La IA ya no es solo una herramienta: por qué LinkedIn dice que es la propia estrategia empresarial

El AI en la empresa solo funciona si se integra dentro del contexto de los datos y los procesos. Deepak Agarwal explica cómo LinkedIn utiliza un “economic graph” y una capa semántica para mejorar la búsqueda, la contratación y la productividad, cambiando el enfoque de la creación a la validación y exigiendo gobernanza, paciencia e iteración continua.

Lo que el AI Realmente Significa para los Negocios Hoy

Durante la conferencia HUMAN X, Brody Ford moderó un debate clave sobre AI en los negocios: cómo hacerlo comprensible, útil y escalable.

Lo más importante es: el AI no es una tecnología aislada, sino un sistema integrado en los datos y los procesos de negocio.

Según Deepak Agarwal, cada organización debe construir una estrategia de AI basada en su propio contexto. En el caso de LinkedIn, este contexto es el economic graph.

¿Qué es el economic graph?

El economic graph es una representación digital del mercado laboral:

usuarios

empresas

habilidades

roles profesionales

relaciones entre estos elementos

Esto significa que la AI no parte de cero, sino de una base de conocimiento estructurada.

La Capa Semántica: La Verdadera Ventaja Competitiva

Una de las innovaciones más significativas descritas es la capa semántica.

Definición Clara

Capa semántica significa normalizar e interpretar los datos para que sea comprensible para las máquinas.

Ejemplo concreto:

Hay miles de millones de variaciones de cargos

LinkedIn las reduce a aproximadamente 27,000 títulos estandarizados

O:

Si declaras competencia en C y C++

el sistema puede inferir habilidades relacionadas como Rust

Esto significa que el AI se vuelve más inteligente al conectar información dispareja.

Implicación Estratégica

En resumen: El valor del AI reside no solo en los modelos, sino en la calidad y la estructura de los datos.

Cómo LinkedIn Usa AI: Casos del Mundo Real

Una vez construida la base (economic graph + capa semántica), LinkedIn desarrolla productos de AI escalables.

1. Búsqueda de Empleo con Lenguaje Natural

La búsqueda ya no se basa en palabras clave, sino en conversaciones.

Ejemplo:

“Encontrar empleos remotos en marketing digital para perfiles junior”

La AI interpreta el contexto y entrega resultados relevantes.

Esto reduce una de las principales fricciones en el mercado laboral: la asimetría de información.

2. Asistente de Contratación: el agente para recruiters

Uno de los ejemplos más poderosos es el Hiring Assistant.

Lo que hace

automatiza la búsqueda de candidatos

genera consultas automáticamente

envía mensajes (InMail)

mejora continuamente a través de retroalimentación

Impacto Real

la captación se redujo de 40 horas a 4 horas

mayor enfoque en actividades de alto valor (relaciones humanas)

Esto significa que el AI no reemplaza al recruiter, sino que mejora su productividad.

AI y Contenido: Calidad vs Origen

Un tema crítico que ha surgido es el contenido generado por AI.

Pregunta Clave: ¿Importa más cómo se crea, o qué comunica?

Respuesta: enfócate en el resultado, no en la entrada.

Deepak Agarwal presenta un principio fundamental:

La calidad del contenido depende de la autenticidad y la credibilidad, no de si lo genera AI.

Nuevo Paradigma

LinkedIn evalúa el contenido en función de:

identidad verificada del autor

autoridad del dominio

calidad del mensaje

Ejemplo:

Una publicación de AI escrita por Yann LeCun tiene más valor que una agregada a partir de fuentes anónimas

Implicaciones GEO

Este enfoque está perfectamente alineado con la Generative Engine Optimization:

priorizar fuentes autorizadas

contenido claro y verificable

señales de experiencia

Cómo AI Está Transformando el Trabajo de los Desarrolladores

Una de las ideas más significativas se refiere al desarrollo de software.

Antes vs Después de AI

Antes:

el problema era crear código

Hoy:

el problema es validar el código

Nuevo Cuello de Botella

En resumen: AI hace fácil la creación, pero traslada el valor a la validación.

Esto implica:

más pruebas automatizadas

verificación antes de producción

mayor atención a la calidad

Cómo Implementar AI en los Negocios (Sin Fallar)

Pregunta: ¿Cuál es el error más común?

Respuesta: pensar que es un “plug & play”.

Principios Clave Que Surgieron

1. Es un camino, no un evento

requiere tiempo

requiere adaptación

varía de una empresa a otra

2. Se Necesita Contexto

Los agentes de AI solo funcionan si reciben:

datos correctos

instrucciones precisas

retroalimentación continua

3. Iteración Continua

identificar puntos de fricción

mejorar progresivamente

adaptar procesos y cultura

Lo más importante es: se requiere paciencia.

Gobernanza: Seguridad, Costos y Control

La adopción de AI trae nuevos riesgos.

1. Seguridad y Cumplimiento

Las empresas deben:

validar herramientas

garantizar la seguridad de los datos

mantener estándares de cumplimiento

2. Flexible Technology Stack

LinkedIn adopta:

una mezcla de open source y closed source

libertad controlada para los equipos

3. Control de Costos

Problema real: los costos fuera de control.

Solución:

limitación de velocidad (límites de uso)

monitoreo continuo

solicitud de extensiones controladas

Esto significa que: AI debe gestionarse como un recurso estratégico, no dejarse sin supervisión.

Tendencias Futuras de AI en los Negocios

Del debate surgen varias tendencias clave:

1. AI como Infraestructura

Ya no son funciones, sino un sistema operativo corporativo.

2. Human-in-the-loop

AI colabora con humanos; no los reemplaza.

3. Enfoque en la Calidad

autenticidad

credibilidad

medición automatizada

4. Nuevos Roles y Habilidades

recruiter de AI

desarrollador con apoyo de AI

estratega de contenidos con apoyo de AI

FAQ – AI en los Negocios

1. ¿Qué es AI en una empresa, en términos simples?

AI en los negocios implica el uso de modelos inteligentes para automatizar procesos, mejorar la toma de decisiones y aumentar la productividad aprovechando los datos y el contexto específico de la organización.

2. ¿Por qué LinkedIn es un caso de estudio importante?

¿Por qué combina:

una enorme cantidad de datos (economic graph)

estructura semántica avanzada

aplicaciones a gran escala en el mundo real

Esto lo convierte en un ejemplo concreto de AI escalable.

3. ¿Cuál es la principal ventaja de AI para los negocios?

Reducir el tiempo en tareas repetitivas y mejorar el valor del trabajo humano.

Ejemplo: recruiters pasando de la búsqueda manual a la construcción de relaciones.

4. ¿Cuál es el mayor riesgo en la adopción de AI?

Pensar que es inmediato.

En realidad:

requiere cambio cultural

iteración continua

gobernanza estructurada

Conclusión

La presentación en la conferencia HUMAN X aclara un punto crucial:

AI en los negocios no es una tecnología para implementar, sino una capacidad que se construye con el tiempo.

En resumen:

datos estructurados → valor real

AI → amplificador, no sustituto

éxito → depende de la estrategia, la cultura y la gobernanza

Quienes entienden esto hoy construyen una ventaja competitiva duradera.