El término "escalada de colinas" está pasando de los laboratorios de IA a las consultas de consultoría y a las salas de juntas. Se refiere a una búsqueda que mejora cualquier número que tenga delante y no puede ver nada más.
El método de ascenso de colinas es una técnica de búsqueda local que surgió en los inicios de la investigación en IA. Consiste en evaluar la posición actual, probar pequeños cambios cercanos, conservar el que obtenga la puntuación más alta y repetir el proceso. Marvin Minsky introdujo el término en el ámbito de la IA en 1961 y advirtió en el mismo artículo que el método se estanca en falsos picos y divaga sin aprender en terreno llano. Silicon Valley adoptó el término, pero olvidó la advertencia. Para cualquier persona que dirija una empresa, este vocabulario tiene un coste: un lenguaje común que solo nombra mejoras incrementales dificulta la justificación del presupuesto de exploración en una reunión.
Satya Nadella la utilizó en junio para describir la ejecución de múltiples modelos dentro de una infraestructura controlada por el usuario. Demis Hassabis la empleó en julio para preguntarse si la industria de la IA había alcanzado su punto máximo. Paul Graham la utiliza para aconsejar a los fundadores que busquen el crecimiento ahora y se preocupen por los límites más adelante. Tres hombres, tres profesiones distintas, una misma metáfora, y ninguno habla de senderismo.
Qué pasó
El Wall Street Journal informó el jueves que la expresión "escalar colinas" se ha convertido en la frase del momento en San Francisco, extendiéndose desde la investigación en aprendizaje automático al lenguaje empresarial cotidiano. Thomas Kurian de Google Cloud y Shyam Sankar de Palantir la han utilizado en sus declaraciones públicas. Los ingenieros se preguntan entre sí qué "escalar colinas" están haciendo esta semana. Un ejecutivo de IA llama "escaladores de colinas" a sus empleados de análisis cuantitativo. Un investigador le pregunta a su hija de 12 años si quiere "escalar la colina de la geometría" esta noche.
Nick Heiner, responsable de entornos de aprendizaje por refuerzo en la empresa de datos Surge AI, ofreció al Journal la definición más sencilla posible: "Es simplemente un término universal para el acto de mejorar"
Esa simplificación es la razón por la que la palabra se difunde tan bien, y elimina la parte que transmite el significado. Escalar una colina describe una mejora a lo largo del eje sobre el que ya te encuentras. El eje es la idea central.
Hanlin Tang, director de tecnología de redes neuronales en Databricks, comentó al Journal que ha escuchado a clientes ajenos al sector tecnológico usar el término en llamadas, principalmente consultoras especializadas en IA. Ese es el mecanismo de transmisión que vale la pena observar. Los consultores llevaron el concepto de "volante de inercia" a las salas de juntas de la misma manera, y un lingüista de la Universidad de Indiana citado en el artículo hizo la misma comparación.
La historia de fondo
Minsky describió el método de ascenso de colinas en "Pasos hacia la inteligencia artificial", publicado en las Actas del IRE en 1961. Se trata de una caja negra con entradas y una puntuación. No se puede ver su interior. Se explora localmente, se encuentra la dirección de mayor pendiente, se avanza y se repite el proceso hasta que la mejora se detiene.
También escribió las advertencias, en el mismo artículo, en la misma sección.
La primera advertencia es la más conocida. Un escalador que llega a una cima sin una vecina más alta se detiene, independientemente de si esa cima es buena o no. Minsky dijo que la solución es dar pasos más grandes.
La segunda advertencia es la que nadie cita, y es la que debería preocupar a los operadores. Minsky argumentó que, para problemas difíciles, quedar atrapado en un pico falso no es el principal obstáculo. El principal obstáculo es encontrar cualquier pico significativo. Las funciones de puntuación reales tienden a producir lo que él denominó el Fenómeno de la Mesa: amplias regiones planas donde un pequeño cambio en un parámetro no produce ningún cambio en la puntuación. En una meseta, quien avanza a pequeños pasos vaga sin aprender nada.
Su conclusión es tajante. El método de ascenso de colinas requiere un conocimiento estructural del espacio de búsqueda, y sin él, "puede resultar más perjudicial que beneficioso"
Sesenta y cinco años después, esa frase es la parte que no se convirtió en una palabra de moda.
El plan
Alguien se dio cuenta de que un escalador necesita una colina, y montó un negocio.
El aprendizaje por refuerzo se ejecuta en entornos: lugares de trabajo simulados donde un agente intenta una tarea y un evaluador califica el intento. Mercor compró Sepal AI en febrero de 2026 para puntos de referencia calificados por expertos, luego compró Deeptune en julio de 2026 para entornos empresariales que replican Excel, Salesforce, Slack y Zendesk como entornos de prueba. Surge AI, autofinanciada hasta aproximadamente $1.2 mil millones de ingresos de 2024 con alrededor de 110 empleados y ahora valorada por Forbes cerca de $24 mil millones, ofrece su propia suite de entornos. Prime Intellect recaudó $130 millones con una valoración de $1 mil millones en julio de 2026 sobre aproximadamente $100 millones de ingresos anualizados, presentando a las empresas la posibilidad de poseer su propio ciclo de optimización. Mechanize crea entornos de codificación para Anthropic y paga a los ingenieros $500,000.
