{"id":180107,"date":"2025-09-29T18:00:01","date_gmt":"2025-09-29T21:00:01","guid":{"rendered":"https:\/\/nuevoitsitio1.wpenginepowered.com\/mx\/sin-categoria\/integrar-antes-que-escalar-claves-y-errores-en-la-adopcion-de-genai-para-empresas\/"},"modified":"2025-09-29T18:00:01","modified_gmt":"2025-09-29T21:00:01","slug":"integrar-antes-que-escalar-claves-y-errores-en-la-adopcion-de-genai-para-empresas","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/mx\/columna-de-opinion\/integrar-antes-que-escalar-claves-y-errores-en-la-adopcion-de-genai-para-empresas\/","title":{"rendered":"Integrar antes que escalar: claves y errores en la adopci\u00f3n de genAI para empresas"},"content":{"rendered":"

Por Diego Garagorry, COO de Nearsure<\/i><\/strong><\/p>\n

La inteligencia artificial generativa (genAI, por su sigla en ingl\u00e9s) fue ganando espacio r\u00e1pidamente en las agendas corporativas. Su presencia ya se observa en aplicaciones que van desde chatbots para atenci\u00f3n al cliente hasta herramientas de generaci\u00f3n de contenido y apoyo a la toma de decisiones. Sin embargo, detr\u00e1s de este entusiasmo creciente, es posible identificar un patr\u00f3n de errores que se repite entre las empresas que adoptan la tecnolog\u00eda sin la preparaci\u00f3n estrat\u00e9gica adecuada.<\/span><\/p>\n

En lugar de preguntarse \u201c\u00bfqu\u00e9 puede hacer esta tecnolog\u00eda para mi empresa?\u201d, muchas compa\u00f1\u00edas parten de la herramienta en s\u00ed, ignorando el problema que deber\u00edan resolver. El resultado son soluciones desconectadas del negocio, con alto costo, bajo retorno y poca adopci\u00f3n interna. Por lo tanto, implementar no es suficiente: es la integraci\u00f3n lo que garantiza impacto.<\/span><\/p>\n

En este proceso, entre los errores m\u00e1s comunes se encuentran la ausencia de una prueba de concepto, la elecci\u00f3n apresurada de modelos personalizados y la falta de indicadores claros para medir el \u00e9xito. Al mismo tiempo, muchas organizaciones subestiman los desaf\u00edos relacionados con la gobernanza de datos, la privacidad y la seguridad. Los modelos generativos solo son eficaces cuando tienen acceso a datos organizados, relevantes y protegidos; y eso requiere tiempo, estructura y estrategia.<\/span><\/p>\n

Las llamadas <\/span>alucinaciones<\/b>, por ejemplo, siguen siendo un desaf\u00edo importante. Se producen cuando el modelo genera informaci\u00f3n que parece correcta pero es falsa, inventada o no est\u00e1 respaldada por fuentes o evidencias ver\u00eddicas. Esta limitaci\u00f3n se ha ido mitigando con las actualizaciones m\u00e1s recientes, que incluyen modelos que consultan bases de conocimiento utilizando t\u00e9cnicas como <\/span>RAG<\/span><\/a>.<\/span><\/p>\n

Seg\u00fan un art\u00edculo publicado por <\/span>ACM<\/span><\/a> en mayo de 2024, la tabla de clasificaci\u00f3n mantenida por <\/span>Vectara<\/span><\/a> indicaba tasas de alucinaci\u00f3n entre el 2,5 % y el 8,5 % en los principales modelos de la \u00e9poca. Actualmente, estas cifras <\/span>cayeron<\/span><\/a> por debajo del 2% entre los grandes proveedores de LLM. En particular, los nuevos modelos GPT-5, de OpenAI, y Gemini 2.5 Pro, de Google, obtuvieron resultados menores a 1,5% de alucinaciones. Si bien los resultados son positivos, a\u00fan se requieren mecanismos de mitigaci\u00f3n cuando se trata de aplicaciones cr\u00edticas.<\/span><\/p>\n

Desde Nearsure, una compa\u00f1\u00eda de Nortal, publicamos este a\u00f1o un <\/span>white paper sobre aplicaciones de genAI<\/span><\/a> en el que se abordan los principales obst\u00e1culos que podr\u00edan evitarse a la hora de adoptar genAI. El primero es comenzar sin haber identificado un problema empresarial que se quiera resolver, lo que conduce a soluciones gen\u00e9ricas y desconectadas de resultados tangibles. <\/span><\/p>\n

