{"id":181048,"date":"2026-09-23T09:20:17","date_gmt":"2026-09-23T12:20:17","guid":{"rendered":"https:\/\/www.itsitio.com\/co\/?p=181048"},"modified":"2026-09-23T09:20:17","modified_gmt":"2026-09-23T12:20:17","slug":"el-piloto-funciono-y-ahora-que","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/co\/columna-de-opinion\/el-piloto-funciono-y-ahora-que\/","title":{"rendered":"El piloto funcion\u00f3. \u00bfY ahora qu\u00e9?"},"content":{"rendered":"

Por Filipe Cotait, CEO de Stefanini Data & Analytics<\/a>.<\/strong><\/em><\/p>\n

La inteligencia artificial ya ha demostrado que funciona. Empresas de distintos sectores acumulan pruebas de concepto capaces de automatizar tareas, analizar grandes vol\u00famenes de informaci\u00f3n, respaldar la toma de decisiones y transformar procesos que, hasta hace poco, depend\u00edan casi exclusivamente de la intervenci\u00f3n humana. El desaf\u00edo surge cuando estas iniciativas necesitan salir del entorno controlado del piloto y pasar a formar parte de la operaci\u00f3n<\/strong>.<\/span><\/p>\n

Es en ese momento cuando una diferencia importante se hace m\u00e1s evidente: una demostraci\u00f3n exitosa comprueba que determinada aplicaci\u00f3n es t\u00e9cnicamente posible, pero no significa necesariamente que sea econ\u00f3micamente viable, segura o capaz de funcionar a escala<\/strong>.<\/span><\/p>\n

Las cifras ayudan a dimensionar esta brecha. Seg\u00fan el estudio State of AI in Business 2025<\/strong>, del MIT <\/span>(Instituto Tecnol\u00f3gico de Massachusetts)<\/span>, el 95 % de los pilotos de inteligencia artificial generativa no generan un impacto medible en el P&L (<\/strong><\/span>Profit and Loss<\/span><\/i> – P\u00e9rdidas y Ganancias)<\/span><\/strong>. Por su parte, un estudio global de madurez en IA de IDC (<\/span>International Data Corporation<\/span><\/i>), d<\/span>e 2026, se\u00f1ala que el 54 % de las pruebas de concepto nunca llegan a producci\u00f3n.<\/span><\/p>\n

\"Filipe
Filipe Cotait, CEO de Stefanini Data & Analytics.<\/figcaption><\/figure>\n

La cuesti\u00f3n, por tanto, ya no parece radicar en la capacidad de las empresas para experimentar con nuevas aplicaciones, sino en las condiciones con las que cuentan para transformar esos experimentos en operaciones capaces de producir resultados consistentes para el negocio<\/strong>.<\/span><\/p>\n

Durante los \u00faltimos a\u00f1os, buena parte de la carrera por la inteligencia artificial<\/strong><\/a> tuvo como prioridad la velocidad de adopci\u00f3n. Hab\u00eda que probar modelos, desarrollar casos de uso y demostrar r\u00e1pidamente el potencial de la tecnolog\u00eda. Esta etapa fue importante para el aprendizaje de las organizaciones, pero tambi\u00e9n produjo un efecto colateral: muchas empresas comenzaron a acumular pilotos sin establecer criterios claros para decidir cu\u00e1les de ellos deb\u00edan avanzar.<\/span><\/p>\n

El resultado es lo que podemos llamar el piloto eterno<\/strong>: una iniciativa que funciona, despierta inter\u00e9s y demuestra una posibilidad t\u00e9cnica, pero que no encuentra las condiciones necesarias para convertirse en un resultado recurrente para el negocio.<\/span><\/p>\n

Un estudio de RAND Corporation<\/strong> ayuda a entender por qu\u00e9: el 84 % de las fallas en proyectos de inteligencia artificial tienen causas organizacionales, no t\u00e9cnicas<\/strong>. Este dato cambia la perspectiva sobre el problema porque, si la mayor\u00eda de las iniciativas no fracasan debido a la incapacidad del modelo para ejecutar una determinada tarea, invertir \u00fanicamente en la evoluci\u00f3n de la tecnolog\u00eda dif\u00edcilmente resolver\u00e1 la cuesti\u00f3n.<\/span><\/p>\n

\"Del
Del piloto a la operaci\u00f3n: el principal desaf\u00edo de la IA empresarial ya no es demostrar que funciona, sino conseguir que genere resultados sostenibles.<\/figcaption><\/figure>\n

En muchos casos, el problema comienza incluso antes del primer desarrollo<\/strong>. Los proyectos se ponen en marcha sin un responsable claramente definido dentro del negocio y sin una m\u00e9trica financiera establecida, mientras que los datos y las integraciones solo entran en la discusi\u00f3n despu\u00e9s de la demostraci\u00f3n. La seguridad, la privacidad y la gobernanza aparecen cuando la soluci\u00f3n est\u00e1 a punto de pasar a producci\u00f3n, y el costo por transacci\u00f3n, relativamente bajo durante un piloto, solo revela su verdadero peso cuando la aplicaci\u00f3n comienza a gestionar miles o millones de interacciones.<\/span><\/p>\n

