De Copilot a Autopilot: la nueva etapa de la IA empresarial

Durante los últimos años, la evolución de la inteligencia artificial se ha medido principalmente por la capacidad de sus modelos: más potencia, mayor razonamiento y mejores resultados en tareas cada vez más complejas.

Sin embargo, la siguiente etapa podría desarrollarse en un terreno diferente.

Jordi Ribas, presidente de Búsqueda e Inteligencia Artificial en Microsoft, plantea un escenario en el que los modelos seguirán siendo importantes, pero estarán al alcance de un número creciente de empresas. Cuando distintas organizaciones puedan utilizar tecnologías similares, disponer del modelo más avanzado dejará de ser una ventaja suficiente.

La diferencia estará en lo que cada compañía sea capaz de construir alrededor de él: los datos que pueda comprender, las aplicaciones con las que se conecte, los procesos que pueda ejecutar y el control que exista sobre sus decisiones.

La pregunta, por tanto, ya no será únicamente qué inteligencia artificial utiliza una empresa, sino cuánto conoce esa inteligencia artificial sobre su negocio y qué capacidad tiene para convertir ese conocimiento en acciones útiles, seguras y rentables.

De ayudar al usuario a ejecutar procesos

La evolución de Copilot refleja uno de los cambios más importantes de esta nueva etapa.

Hasta ahora, la mayoría de los asistentes de inteligencia artificial seguían una dinámica sencilla: el usuario formulaba una pregunta, la IA generaba una respuesta y la persona se encargaba de ejecutar los siguientes pasos.

Microsoft trabaja ahora en una transición desde el asistente hacia el agente. Es el paso de Copilot a Autopilot: de una herramienta que ayuda a realizar una tarea a un sistema capaz de asumir un objetivo, organizar el trabajo necesario y avanzar con un mayor grado de autonomía.

En lugar de pedir a Copilot que redacte un correo, por ejemplo, una empresa podría solicitarle que prepare una reunión comercial.

Para completar esa tarea, un agente como Scout podría revisar los últimos mensajes intercambiados con el cliente, consultar reuniones anteriores, recuperar pedidos y facturas, identificar incidencias pendientes y preparar un resumen con los próximos pasos.

La IA dejaría así de ser una herramienta aislada para convertirse en una capa de coordinación entre personas, información y aplicaciones corporativas.

Este enfoque se apoya en lo que Microsoft denomina Microsoft IQ: el conocimiento generado a partir de los documentos, correos, reuniones, datos y relaciones que existen dentro de una organización.

Para que este sistema sea fiable, Microsoft utiliza una técnica denominada Grounding o RAG (Retrieval Augmented Generation).

Como explica Ribas, los modelos tradicionales tienen una fecha de corte en su entrenamiento y tienden a generar respuestas incorrectas cuando no conocen un dato. El Grounding actúa como un puente que conecta los datos reales de la empresa con información actualizada de internet a través de Web IQ.

Esto no solo reduce drásticamente los errores, sino que ayuda a garantizar que el agente trabaje con información actual, relevante y verificable.

No todas las tareas necesitan el modelo más potente

Uno de los mensajes más pragmáticos de Ribas es que utilizar siempre el modelo más avanzado no tiene por qué ser la mejor decisión. Lo explica mediante una comparación sencilla: no hace falta utilizar un Ferrari para ir a hacer la compra.

Sin embargo, la clave de la eficiencia no está solo en el tamaño del modelo, sino también en su nivel de especialización.

Microsoft propone que las empresas utilicen sus propios datos en entornos de aprendizaje por refuerzo, conocidos como RLE, para realizar un post-training o entrenamiento posterior de estos modelos.

Esta técnica permite que un modelo mucho más pequeño, rápido y económico, que puede llegar a ser diez veces más veloz y barato que un modelo de frontera, obtenga mejores resultados en tareas concretas al estar enfocado específicamente en el contexto de la empresa.

Bajo este enfoque, Microsoft apunta hacia un ecosistema donde convivirán:

• Modelos de frontera para tareas de razonamiento complejo y situaciones poco estructuradas.
• Modelos especializados mediante RLE que, gracias al entrenamiento posterior con datos corporativos, pueden superar en precisión y coste a los modelos generales en procesos específicos.
• Modelos ejecutados localmente en dispositivos como los Copilot+ PC, que permiten procesar cargas de IA dentro de un entorno privado en el propio equipo.
• Automatizaciones tradicionales para tareas en las que la inteligencia artificial no aporte un valor diferencial.

En este escenario, la arquitectura tecnológica de la empresa debe ser capaz de seleccionar la opción adecuada para cada momento.

Aquí es donde los model routers cobran una importancia estratégica, dirigiendo cada solicitud hacia el modelo que optimice la combinación de capacidad, velocidad, seguridad y, sobre todo, rentabilidad real o ROI.

Los datos y los procesos serán la verdadera ventaja

Un modelo general puede conocer una gran cantidad de información, pero no sabe automáticamente cómo funciona cada empresa.

No conoce sus condiciones comerciales, sus procedimientos internos, sus reglas de aprobación, las relaciones entre productos o las excepciones que se producen en su actividad diaria.

Para aportar valor real, la inteligencia artificial necesita acceder al contexto de la organización:

• Información del ERP y del CRM.
• Documentos y procedimientos.
• Correos y reuniones.
• Datos de clientes, productos y proveedores.
• Historiales de pedidos, incidencias y decisiones.
• Permisos y responsabilidades.
• Reglas de negocio.
• Aplicaciones desarrolladas a medida.

Dos empresas podrán utilizar el mismo modelo y obtener resultados completamente diferentes.