En segundo lugar, muchas empresas prescinden de la prueba de concepto (PoC), omitiendo la validaci\u00f3n de requerimientos y arquitecturas antes de escalar. El tercero es no preestablecer m\u00e9tricas claras de \u00e9xito, lo que dificulta medir el impacto en productividad, costos o calidad. Para lograr una adopci\u00f3n exitosa, se deben definir m\u00e9tricas y umbrales de decisi\u00f3n por etapa (PoC, MVP, producci\u00f3n, escalado) y una gobernanza que aporte trazabilidad de extremo a extremo y visibilidad operativa. Con ello, se mantendr\u00e1 un ciclo de retroalimentaci\u00f3n <\/span>(feedback loop) <\/span><\/i>que facilite aprender, corregir y avanzar con evidencia.<\/span><\/p>\n

Por \u00faltimo, la construcci\u00f3n de modelos personalizados innecesarios, como LLMs desarrollados a medida desde cero sin antes evaluar opciones p\u00fablicas combinadas con t\u00e9cnicas como RAG, genera costos desproporcionados. Estos factores combinados comprometen la eficacia y el rendimiento de los proyectos de genAI.\u00a0<\/span><\/p>\n

De hecho, seg\u00fan datos de <\/span>Gartner<\/span><\/a>, hasta finales de 2025 se prev\u00e9 que alrededor del 30% de los proyectos de genAI se abandonar\u00e1n tras la PoC. Esto se atribuye a la baja calidad de los datos, inadecuados controles de riesgo y falta de beneficios claros para el negocio.\u00a0<\/span><\/p>\n

Por lo tanto, una buena pr\u00e1ctica consiste en empezar poco a poco y con un enfoque espec\u00edfico, en lugar de escalar r\u00e1pidamente. Casos de uso puntuales, como los agentes jur\u00eddicos impulsados por IA, la automatizaci\u00f3n de la atenci\u00f3n al cliente o la ayuda en la selecci\u00f3n de CVs, permiten probar hip\u00f3tesis, generar resultados y madurar la arquitectura tecnol\u00f3gica con menor riesgo.\u00a0<\/span><\/p>\n

Por ejemplo, los call centers que utilizan genAI para transcribir y resumir las llamadas informaron de un ahorro medio de tiempo de entre 2 y 3 minutos por llamada, adem\u00e1s de ganancias en productividad y una mayor precisi\u00f3n en el seguimiento de los clientes. Seg\u00fan un <\/span>estudio de IDC<\/span><\/a>, el uso de genAI en una operaci\u00f3n de atenci\u00f3n al cliente supuso un aumento de la productividad del 25 %, con un ahorro de dos minutos por llamada.<\/span><\/p>\n

Un factor adicional que vale la pena mencionar es la gesti\u00f3n del cambio: involucrar a los usuarios, ofrecer formaci\u00f3n y redise\u00f1ar procesos en conjunto. Para lograr mejoras reales en la productividad, adem\u00e1s de la tecnolog\u00eda necesitamos repensar nuevas formas de trabajo.<\/span><\/p>\n

La adopci\u00f3n exitosa suele ser progresiva: inicialmente, con aplicaciones aisladas y de bajo riesgo, como copilotos internos o generaci\u00f3n de contenido. Luego, es posible avanzar hacia integraciones con bases de datos y herramientas ya consolidadas. Los casos m\u00e1s avanzados, a su vez, implican la conexi\u00f3n de genAI a sistemas centrales de la empresa y flujos operativos cr\u00edticos, con pol\u00edticas de seguridad, control de acceso y gobernanza.<\/span><\/p>\n

La genAI no es una soluci\u00f3n <\/span>plug-and-play<\/span><\/i>. Requiere estrategia, contexto e integraci\u00f3n. Las empresas que la vean como una capa complementaria y no como sustituta tendr\u00e1n mayores posibilidades de \u00e9xito. Es necesario integrar antes de escalar, empezar peque\u00f1o antes de ir lejos y resolver el problema antes de aplicar la herramienta. Solo as\u00ed la genAI dejar\u00e1 de ser una tendencia y se traducir\u00e1 en valor tangible para el negocio.<\/span><\/p>\n

Lee m\u00e1s:<\/strong><\/span><\/h3>\n

 <\/p>\n