunta en el próximo artículo…

Este artículo proviene del canal de WeChat "Instituto de Investigación de Tencent" (ID: cyberlawrc), autor: Li Hongsheng