Modelos de IA especializados: la hora de las deep techs universitarias

En los primeros años de la IA generativa, la carrera parecía ser de tamaño. Modelos cada vez mayores, entrenados con cada vez más datos, capaces de responder sobre casi cualquier tema. Las proyecciones más recientes de Gartner apuntan en otra dirección: dentro de las empresas, lo que debe crecer más rápido son los modelos de IA especializados, los que saben mucho de una sola cosa en lugar de un poco de todo.

Para quien desarrolla tecnología a partir de la investigación académica, ese cambio es más que una curiosidad técnica. Desplaza el valor hacia un activo que los laboratorios producen desde hace décadas: conocimiento profundo sobre un problema específico.

Dónde los modelos de IA especializados superan al generalista

En un comunicado de abril de 2025, Gartner resumió el problema de forma directa: los grandes modelos de lenguaje de uso general tienen capacidades robustas, pero la precisión de las respuestas cae en tareas que exigen contexto específico del negocio.

La consultora proyecta que, hasta 2027, las organizaciones usarán modelos pequeños y específicos por tarea en un volumen al menos tres veces mayor que el de los modelos de uso general. Según Sumit Agarwal, vicepresidente analista de Gartner, la variedad de tareas en los flujos de negocio y la necesidad de más precisión están llevando a modelos ajustados a funciones o a datos de un dominio. Esos modelos responden más rápido y usan menos poder de cómputo, lo que reduce costos de operación y mantenimiento.

En el artículo sobre tendencias de adopción publicado en junio de 2026, Gartner refuerza la misma lectura: los modelos especializados por dominio entregan más precisión y eficiencia a un costo menor. La evolución que señala apunta a agentes de conocimiento por tarea y a sistemas con varios modelos trabajando en conjunto.

El dato se vuelve el diferencial

En la práctica, las empresas construyen modelos de IA especializados por dos caminos principales. El primero es conectar el modelo a una base de documentos y datos propios que consulta antes de responder, la técnica conocida como RAG. El segundo es ajustarlo con ejemplos del dominio, el fine-tuning. En ambos casos, Gartner observa que los datos de la empresa se vuelven el diferencial, y por eso exigen preparación, control de calidad, versionado y gestión.

Dos proyecciones completan ese cuadro. En julio de 2025, Gartner estimó que, hasta 2028, el 30% del gasto corporativo global en IA generativa irá a modelos abiertos ajustados a usos específicos de dominio. Y, en el comunicado de abril, Agarwal previó que las empresas comenzarán a monetizar sus propios modelos, ofreciendo acceso a clientes e incluso a competidores. Sería el paso de una postura de protección de los datos a un uso más abierto del conocimiento.

Por qué esto interesa a quien nace en el laboratorio

Una deep tech universitaria suele empezar con tres activos que un modelo genérico no tiene:

• conocimiento de frontera sobre un problema estrecho, acumulado en años de investigación;
• datos especializados, como mediciones experimentales, series de sensores o bases construidas en proyectos de investigación;
• personas que entienden el dominio lo suficiente para saber cuándo una respuesta está equivocada.

Gartner lleva la idea al límite en una de sus previsiones de marzo de 2026: hasta 2030 surgiría una nueva generación de empresas valuadas en más de US$ 1.000 millones con ingresos recurrentes de US$ 2 millones por empleado. Según la consultora, esas empresas resolverían problemas específicos y mal atendidos con IA propietaria. Es una proyección, y de las más audaces, pero indica dónde ve el valor: en el problema bien delimitado, no en el modelo genérico.

Lo que exigen los modelos de IA especializados

Gartner hace tres recomendaciones a las empresas que quieren adoptar modelos específicos:

• empezar por los casos en que el contexto del negocio es crucial, o en que los modelos genéricos no alcanzaron la calidad o la velocidad esperadas;
• combinar modelos y etapas de trabajo cuando un solo modelo no da cuenta de la tarea;
• invertir en datos y en personas, preparando los datos para el ajuste de los modelos y capacitando no solo a los equipos técnicos, sino también a riesgo, compliance, compras y especialistas de negocio.

Traducidas para una deep tech, esas recomendaciones se vuelven tres preguntas que inversionistas y compradores tienden a hacer:

• ¿El modelo especialista es mensurablemente mejor que el genérico en la tarea del cliente? La comparación con un caso real vale más que cualquier demostración.
• ¿De quién son los datos? Las bases construidas en proyectos académicos pueden involucrar a la universidad, agencias de fomento y socios. Resolver derechos de uso y licenciamiento antes de escalar evita problemas en la primera ronda de inversión.
• ¿El valor resiste si cambia el modelo de base? Una solución que es apenas una capa de instrucciones sobre un modelo genérico es frágil. Lo que sostiene a la empresa es el dato, la validación y el conocimiento que no se copian con un prompt.

Y para las empresas establecidas

Para quien compra o integra IA, el mensaje es complementario. Los datos internos, muchas veces tratados como subproducto de la operación, pasan a ser materia prima de ventaja competitiva. Y, donde el modelo genérico decepcionó, la salida puede estar en una startup que ya domina el problema y construyó modelos de IA especializados para él. Ahí la innovación abierta deja de ser discurso y se vuelve atajo.

Un cuidado de lectura

Los números de este artículo son proyecciones de Gartner, no mediciones. La previsión de tres veces más uso se refiere a volumen de uso, no a ingresos ni retorno. Lo que las proyecciones sostienen es una dirección: en el uso corporativo, los modelos de IA especializados tienden a vencer a los generalistas. Transformar esa dirección en negocio sigue dependiendo de probar resultados, caso a caso.

Este es el segundo artículo de la serie. En el primero mapeamos las cuatro fuerzas de escala de la IA generativa y el abismo entre adopción y retorno. En el próximo miramos el vector que más concentra expectativa, y también ruido: la IA agéntica.

Fuentes

• Gartner · Gartner Predicts by 2027, Organizations Will Use Small, Task-Specific AI Models Three Times More Than General-Purpose Large Language Models · comunicado, 9 abr. 2025.
• Gartner · Gartner Identifies the Top Strategic Trends in Software Engineering for 2025 and Beyond · comunicado, 1 jul. 2025.
• Gartner · Gartner Announces Top Predictions for Data and Analytics in 2026 · comunicado, 11 mar. 2026.
• Gartner · Top Emerging Adoption Trends for Generative AI, por Vibha Chitkara · 22 jun. 2026.