Esta semana, en el Google I/O 2026 celebrado el 19 de mayo en Mountain View, Gemini Omni volvió a ocupar el centro del escenario. Esta vez con una descripción que va más allá de la mejora incremental habitual: los ingenieros de Google lo presentaron como un paso hacia lo que llaman un world model, una inteligencia capaz de razonar sobre el mundo de forma más parecida a como lo hace una persona. Demis Hassabis, desde el escenario, fue directo: la inteligencia artificial general está «a pocos años vista».

La demostración fue llamativa, sí. Pero el concepto que hay detrás es lo que merece atención. Porque si los modelos de lenguaje cambiaron la forma en que las empresas procesan información, los world models apuntan a algo más profundo: cambiar la forma en que la IA toma decisiones.

¿Qué es exactamente un world model?

Un modelo de lenguaje —el tipo de IA que conocemos bien desde 2022— aprende a predecir la siguiente palabra. Lo hace con una precisión asombrosa, y de ahí emerge gran parte de su utilidad. Pero no entiende la física. No sabe que si sueltas un vaso cae. No modela relaciones causales entre eventos. Trabaja con texto y patrones estadísticos, no con representaciones del mundo real.

Un world model, en cambio, construye una representación interna de cómo funciona el entorno: qué causa qué, cómo evolucionan los sistemas en el tiempo, qué ocurrirá si se modifica una variable. Piensa en cómo un niño aprende que el agua se derrama si inclinas un vaso. Nadie le da las ecuaciones. Observa, interactúa y construye un modelo mental. Los world models intentan replicar precisamente ese proceso.

¿En qué se diferencia esto de la IA generativa que ya usamos? En que la IA generativa opera fundamentalmente sobre datos digitales y texto; el world model razona sobre objetos, fuerzas, causalidad y tiempo. La diferencia no es de grado: es de naturaleza.

Por qué esto cambia el juego para las empresas

Durante los últimos dos o tres años, muchas organizaciones han seguido el mismo patrón: adoptar un LLM, conectarlo a sus flujos de trabajo y empezar a automatizar tareas. Ha funcionado. Pero esa ventaja se está erosionando rápido. Cuando todas las empresas tienen acceso a los mismos modelos vía API, la herramienta deja de ser el diferencial.

Los world models abren una dimensión distinta: la capacidad de simular antes de actuar. Algunos ejemplos concretos de lo que esto significa en la práctica:

  • En logística y cadena de suministro, un sistema con modelo de mundo puede simular el impacto del cierre de un puerto en Asia sobre el inventario europeo, calcular rutas alternativas y anticipar retrasos antes de que ocurran. No solo describir el problema: predecirlo y proponer alternativas.
  • En industria y robótica, entrenar un robot en un entorno simulado con física realista antes de llevarlo a la planta reduce costes de prueba y error de forma sustancial. La simulación previa en gemelos digitales basados en world models permite planificar movimientos e interacciones antes de ejecutarlos en el mundo físico.
  • En salud, investigadores ya trabajan con sistemas que unifican datos genómicos, proteómicos y clínicos para modelar sistemas biológicos complejos y acelerar el desarrollo de tratamientos.
  • En gestión de riesgos, plataformas de predicción meteorológica usan modelos de mundo para anticipar lluvias intensas con 48 horas de antelación y resolución de 2 km, dato que aseguradoras globales ya utilizan para estimar pérdidas.

 

La lógica empresarial detrás es clara: pasar de describir lo que ocurrió a predecir lo que ocurrirá. Y de ahí, a simular lo que podría ocurrir si se toma una decisión determinada.

El estado real de la tecnología a mayo de 2026

¿Están los world models listos para implantarse mañana en cualquier empresa? No exactamente. Pero tampoco son ciencia ficción, y el capital que se está moviendo en este campo da una pista bastante clara de hacia dónde vamos.

En los últimos doce meses, la inversión en startups de world models ha superado los 12.000 millones de dólares, triplicando la cifra de 2024. Yann LeCun —uno de los padres de la IA moderna y Premio Turing— dejó su cargo en Meta a finales de 2025 para fundar AMI Labs en París con una ronda inicial superior a 1.000 millones de dólares, con el objetivo explícito de construir una IA basada en modelos del mundo en lugar de en modelos de lenguaje. Paralelamente, Fei-Fei Li lidera World Labs con una valoración que supera los 5.000 millones, también centrada en la comprensión visual del entorno.

Esto no es una apuesta académica. Es una señal de que el sector considera los world models como la próxima capa crítica de la inteligencia artificial. Quien entienda esta transición hoy tendrá ventaja cuando las herramientas lleguen a escala. Igual que quienes comprendieron los transformers en 2020 estaban mejor posicionados cuando llegó el boom de los LLM.

Qué deberían hacer los directivos ahora mismo

Hay una pregunta que surge con frecuencia cuando se habla de esto en entornos directivos: ¿cuándo debería mi empresa preocuparse por los world models? La respuesta honesta: depende de tu vertical, pero antes de lo que crees.

Los modelos de mundo no van a reemplazar de golpe los sistemas que ya tienes. Van a integrarse progresivamente, especialmente en las áreas donde la simulación, la predicción de escenarios y el razonamiento causal aporten valor real: operaciones, cadena de suministro, planificación financiera, mantenimiento predictivo, desarrollo de producto.

Lo que sí conviene hacer ahora es preparar el terreno. Y eso implica tres cosas concretas:

  • Auditar la calidad y estructura de los datos propios. Los world models aprenden de datos ricos, estructurados y con contexto temporal. Si los datos de tu organización son un caos, ninguna arquitectura de IA —nueva o antigua— va a funcionar bien.
  • Identificar los procesos donde la simulación de escenarios aportaría valor diferencial. No hace falta esperar a tener un world model propio para empezar a pensar en términos de «¿qué pasaría si?».
  • Seguir de cerca cómo los proveedores de plataformas que ya usas van incorporando estas capacidades. Los grandes modelos multimodales ya integran elementos básicos de comprensión del mundo físico, como muestra lo anunciado esta semana en el I/O 2026. La transición es gradual, pero está en marcha.

 

La cuestión regulatoria: el AI Act y los sistemas de alto riesgo

En Europa, el AI Act —en vigor desde agosto de 2024 y con aplicación progresiva hasta 2027— clasifica los sistemas de IA por nivel de riesgo. Un world model aplicado a decisiones de operaciones, logística o salud puede caer perfectamente en la categoría de riesgo alto, lo que implica requisitos estrictos de transparencia, auditabilidad y supervisión humana.

Esto no es un obstáculo: es un marco que obliga a implementar estas tecnologías de forma responsable, con documentación de los procesos de decisión y mecanismos de control humano. Bien diseñado, reduce el riesgo de adopción en lugar de aumentarlo. Y en entornos como el europeo, donde la confianza en la IA sigue siendo un factor crítico para la adopción, ese marco puede convertirse en ventaja competitiva.

De la promesa al resultado medible

Los world models representan un salto cualitativo en cómo la inteligencia artificial puede contribuir a la estrategia empresarial. Pero la brecha entre una tecnología prometedora y una tecnología que genera resultados reales en una organización concreta no se cierra sola.

En Qaleon llevamos años ayudando a equipos empresariales a transformar tecnología de IA avanzada en decisiones concretas, procesos optimizados y resultados que se pueden medir. Si estás pensando cómo posicionarte ante esta transición —o simplemente quieres entender qué implica para tu sector— podemos ayudarte a trazar el camino. Sin promesas vacías, con los pies en el suelo.