La adopción de inteligencia artificial dentro de las organizaciones atraviesa una etapa particular: el entusiasmo inicial ya pasó, pero los resultados todavía no siempre llegan. Muchas compañías prueban herramientas, automatizan tareas puntuales o habilitan asistentes generativos, aunque el impacto real en productividad y negocio sigue siendo desigual.
Para Fabio Caversan, director de Tecnología (CTO) de Stefanini Group, el motivo es claro: el obstáculo principal dejó de ser el modelo de IA y pasó a ser la forma en que se integra dentro de la operación.
“Un entorno seguro de experimentación parte de una premisa clara: la IA no puede operar fuera del proceso de ingeniería”, explica. La afirmación resume un cambio de paradigma: el problema ya no es adoptar IA, sino incorporarla correctamente.
El primer error: usar IA fuera del sistema
Uno de los fenómenos más comunes dentro de las empresas es el uso informal de herramientas generativas por parte de empleados. Este comportamiento —muchas veces prohibido inicialmente por seguridad— genera el dilema entre innovación y control.
Según Caversan, la solución no es bloquear, sino diseñar espacios controlados. “Técnicamente, esto implica trabajar con sandboxes cerrados, modelos privados o instancias corporativas donde los datos no se reutilizan para entrenamiento público y donde existe trazabilidad sobre inputs y outputs”.
El punto clave no es solo tecnológico. También interviene el factor humano. “La IA puede generar código, pero ese código siempre es revisado, ajustado y validado por un desarrollador antes de entrar en producción. Esa capa humana actúa como contención natural frente a errores, alucinaciones o usos indebidos”.
Cuando la experimentación está integrada al flujo de trabajo y no aislada, la innovación deja de ser un riesgo.
El segundo error: herramientas aisladas sin arquitectura
Otra barrera frecuente aparece cuando cada área adopta soluciones independientes. El resultado suele ser fragmentación, costos innecesarios y expectativas incumplidas.
“El mayor error es tratar la IA como un conjunto de herramientas independientes”, advierte el CTO. En su lugar, propone una arquitectura centralizada de datos, modelos y servicios.
Ese núcleo permite estandarizar seguridad, gobernanza y versionado, mientras las áreas de negocio construyen sus propios casos de uso. Además, habilita la próxima evolución tecnológica: la IA agéntica.
“Avanzamos hacia soluciones más complejas que no funcionan como productos genéricos, sino como software diseñado caso por caso”, sostiene.
Sin esa base común, la inteligencia artificial difícilmente genere valor real.
El verdadero cuello de botella: los sistemas legacy y la calidad del dato
Paradójicamente, el principal problema al implementar IA no suele estar en la inteligencia artificial. “El desafío no está en el modelo, sino en conectar la IA con sistemas que no fueron pensados para este nivel de interacción”, señala Caversan.
Muchos entornos empresariales carecen de APIs, datos en tiempo real o estructuras consistentes. Eso obliga primero a resolver cuestiones clásicas de ingeniería: integración, normalización y contexto.
“La IA amplifica lo que existe. Si los datos y los procesos no están listos, el problema se vuelve más visible, no menos”. La promesa de automatización, entonces, depende directamente de la madurez previa de los sistemas.
Cómo saber si la Inteligencia Artificial realmente funciona
Más allá del entusiasmo, medir resultados es uno de los grandes desafíos actuales. Para el ejecutivo, la pregunta clave es simple: ¿cambia la ecuación del esfuerzo? “Medimos reducción de tiempo, aumento de productividad y viabilidad de proyectos que antes no existían”.
Este último punto resulta especialmente relevante. El retorno de inversión no siempre aparece solo en ahorro de costos, sino en nuevas capacidades. “Si una solución de IA solo consume infraestructura sin habilitar nuevos productos, nuevos procesos o nuevas capacidades, probablemente esté mal enfocada”.
Gobernanza: los prompts también son activos
La seguridad en inteligencia artificial no se limita al acceso a los modelos. También involucra la forma en que se utilizan. “Hoy entendemos que los prompts son parte del diseño del sistema, no simples comandos. Por eso se gestionan como activos: con buenas prácticas, control de versiones y estándares claros”.
Sin embargo, las reglas no alcanzan por sí solas. La clave es la supervisión integrada al proceso. “La IA no opera en el vacío. Opera dentro de sistemas diseñados para limitar su imprevisibilidad”.
El principio operativo es claro: la IA propone, el humano dispone.
Dónde hoy sí aparece el retorno más rápido
Aunque la automatización y la experiencia del cliente muestran avances, el mayor impacto actual se observa en desarrollo de software. “Estamos viendo el ROI más rápido y transformador en el desarrollo tradicional”, afirma.
Las herramientas actuales aceleran generación de código, documentación, pruebas y resolución de errores. Esto produce un efecto estructural. “Equipos pequeños pueden abordar proyectos que antes eran inviables por falta de tiempo o recursos”.
El resultado es una democratización del desarrollo: más soluciones, mayor velocidad y mejor calidad sin aumentar los equipos.
El próximo paso: humanos como orquestadores de agentes
La siguiente etapa de la inteligencia artificial empresarial no será la automatización total, sino la coordinación. “La gran transformación es la integración de agentes especializados profundamente conectados con el software tradicional”. En este escenario, cambia el rol de las personas. “Los humanos se convierten en orquestadores de agentes: diseñan, coordinan y supervisan ecosistemas inteligentes”.
Junto a esto aparecerá la llamada IA física: robots, drones y sistemas autónomos enfocados en tareas específicas dentro de operaciones reales.
El CTO descarta, en cambio, la idea de soluciones universales inmediatas. “El verdadero valor está en menos hype y más ingeniería: soluciones específicas, bien integradas y con gobernanza clara”.
De herramienta a infraestructura
La inteligencia artificial empresarial atraviesa una transición silenciosa. Dejó de ser una aplicación puntual para convertirse en parte de la infraestructura operativa.
El desafío ya no consiste en usar IA, sino en diseñar organizaciones capaces de trabajar con ella. Y, según la visión de Caversan, el futuro no será de máquinas reemplazando personas, sino de personas multiplicando su capacidad mediante sistemas inteligentes coordinados.
La diferencia competitiva no estará en tener acceso a la tecnología, sino en saber integrarla.
Leer más
- La predicción, la tendencia en atención al cliente para el 2026
- David Hernández, de Dell: “La transformación digital ya no es una opción, es una necesidad estratégica”
- La falta de talento en IA y los sistemas heredados frenan la transformación industrial, según GlobalLogic y HFS
