Y Combinator plantea empresas que se mejoran solas con IA

Y Combinator abrió un nuevo debate sobre el futuro de las empresas al plantear que la IA no debe verse solo como una herramienta de productividad, sino como la base de organizaciones capaces de aprender, corregirse y mejorar por sí mismas de forma continua.
***

• Y Combinator comparó la empresa tradicional con una legión romana y sostuvo que la IA rompe esa lógica jerárquica.
• La propuesta central es convertir el conocimiento interno de la empresa en un sistema legible para IA, capaz de operar en bucles recursivos de mejora.
• La firma aseguró que ya observa startups con cerca de 5 veces más ingresos por empleado que hace 18 meses.

La aceleradora Y Combinator puso sobre la mesa una idea ambiciosa sobre el futuro de la organización empresarial: dejar de pensar la inteligencia artificial como un simple copiloto y empezar a verla como la estructura central de una compañía capaz de mejorarse sola.

La tesis fue presentada en How to Build a Self-Improving Company with AI, donde se argumenta que muchas empresas siguen operando bajo una lógica heredada de jerarquías rígidas, en las que los humanos son el conducto principal para que la información suba y baje por la organización.

Según esta visión, ese diseño se parece más a una legión romana que a una firma nativa de IA. La comparación no fue casual. La exposición recordó que las legiones romanas estaban diseñadas para proyectar poder a gran distancia desde un centro, mediante jerarquías anidadas y tramos de control consistentes.

El punto de fondo es que ese mismo esquema todavía domina a buena parte del mundo corporativo. Sin embargo, la aparición de modelos avanzados y agentes con capacidad de operar sobre datos, herramientas y flujos internos estaría debilitando la necesidad de esa capa de coordinación intermedia.

Más allá del copiloto: la empresa como sistema vivo

En el discurso se cuestionó una de las narrativas más comunes de los últimos dos años: la de usar IA para volver a los empleados entre 20% y 30% más productivos. Esa aproximación fue descrita como una forma limitada de adopción, porque solo agrega un motor más potente al modelo de trabajo anterior.

En cambio, la propuesta consiste en rediseñar la empresa desde cero. La idea es pensarla como un conjunto de bucles recursivos de IA que observan el entorno, toman decisiones dentro de ciertas reglas, ejecutan acciones con herramientas concretas, pasan controles de calidad y aprenden de los resultados.

Ese marco arranca con una capa de sensores. Allí entran correos de clientes, tickets de soporte, cambios de código, cancelaciones de suscripción y telemetría de producto. Todo eso funciona como flujo de entrada para captar señales del mundo real.

Luego aparece una capa de políticas o decisiones, que define qué puede hacer el sistema, cuándo necesita aprobación humana y qué debe registrar. A eso se suma una capa de herramientas, integrada por APIs deterministas y funciones como consultar bases de datos o revisar calendarios.

El esquema se completa con una barrera de calidad, formada por evaluaciones, filtros de seguridad y revisión humana para casos de mayor riesgo, además de un mecanismo de aprendizaje que devuelve la experiencia del sistema al inicio del ciclo. Si ese circuito opera con mínima intervención humana, la empresa puede mejorar incluso mientras sus equipos descansan.

El ejemplo interno: agentes que detectan fallas y corrigen el sistema

La presentación incluyó casos concretos ya en uso. Uno de ellos comenzó con un agente relativamente simple, capaz de responder consultas mediante herramientas deterministas conectadas a la base de datos. Por ejemplo, podía contestar cuándo se tuvo por última vez una sesión de office hours con determinada startup.

Después, ese mismo sistema evolucionó para resolver consultas más complejas. Si una empresa necesitaba presentaciones con fundadores vinculados a petroquímicos, el agente podía usar distintas formas de consulta, recuperación aumentada y vistas de datos para proponer contactos relevantes.

Hasta allí, se trataba todavía de una lógica de asistente. La ruptura llegó cuando se agregó un agente de monitoreo encima del primero, encargado de observar todas las consultas realizadas por los empleados, detectar cuándo funcionaban y, sobre todo, cuándo fallaban.

Cuando una consulta no funcionaba, el sistema analizaba por qué. A partir de esa falla, evaluaba si era necesario crear nuevas herramientas deterministas, actualizar archivos de habilidades, modificar una vista de base de datos o generar un nuevo índice. Luego escribía el código, lo enviaba como merge request, lo hacía revisar por otro agente y lo desplegaba.

El resultado, según la exposición, es que al día siguiente un humano puede repetir la misma consulta y obtener ahora una respuesta correcta. En otras palabras, la plataforma no solo ayuda al empleado, sino que se corrige a sí misma tras cada error y extiende sus propias capacidades.

Ventas, producto y soporte: áreas candidatas a bucles recursivos

La lógica no se limita a búsquedas internas. También se propuso aplicarla al análisis de producto. Un agente podría revisar la analítica de uso, identificar la parte del embudo de ventas con mayor fricción, investigar mejores prácticas, montar una prueba A/B, dejarla correr una semana, elegir la mejor variante y desplegarla.