As\u00ed es como un piloto aparentemente econ\u00f3mico puede convertirse en una operaci\u00f3n costosa, con una estructura que no fue preparada para sostener el crecimiento de su uso.<\/span><\/p>\n

Por eso, los criterios utilizados para evaluar las iniciativas de inteligencia artificial deben cambiar<\/strong>. La viabilidad t\u00e9cnica sigue siendo importante, pero no puede representar el principal criterio de \u00e9xito. Antes de preguntarse si un determinado caso de uso funciona, las empresas deben definir qu\u00e9 resultado pretenden modificar, qui\u00e9n ser\u00e1 responsable de ese resultado y qu\u00e9 indicadores permitir\u00e1n evaluar el impacto alcanzado.<\/span><\/p>\n

En este contexto, el P&L pasa a formar parte de la propia arquitectura de la iniciativa<\/strong>, no como un c\u00e1lculo que se realiza al final del proyecto, sino como un criterio establecido desde el principio para determinar si ese caso de uso re\u00fane las condiciones reales para avanzar<\/strong>.<\/span><\/p>\n

La misma l\u00f3gica se aplica al costo y a la gobernanza<\/strong>. Si una aplicaci\u00f3n tendr\u00e1 que operar miles de veces al d\u00eda, conocer su costo unitario antes de escalar deja de ser una discusi\u00f3n exclusivamente financiera y pasa a formar parte de la propia decisi\u00f3n tecnol\u00f3gica. Del mismo modo, la seguridad, la privacidad, la auditor\u00eda y el riesgo no pueden aparecer \u00fanicamente en el momento de pasar a producci\u00f3n<\/strong>, sino que deben formar parte del dise\u00f1o de la soluci\u00f3n desde el inicio.<\/span><\/p>\n

Hay, adem\u00e1s, un cambio menos evidente en este proceso. Escalar la inteligencia artificial exige abandonar la l\u00f3gica tradicional de un proyecto con principio, desarrollo y fin porque, cuando un modelo pasa a formar parte de la operaci\u00f3n, su desempe\u00f1o depende de un seguimiento constante<\/strong>. Los datos cambian, los patrones de comportamiento se modifican, los costos var\u00edan y la calidad de las respuestas puede deteriorarse con el tiempo, lo que convierte el monitoreo, el reentrenamiento y la mejora continua en componentes permanentes de la operaci\u00f3n.<\/span><\/p>\n

\"M\u00e1s
M\u00e1s all\u00e1 del modelo: datos, integraciones, seguridad, privacidad y gobernanza son factores determinantes para llevar una iniciativa de IA a producci\u00f3n.<\/figcaption><\/figure>\n

Esto tambi\u00e9n exige que las empresas acepten que no todos los pilotos tienen que llegar a escala<\/strong>. Parte de la madurez en inteligencia artificial reside precisamente en la capacidad de detener aquellas iniciativas que no demuestran un retorno suficiente y dirigir los recursos hacia las que presentan condiciones concretas para producir un impacto medible. Una prueba de concepto exitosa demuestra una posibilidad, pero no debe representar una autorizaci\u00f3n autom\u00e1tica para ampliar la inversi\u00f3n.<\/span><\/p>\n

A medida que los modelos se vuelven m\u00e1s accesibles y la experimentaci\u00f3n se simplifica, esta capacidad de elecci\u00f3n tender\u00e1 a adquirir mayor importancia. La ventaja competitiva<\/strong> no estar\u00e1 en la cantidad de pilotos que una organizaci\u00f3n sea capaz de poner en marcha, sino en la disciplina para seleccionar qu\u00e9 casos tienen sentido, establecer m\u00e9tricas desde el inicio y crear una estructura capaz de transformar la tecnolog\u00eda en resultados recurrentes<\/strong>.<\/span><\/p>\n

La pr\u00f3xima fase de la inteligencia artificial en las empresas, por tanto, quiz\u00e1 tenga menos que ver con demostrar lo que la tecnolog\u00eda es capaz de hacer y m\u00e1s con construir las condiciones necesarias para que aquello que funciona tambi\u00e9n tenga sentido en el P&L.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

En la medida en que la inteligencia artificial madura dentro de las empresas, la discusi\u00f3n deja de centrarse en lo que la tecnolog\u00eda es capaz de hacer y pasa a enfocarse en qu\u00e9 iniciativas pueden generar un impacto real en el negocio.<\/p>\n","protected":false},"author":229,"featured_media":181054,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[33],"tags":[264],"class_list":["post-181048","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-columna-de-opinion","tag-stefanini-group"],"_links":{"self":[{"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/posts\/181048","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/users\/229"}],"replies":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/comments?post=181048"}],"version-history":[{"count":4,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/posts\/181048\/revisions"}],"predecessor-version":[{"id":181056,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/posts\/181048\/revisions\/181056"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/media\/181054"}],"wp:attachment":[{"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/media?parent=181048"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/categories?post=181048"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.itsitio.com\/co\/wp-json\/wp\/v2\/tags?post=181048"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}