23 de julio de 2026 # La máquina de escalar colinas - la ventaja ya no está en el modelo  Esta semana Microsoft ha publicado dos textos sobre sus modelos MAI, y entre los dos hay una frase de Satya Nadella que resume mejor que cualquier benchmark hacia dónde va todo esto: **el modelo es solo una parte del sistema**. Suena raro en una industria que lleva tres años preguntándose cada mes cuál es el mejor modelo. Trabajo en Microsoft, así que esto lo leo con una parte de juez y otra de parte interesada, y aun así creo que la idea de fondo sirve para cualquiera, use la tecnología de quien la use. El anuncio de junio, con los siete modelos MAI de golpe, lo dejé resumido en [[Eco-Maquina-Escalar-Colinas-MAI|un Eco]] para quien quiera el detalle. Aquí me interesa la idea que los agrupa, porque tiene consecuencias prácticas para cualquier empresa que esté decidiendo cómo entrar en la IA. ## Qué es una máquina de escalar colinas Imagina que subes una colina con niebla. No ves la cima, así que solo puedes hacer una cosa: dar un paso, comprobar si has subido o bajado, y quedarte con la dirección que sube. Repites, y llegas arriba sin haber visto nunca el destino. Eso es escalar una colina, *hill climbing*, una técnica vieja de optimización. Microsoft ha cogido esa imagen y la ha convertido en su forma de contar cómo construye la IA. Entrenar un modelo de frontera no es una gran carrera mágica que sale bien a la primera. Es un bucle: preparas los datos, entrenas, mides qué ha mejorado de verdad, te quedas con la receta que sube y vuelves a empezar. Ciclo tras ciclo. Lo interesante es qué mete dentro del bucle, porque no es solo el modelo. También están los datos, la evaluación con la que decide si va bien, y todo lo que rodea al modelo cuando trabaja: el contexto que recibe, la memoria, las herramientas y las skills que puede usar. A ese conjunto lo llaman el harness, y ya le dediqué una newsletter entera cuando expliqué [[81-El-harness-y-simular-agentes|la capa que rodea al modelo]]. El modelo es una pieza más de esa maquinaria, y no siempre la que más manda. ## La jugada no está en tener el mejor modelo Aquí es donde el anuncio deja de ser marketing de producto y se pone interesante. Microsoft construye este sistema con dos objetivos que van más allá de sacar pecho con un modelo nuevo. El primero es no depender de ningún modelo en concreto. Lo dicen casi con esas palabras: montan las cosas para que sus evaluaciones sigan subiendo aunque quites cualquier modelo del sistema, incluidos los de OpenAI o Anthropic. Esos modelos siguen ahí, dentro de la orquestación, trabajando cuando son los mejores para una tarea. Pero el sistema no se cae si mañana cambian de precio, de condiciones o de dueño. El segundo es el coste. En lugar de usar un modelo de frontera para todo, usas uno especializado y más barato allí donde iguala al grande. Microsoft afirma que sus modelos MAI ya superan a modelos generalistas de frontera en muchos casos gastando una fracción de los tokens. Si te suena la música, es porque va en la línea de lo que contaba en [[87-La-rentabilidad-de-los-tokens|la factura de los tokens]]: el modelo adecuado para cada tarea, no el más potente para cualquier cosa. ## Las pruebas: Copilot y Excel Lo bueno del texto de esta semana es que no se queda en la teoría. Trae dos ejemplos con números. El primero es GitHub Copilot. Su modelo MAI-Code-1-Flash lleva desde junio en manos de millones de programadores, y lo comparan con modelos de tamaño parecido: un 10% más de código aceptado que GPT 5.4 Mini y Claude Haiku 4.5, y alrededor de un 10% menos de tokens por el camino. Más trabajo hecho con menos gasto. El segundo ejemplo es el que mejor enseña la idea. Cogieron ese mismo modelo, entrenado para programar dentro de Copilot, y lo metieron en un entorno de entrenamiento de Excel para que aprendiera a moverse por hojas de cálculo. La capacidad se transfirió de programar a trabajar con datos, que no es lo mismo. El resultado es un modelo a la altura de GPT-5.6 en las tareas