Luego, ese mismo proceso podría repetirse una y otra vez. La idea es convertir el producto en un sistema de optimización continua, donde la IA detecta frenos, prueba soluciones y aprende de la respuesta real de los usuarios.

Otro frente mencionado fue el de servicio al cliente. Allí los comentarios y solicitudes podrían entrar en un flujo de triaje automatizado. Bajo esta lógica, harían falta agentes que funcionen como un director de producto y un director tecnológico, tomando decisiones sobre qué sugerencias no encajan y cuáles sí están alineadas con la hoja de ruta.

En los casos aprobados, la cadena podría seguir sin intervención humana: escribir el código durante la noche, desplegarlo y entregar la mejora al cliente. El concepto general es que cada función del negocio pueda evaluarse como un bucle de mejora continua, en vez de un organigrama estático.

“Quemar tokens, no headcount” y el cuestionamiento al middle management

Uno de los planteamientos más llamativos fue el de “quemar tokens, no headcount”. La idea es que el nuevo cuello de botella no será tanto la cantidad de empleados, sino la capacidad de consumir cómputo útil en modelos de IA para experimentar, automatizar y aprender más rápido.

La charla sostuvo que ya se están viendo empresas llegar a demo day con cerca de 5 veces más ingresos por empleado que hace 18 meses. Según esa lectura, la tendencia podría extenderse a etapas como serie A y serie B.

También se habló de medir el uso de tokens dentro de la organización, aunque se reconoció que se trata de una métrica burda y fácil de manipular si se convierte en una tabla de posiciones formal. Aun así, se planteó como una señal direccional para ver quién está explorando al máximo las capacidades disponibles.

Más fuerte aún fue la afirmación sobre el middle management. La tesis es que gran parte de la gestión intermedia pierde sentido si la coordinación, observación y asignación de tareas pueden ser realizadas por sistemas de IA. En su lugar, el modelo favorece dos figuras: contribuidores individuales y responsables directos claramente identificados.

La preferencia expresada fue por personas con nombre y apellido a cargo de resultados concretos, no comités. Desde esa perspectiva, la empresa de nueva generación se construiría con operadores y builders apoyados por inteligencia artificial, no con capas crecientes de gestión humana.

La condición crítica: volver legible toda la organización

Para que una empresa pueda funcionar de ese modo, primero debe hacerse legible para la IA. Ese fue quizá el mensaje más insistente de toda la exposición. Si algo ocurre dentro de la organización y no queda registrado, en términos prácticos no ocurrió para la inteligencia del sistema.

La implicación es radical: registrar correos, mensajes internos, interacciones relevantes y reuniones. En el caso explicado, todos los correos de socios, mensajes y sesiones de office hours de los últimos meses pasan a formar parte de la base de conocimiento de la organización.

Sin embargo, registrar no basta. También hay que sintetizar. La charla remarcó que no es viable introducir directamente 100.000 horas de grabaciones en una ventana de contexto. Por eso, se propuso diarizar, agregar, clasificar y condensar el material en rutas de navegación y fragmentos útiles que la IA pueda consultar.

Un ejemplo de esa capacidad fue la regeneración del manual de usuario de YC. Con unas 2.000 horas de office hours grabadas en tres meses, se pidió al sistema categorizar el contenido en áreas como fundraising, contratación o disputas entre cofundadores, y redactar un nuevo manual.

El resultado fue un documento de 150 páginas, descrito como muy superior a la versión anterior, escrita hace entre 5 y 10 años. Además, se planteó la posibilidad de actualizarlo cada mes, comparando consejos nuevos con el texto existente para incorporar solo lo que aporte valor. Así, el manual deja de ser un archivo estático y se convierte en un cerebro vivo.

Software efímero, contexto permanente y el rol humano

Otra idea central fue distinguir entre contexto valioso y software desechable. La presentación defendió almacenar con celo todos los datos, correos, habilidades y conocimiento operativo, pero tratar las herramientas internas como capas efímeras que pueden regenerarse cuando los modelos mejoran.

En ese marco, paneles, dashboards y flujos internos podrían crearse bajo demanda. Se afirmó que modelos actuales ya son suficientemente buenos para generar de una sola vez buena parte del software interno simple. Si en uno o dos meses aparece un modelo mejor, la recomendación es reconstruir la interfaz sobre la misma base de contexto.

Lo persistente sería el “cerebro” de la empresa: su memoria, reglas, experiencia acumulada y comprensión de cómo funciona cada proceso. Lo transitorio sería la aplicación concreta que se monta encima para operar ese conocimiento.

¿Y qué queda para los humanos? La respuesta propuesta es que las personas pasan a situarse en los bordes del sistema, allí donde la inteligencia entra en contacto con la realidad. Eso incluye situaciones novedosas, decisiones éticas, momentos de alto riesgo y encuentros de gran carga emocional.

También se sugirió que, al menos durante mucho tiempo, ciertas conversaciones de ventas seguirán requiriendo presencia humana en la sala. Pero el llamado final fue claro: si alguien estuviera construyendo una empresa hoy, debería preguntarse si la diseñaría con la forma tradicional o si empezaría ya desde esta arquitectura nativa de IA.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín