La divergencia de IA no es diferenciación

Hay un consejo recorriendo los despliegues empresariales de IA en este momento. Audita tu IA buscando convergencia con la de los competidores, y diseña la divergencia como meta estratégica. El diagnóstico es correcto. La prescripción apunta al objetivo equivocado.

Patrick van Esch, Yuanyuan Gina Cui, y J. Stewart Black describen lo que llaman la Trampa de Convergencia Agéntica. Agentes de IA independientes que entrenan con datos superpuestos, optimizan objetivos similares a velocidad de máquina, llegan a decisiones casi idénticas.

Investigadores estudiaron los mercados alemanes de gasolina al detal. Cuando ambas empresas competidoras desplegaron agentes de IA para fijar precios, los márgenes subieron 38 por ciento en todo el mercado — sin que las empresas compartieran datos entre ellas. La acción federal antimonopolio contra RealPage en 2024 citó la misma dinámica en el sector de vivienda. El patrón está documentado en retail, hospitalidad, aerolíneas, y vivienda, y se está acelerando.

Los autores proponen una solución de cuatro pasos: mantener humanos en el ciclo en decisiones específicas, definir para qué optimiza tu IA más allá del predeterminado de la plataforma, alimentar a tu IA con datos que los competidores no pueden acceder, y medir la convergencia como métrica de gobernanza. Cada paso tiene sentido. La métrica que la solución optimiza — divergencia — no es la métrica que produce posición competitiva.

Distinto no es mejor

La divergencia es uno de los cuatro pasos que los autores prescriben — y el único que se mide. El problema está en lo que se mide, no en lo que se prescribe.

Una estrategia de IA que produce decisiones distintas a las de los competidores puede ser distinta y mejor, o distinta y peor. Diseñar una función objetivo personalizada y alimentar el modelo con datos inusuales producirá salidas distintas. Una de tres cosas será cierta sobre esas salidas.

Serán lecturas más precisas del mercado que las que producen las IA de los competidores. Serán menos precisas. O serán precisas de una forma que el mercado aún no premia.

Sólo la primera es ventaja competitiva. Las otras dos son modos de fallo.

Una métrica de divergencia no distingue entre las tres. “Correlación de decisiones con el comportamiento observable del competidor en los últimos 90 días” — una de las métricas que proponen los autores — te dice si tu IA ve el mundo distinto al de los competidores. No te dice nada sobre si el mundo que ve tu IA está más cerca del comportamiento del mercado. Optimizar para divergencia optimiza para un indicador que puede o no rastrear la posición competitiva.

Lo que requiere la ventaja competitiva en IA

La posición competitiva en IA toma tres formas — cada una más difícil de diseñar que la divergencia, cada una produciendo divergencia como subproducto en lugar de como meta.

Datos que los competidores no pueden observar

La ventaja de Uber sobre Lyft en precios dinámicos descansa sobre 61 mil millones de viajes históricos en más de 10,000 ciudades — un conjunto de datos de comportamiento que la flota más pequeña de Lyft nunca ha igualado. La ventaja no es divergencia — es un sensor que una empresa tiene y la otra no. La misma arquitectura de modelo entrenada con datos de Uber y datos de Lyft producirá decisiones distintas porque los insumos difieren. La ventaja está aguas arriba del algoritmo. Inventar la tecnología es el mismo tipo de activo aguas arriba — no se convierte automáticamente cuando la economía aguas abajo pelea contra el despliegue.

Funciones objetivo que capturan valor de mayor horizonte

Deep Brew de Starbucks optimiza para la frecuencia de visita y la profundidad de la relación a largo plazo, con el valor de la transacción tratado como consecuencia aguas abajo. Un competidor optimizando para el tamaño del ticket sobre los mismos datos verá al mismo cliente y le ofrecerá una venta adicional de panadería. Ninguno de los dos sistemas está fallando — están optimizando cosas distintas. Compuesto a través de millones de interacciones, la elección del objetivo — no el algoritmo — produce relaciones distintas con los clientes.

Juicio humano en los puntos de decisión correctos

El paso uno de la solución prescrita nombra esto; los siguientes tres lo subestiman. Las decisiones donde la recomendación de la IA será idéntica a la de cada competidor son las decisiones donde el humano debe volver a entrar al ciclo — no porque los humanos sean más inteligentes que la IA, sino porque introducen una variación que el sistema estructuralmente no puede. La anulación, la paciencia estratégica, el “no vamos a hacer esto aunque el modelo diga que deberíamos.”

Por qué se adoptará la auditoría de divergencia

La solución de cuatro pasos se adoptará sin importar si construye posición competitiva. La divergencia es medible. “Correlación de decisiones con el comportamiento del competidor sobre 90 días” es un número que cabe en una diapositiva.

Los consejos directivos adoptan marcos de gobernanza de IA bajo presión regulatoria, y quieren métricas que se vean como gestión de riesgo. Las auditorías de divergencia se ven exactamente así.

Los consejos no quieren escuchar las preguntas más difíciles.

¿Qué datos tenemos que los competidores no pueden replicar? ¿Para qué objetivo deberíamos estar optimizando que ningún otro competidor en esta plataforma optimizaría? ¿Dónde aún queremos juicio humano en el ciclo?

Las respuestas comprometen a la empresa con inversiones inconvenientes. Años de trabajo aguas arriba en datos que aún no han rendido frutos. Funciones objetivo personalizadas que los vendedores cobran adicionalmente por implementar. Decisiones de desacelerar para revisión humana cuando la velocidad era el propósito del despliegue.

La defensa antimonopolio es la segunda razón por la que se adoptará la auditoría. El DOJ y la FTC han empezado a citar la convergencia mediada por IA como evidencia de coordinación — RealPage fue el ejemplo nombrado, pero la teoría subyacente se generaliza. Una empresa que ejecuta una auditoría de divergencia puede demostrar a los reguladores que estaba monitoreando para detectar colusión por aprendizaje. Esa es protección legal, y impulsará la adopción sin importar si la métrica rastrea posición competitiva.

La métrica que se está comprando es higiene de gobernanza y cobertura regulatoria. No debe confundirse con estrategia.

• • •

Los autores tienen razón en que los agentes de IA entrenados con datos superpuestos convergen. La solución que prescriben producirá divergencia medible en un tablero de gobernanza. Esa divergencia no es lo mismo que ventaja competitiva.

Una IA que produce conclusiones distintas a las de los competidores es una cosa. Una IA que produce conclusiones que la IA de los competidores no puede producir es otra. Los datos, el objetivo, o el humano en el ciclo tienen que estar aguas arriba de los suyos.

La posición competitiva en IA vive aguas arriba del algoritmo.