En el ámbito más amplio de los datos de entrenamiento, las estimaciones de prensa sitúan a 28 empresas emergentes con unos ingresos anuales combinados de aproximadamente 8.500 millones de dólares, frente a una valoración combinada cercana a los 100.000 millones de dólares, y Scale, Surge, Mercor y Handshake acaparan más de las tres cuartas partes de los ingresos.
Luego, observe lo que gana la línea de entornos en sí.
Mercor superó los 2.000 millones de dólares en ingresos anualizados en junio de 2026 y prevé que su negocio de entornos de aprendizaje por refuerzo alcance las decenas de millones en septiembre. Dos adquisiciones en cinco meses sitúan a esta unidad en torno al 1% o 2% de los ingresos del grupo. El escaso activo que todos mencionan es, por ahora, una partida presupuestaria.
El ángulo del modelo de negocio
James March identificó este problema para la gestión en 1991, treinta años antes de que se presentara en una diapositiva. En un artículo publicado en Organization Science, dividió el aprendizaje organizacional en exploración, entendida como búsqueda y experimentación con resultados inciertos, y explotación, entendida como el perfeccionamiento de lo que ya funciona. Su conclusión: las organizaciones adaptativas mejoran la explotación más rápidamente que la exploración, lo que las hace efectivas a corto plazo y autodestructivas a largo plazo. La explotación resulta ventajosa en términos presupuestarios porque sus beneficios se obtienen antes, son más inmediatos y presentan márgenes de error menores.
La escalada de colinas es explotación con una ecuación adjunta. Incorporarla al vocabulario de gestión le da al bando que ya gana una mejor propuesta de venta.
Para una empresa en funcionamiento, esto tiene tres consecuencias.
La exploración pierde su significado. Un ejecutivo ambicioso ahora tiene un lenguaje preciso para decir "aumentar las cifras" y no existe una abreviatura equivalente para "gastar dinero para averiguar si vamos por el buen camino". Nadie vota a favor de recortar el presupuesto de exploración. Este se reduce porque quien lo defiende primero tiene que explicar el concepto, mientras que quien defiende la optimización solo dispone de un término simplificado.
La mayoría de las métricas corporativas se comportan como mesetas. El valor de marca, la retención en un segmento no objetivo, la satisfacción de los desarrolladores, la salud de un canal que no se monitorea adecuadamente: se puede presionar mucho en estos indicadores durante dos trimestres y observar una línea plana, lo que no le dice nada al equipo sobre la dirección a seguir. La advertencia de Minsky cobra mayor relevancia en una empresa que en una sesión de capacitación, porque una empresa no puede repetir el trimestre con un intervalo de tiempo mayor.
La colina es el producto final. Los agentes de compras empresariales invertirán más en definir la clasificadora que en comprar el modelo, que es el argumento que presentamos en «La IA está ganando», donde se puede comprobar la respuesta. El mercado de entornos afirma lo mismo desde el lado de la oferta, y sus ingresos actuales indican que los compradores aún no han llegado del todo.
Marc Benioff ya hizo pública esta medida. Salesforce cambió el consumo de tokens por "unidades de trabajo de agentes" como su indicador interno de éxito en IA, un cambio que analizamos en el artículo sobre la reversión del racionamiento de tokens en las grandes tecnológicas. Cambiar lo que se mide implica un nuevo desafío. En el ámbito de la escalada de colinas no existe una palabra para describir esta decisión, por lo que se sigue tomando por defecto.
El riesgo
La aritmética del gasto de capital es donde la metáfora se vuelve costosa. Las cuatro mayores empresas de hiperescala han proyectado un gasto de capital combinado de aproximadamente 700 mil millones de dólares para 2026, con cifras que varían entre 660 mil millones y 725 mil millones de dólares, dependiendo de las empresas y el tipo de arrendamiento que se considere; la estimación de Morgan Stanley, basada en cinco empresas, se acerca a los 805 mil millones de dólares. Este dinero está respaldado por un crecimiento continuo, lo que significa que una mayor capacidad de cómputo y un mayor aprendizaje por refuerzo seguirán generando ganancias en la dirección actual.
Hassabis, quien dirige uno de los laboratorios, preguntó en julio si el ascenso constante de niveles permitiría a la industria avanzar lo suficiente o si se requieren uno o dos avances más. Un avance significativo es un salto que cruza un valle. Los algoritmos de ascenso de niveles no pueden realizar saltos, razón por la cual los informáticos inventaron los reinicios aleatorios y el recocido simulado para sortear esta limitación. Quien financia un centro de datos para 2026 está financiando un ascenso y esperando un salto.