más comunes, más barato de servir, y que además corre en GPUs de generaciones anteriores, las H100 y A100, sin exigir siempre lo último. Ya han dicho que van a repetir la jugada con Outlook, PowerPoint y Copilot Chat. ## Qué significa esto para una empresa normal Esta es la parte que me hace traer el tema a esta web, porque no va solo de Microsoft. La misma máquina la puede montar, a su escala, cualquier empresa. Lo llaman Frontier Tuning, y por debajo hay una idea sencilla. En vez de comprar un modelo ya hecho, lo entrenas dentro de tus propios entornos, con la traza de tu trabajo real: los pasos que da tu gente, las decisiones que toma, cómo se hacen de verdad las tareas en tu casa. Ese dato es tuyo y sigue siéndolo. El modelo aprende de tu forma de trabajar, y ese conocimiento se queda dentro. Si te fijas, la ventaja se ha movido de sitio. Ya no está en acertar con el modelo del mes, que dentro de medio año será otro y más barato. Está en tener un bucle donde tu trabajo mejora tu IA cada día. Es lo que Nadella lleva meses diciendo con otras palabras, y que recogí en [[Eco-Frontier-Without-Ecosystem|una frontera sin ecosistema no es estable]]: puedes delegar una tarea, o hasta un puesto, pero no puedes delegar tu aprendizaje. Y conecta con lo que escribía sobre [[92-borrador-como-hacer-que-una-empresa-aprenda-con-la-ia|cómo hacer que una empresa aprenda con la IA]]. Toca el aviso de siempre. Esto es Microsoft vendiendo su plataforma, Foundry, y el texto está escrito para que acabes ahí. Montar esos entornos de entrenamiento y esas evaluaciones tampoco es un botón: es trabajo, y de la clase que no se subcontrata del todo, porque nadie conoce tu trabajo mejor que tú. Pero la dirección me parece la correcta. ## Del mejor modelo a la mejor máquina Durante tres años la conversación ha girado alrededor de cuál es el mejor modelo. Es una pregunta que se resetea cada pocas semanas, porque siempre sale uno mejor. La máquina de escalar colinas propone mirar otra cosa: cómo de buena es tu forma de subir. Esa no se resetea, se acumula, y cada ciclo deja algo que el siguiente aprovecha. Para una empresa que está decidiendo cómo entrar en la IA, cambiar de pregunta tiene consecuencias muy concretas. Si crees que ganas eligiendo bien el modelo, inviertes en comparar proveedores. Si crees que ganas con el bucle, inviertes en tus datos, en tu forma de medir y en no atarte a una herramienta que va a cambiar. Microsoft acaba de enseñar sus números para defender la segunda opción. Es un buen momento para mirar los tuyos. > [!tip]+ Para profundizar fuera > - [Building a hill-climbing machine: Launching seven new MAI models](https://microsoft.ai/news/building-a-hillclimbing-machine-launching-seven-new-mai-models/) · Microsoft AI - El anuncio de junio: los siete modelos MAI y la idea de la máquina de escalar colinas. > - [Hill-Climbing MAI models for GitHub Copilot and Excel](https://microsoft.ai/news/hill-climbing-mai-models-for-github-copilot-and-excel/) · Microsoft AI - Los resultados de esta semana en Copilot y Excel, con números. > - [Frontier Diffusion & Control](https://x.com/satyanadella/status/2080329851127669104) · Satya Nadella - El hilo donde ordena la estrategia: coste-resultado, harness e independencia de modelo. > [!tip]+ En esta web > - [[Eco-Maquina-Escalar-Colinas-MAI|El Eco del anuncio de los siete modelos MAI]] - El resumen del texto de junio, con reflexiones. > - [[87-La-rentabilidad-de-los-tokens|Quién paga la factura de la IA]] - El modelo adecuado para cada tarea, visto desde el coste. > - [[Eco-Frontier-Without-Ecosystem|Satya Nadella: una frontera sin ecosistema no es estable]] - De aquí sale la idea de que no puedes delegar tu aprendizaje. > - [[92-borrador-como-hacer-que-una-empresa-aprenda-con-la-ia|Cómo hacer que una empresa aprenda con la IA]] - Los entornos de aprendizaje llevados al día a día de una organización. > - [[81-El-harness-y-simular-agentes|El harness, en detalle]] - Qué piezas rodean al modelo y por qué el bucle pesa más que el prompt.