El artículo se abre con un escenario. El CEO de una aseguradora internacional se entera de que los reguladores quieren limitar los márgenes de ciertos productos. En minutos, el AI OS de la empresa lee el borrador de las normas, las contrasta con el catálogo e identifica alrededor de 140 productos afectados en siete países, un tercio de ellos en riesgo, señalando además que cada regulador define el margen de forma distinta. Los directores de país dan su visto bueno; uno de ellos cuestiona un supuesto de asignación de costes y reduce a nueve el número de productos no conformes. Al día siguiente, el sistema modela las opciones (reajuste de precios, rediseño, comisiones, retirada), el comité adopta un plan que el sistema registra como barreras de seguridad, y después los agentes generan diseños y precios que se someten a actuarios, cumplimiento normativo y responsables de línea. Tras el lanzamiento, el sistema supervisa cada producto; la siguiente regulación se gestionará más rápido.

Los autores parten de una brecha: según la encuesta State of AI 2026 de McKinsey, el 40% de las grandes empresas ha desplegado agentes a escala, pero solo el 6% atribuye a la IA al menos el 5% de su EBIT. El reto ya no es la adopción, sino la forma en que opera la empresa. El AI OS, el segundo cerebro de la empresa, mantiene el contexto, razona a través de las funciones, recomienda o ejecuta decisiones, y aprende de los resultados. Se construye sobre lo que ya existe (infraestructura, datos ya disponibles, modelos de múltiples proveedores) y añade una capa semántica compuesta por ontologías y grafos de conocimiento, modelos analíticos deterministas invocados por agentes, una orquestación de agentes reutilizable y una capa de experiencia.

Seis prioridades guían la construcción: poseer el contexto y alquilar o sustituir la tecnología; limitar el número de AI OS a uno, dos o tres; rediseñar los procesos de extremo a extremo; diseñar para la reutilización de modo que la ventaja se acumule; tener en cuenta la economía de la IA, ya que el coste por token ha caído más de un 95% mientras el gasto se ha triplicado; partir de las tecnologías ya pagadas.

La gestión debe cambiar: actuar según la señal y no según un calendario, pilotar de forma continua, dedicar el tiempo de los líderes al juicio, y trabajar mediante conexiones directas en lugar de capas jerárquicas, hasta el punto de contemplar entre 20 y 40 colaboradores directos por responsable. Un OEM global y una empresa industrial estadounidense ilustran el enfoque. Los autores recomiendan centrarse en tres a cinco dominios, establecer una gobernanza semántica, financiar el AI OS compartido y redefinir los derechos de decisión.