El riesgo más cercano reside en las empresas comunes. Aproximadamente el 90 % de las empresas que utilizan IA no reportan aún beneficios en términos de productividad, tema que abordamos en nuestro artículo sobre por qué el auge de la productividad con IA aún no se ha materializado. Los equipos que tratan cada problema como una montaña seguirán optimizando proyectos piloto que nunca estuvieron en la pendiente correcta. Nuestro informe sobre el auge de los jefes de gabinete mostró cómo se desarrolla esto: las empresas optimizaron en función del alcance del control porque las capas eran cuantificables, el indicador indirecto mejoró y el costo reapareció en algún lugar que la métrica no podía detectar.
Ahora bien, el contraargumento, porque la versión de Graham merece algo mejor que una falacia del hombre de paja. Los fundadores que se angustian por los máximos locales antes de tener clientes tienden a paralizarse, y el crecimiento inicial revela opciones que ningún análisis previo habría detectado. Subir a la cima de una pequeña colina suele ser la forma más rápida de ver la más grande. El propio consejo de Minsky era dar pasos más grandes, no dejar de escalar. Sin embargo, los rendimientos de Y Combinator provienen de casos atípicos, y estos casos atípicos modifican la función, no los parámetros. Decirle a cada fundador que optimice localmente es un consejo defendible para la empresa promedio del grupo, pero un mal consejo para las que la cartera necesita.
Un detalle más. Los gerentes que recurren a este término pueden agudizar su pensamiento en lugar de entorpecerlo, porque "¿qué estamos intentando escalar?" obliga al equipo a definir una métrica, y la mayoría de los equipos no pueden. Una palabra que expone la ausencia de un objetivo medible resulta útil.
Preguntas rápidas
¿Qué significa "hill-climbing" en IA? Es un método de optimización que evalúa pequeños cambios en una solución actual y conserva aquellos que mejoran la puntuación. El entrenamiento de modelos modernos utiliza métodos de aprendizaje por refuerzo y basados en gradientes que comparten la misma lógica: medir, ajustar, volver a medir.
¿Por qué se mencionan los máximos locales en este método? Un escalador se detiene en cualquier punto donde ningún movimiento cercano ofrece una puntuación mayor, incluso si existe una cima más alta en otro lugar. Quedarse atascado en una cima menor es el ejemplo clásico del fracaso de este método.
¿Es lo mismo escalar colinas que mejorar continuamente? Son conceptos similares, con una diferencia importante. Los programas de mejora continua, como el kaizen, suelen permitir que los trabajadores cuestionen el proceso en sí. En cambio, en escalar colinas, el objetivo es fijo por definición.
¿Qué significa esto para mi negocio? Divida el presupuesto de forma explícita. Financie el trabajo que mejora el indicador de este trimestre y financie el trabajo que verifica si dicho indicador es el correcto, y mantenga la segunda partida separada para que no pueda verse superada por la primera.
¿Quién vende los entornos? Mercor, Surge AI, Scale, Handshake, Prime Intellect y Mechanize proporcionan los entornos y los datos clasificados que hacen posible el aprendizaje por refuerzo. Se trata de una capa de rápido crecimiento, y los ingresos específicos de los entornos aún son pequeños en comparación con los ingresos derivados de los datos humanos.
La perspectiva del analista de modelos de negocio
La jerga empresarial revela lo que resulta fácil para una empresa. El concepto de "volante de inercia" se popularizó porque halagaba a las compañías cuyo crecimiento se acumulaba por sí solo. El concepto de "ascenso progresivo" se está extendiendo ahora porque la industria de la IA ha pasado tres años en un régimen donde una mayor capacidad de procesamiento y mejores evaluadores producían mejores resultados, y esa experiencia es contagiosa para los ejecutivos que desean la misma certeza.
Si quieres, puedes comprar la palabra. Pero ten en cuenta la advertencia. Quienes la usan correctamente optimizan dentro de un sistema donde alguien más ya eligió la función objetivo, y los laboratorios pagan a Mercor y Surge una buena suma de dinero para que desarrollen esos objetivos, porque definir uno bueno resulta ser la parte más difícil del trabajo.
Dentro de tu empresa, nadie te vende ese servicio. Tú eliges tu propia función de puntuación, rara vez la revisas, y la métrica que alguien escribió en una pizarra durante una reunión de planificación hace tres años ahora determina hasta dónde puede llegar tu equipo. Esa decisión no se ajusta a tu presupuesto. De todos modos, establece tu límite, por encima de todo lo que el trabajo de optimización subyacente pueda alcanzar.
El consejo de Minsky sigue vigente. Cuando la mejora se estanca, da un paso más grande.