Una puede limitarse a emplearlo para redactar textos. Otra puede conectarlo con Microsoft 365, Business Central, Dynamics 365, su e-commerce y sus aplicaciones internas para preparar ofertas, revisar facturas, analizar márgenes, detectar retrasos o automatizar procesos completos.

La ventaja no estará únicamente en la tecnología utilizada, sino en la calidad de los datos, las integraciones y los procesos construidos alrededor de ella.

Además, las correcciones humanas y los resultados obtenidos pueden convertirse en señales de mejora. Los modelos estarán disponibles para muchas organizaciones, pero el historial de decisiones y el conocimiento acumulado por cada empresa serán mucho más difíciles de replicar.

Más autonomía exige más seguridad

La transición desde asistentes hacia agentes también introduce nuevos riesgos.

El error de un chatbot suele limitarse a una respuesta incorrecta. Sin embargo, el error de un agente puede ser crítico si tiene capacidad para modificar datos o intervenir en procesos financieros y operativos.

Por este motivo, el avance hacia sistemas autónomos requiere mecanismos de gobierno estrictos:

• Permisos y accesos limitados según el usuario y la función.
• Validación humana obligatoria antes de ejecutar acciones críticas.
• Registro completo de las operaciones y límites sobre las herramientas disponibles para el agente.
• Control del ROI para evitar sobrecostes derivados de un consumo ineficiente de recursos o token maxing.

Para respaldar esta seguridad, la estrategia de Microsoft ha dado un giro importante con el desarrollo de modelos propios desde cero.

Al no depender únicamente de terceros, Microsoft busca garantizar una mayor soberanía tecnológica y legal, conocer con exactitud los datos utilizados durante el entrenamiento, reducir posibles conflictos de derechos de autor y facilitar un proceso de mejora continua más controlado y predecible.

Por otro lado, los Copilot+ PC introducen una capa adicional de protección mediante la inteligencia artificial local.

Al procesar los datos directamente en el chip del dispositivo, se crea lo que Ribas define como una “jaula de seguridad” o safety cage. Esta arquitectura permite proteger el entorno del sistema y mantener determinada información confidencial dentro del propio equipo, reduciendo los riesgos asociados a su procesamiento en la nube.

En definitiva, la soberanía tecnológica ya no depende solo del modelo que se utiliza, sino de mantener el control sobre los datos, la legalidad de los procesos y la seguridad del entorno donde opera la inteligencia artificial.

El reto del coste: evitar el token maxing

Los agentes también cambian la forma de calcular el coste de la inteligencia artificial.

Un asistente tradicional recibe una consulta y genera una respuesta. Un agente, en cambio, puede realizar numerosas operaciones para completar un único objetivo: buscar información, consultar aplicaciones, leer documentos, comparar resultados, ejecutar herramientas y corregir posibles errores.

Cada uno de esos pasos puede implicar nuevas llamadas a modelos y un consumo adicional de tokens.

Este fenómeno, conocido como token maxing, puede generar gastos inesperados si los agentes trabajan sin límites o utilizan modelos demasiado potentes para tareas sencillas.

Las empresas deberán empezar a medir no solo el coste por licencia, sino también el coste por proceso ejecutado y el retorno obtenido.

Será necesario decidir qué tareas justifican el uso de modelos avanzados, cuándo es suficiente un modelo pequeño y qué procesos deberían seguir resolviéndose mediante automatización convencional.

También es probable que los modelos comerciales evolucionen hacia fórmulas híbridas, combinando una suscripción base con pagos adicionales para consumos extraordinarios.

La eficiencia dejará de ser una cuestión exclusivamente técnica para convertirse en una variable estratégica.

El trabajo cambia: de ejecutar a supervisar

La visión de Microsoft también aborda el impacto de la inteligencia artificial sobre el empleo y la forma de trabajar.

Según Ribas, estas herramientas pueden multiplicar la productividad en determinadas tareas y transformar el papel de los profesionales.

En el desarrollo de software, por ejemplo, parte del trabajo puede pasar de escribir manualmente cada línea a definir requisitos, coordinar agentes, revisar la arquitectura y validar el código generado.

Este cambio también puede trasladarse a otras áreas de la empresa:

Esto no reduce la importancia del conocimiento especializado. Al contrario, la experiencia será fundamental para verificar que la IA está tomando decisiones correctas.

La formación tampoco debería limitarse a aprender a redactar prompts. Los profesionales deberán saber delegar tareas, aportar contexto, revisar resultados, detectar riesgos y decidir cuándo un proceso puede automatizarse.

Las empresas que comiencen a desarrollar estas capacidades estarán mejor preparadas para adoptar una cultura verdaderamente AI-first.

Entrevista completa

En esta entrevista, Jordi Ribas profundiza en la visión de Microsoft sobre la evolución de la inteligencia artificial, el paso de Copilot a agentes más autónomos y los retos relacionados con la productividad, la seguridad y el coste.

El verdadero reto no será disponer de IA, sino integrarla

La inteligencia artificial empresarial no debería comenzar por elegir un modelo, sino por identificar qué conocimiento posee la organización, dónde se encuentra y qué procesos pueden mejorar gracias a él.

Para algunas tareas será suficiente una automatización sencilla. Otras requerirán un modelo especializado, un agente conectado a Microsoft 365 o una integración con Business Central, Dynamics 365, el e-commerce y otras aplicaciones corporativas.

En Zimaltec Soluciones ayudamos a las empresas a preparar sus datos, conectar sus sistemas y convertir la inteligencia artificial en soluciones aplicadas a procesos reales.

Porque la ventaja no estará simplemente en disponer de IA, sino en conseguir que comprenda cómo funciona tu empresa y pueda trabajar de forma segura junto a las personas.