En el ecosistema corporativo actual domina un fenómeno ineludible: el FOMO (miedo a quedarse fuera, por sus siglas en inglés) impulsado por la inteligencia artificial. Directivos de todas las industrias sienten la presión constante de redefinir sus procesos, adaptar flujos de trabajo hacia un modelo guiado por agentes y prepararse ante competidores emergentes. Sin embargo, la realidad dista de este ruido mediático.
De acuerdo con Adriana Gomes, ingeniera líder de campo en Databricks, en México existe una brecha entre las altas expectativas organizacionales y la adopción real de la tecnología. "Existe mucho FOMO en la industria; todo el mundo habla de Inteligencia Artificial, especialmente de agentes de IA, y los líderes empresariales sienten que quedarse fuera de este journey es un riesgo, que ya hay muchos otros que están muy avanzados. Sin embargo, la realidad es que la mayoría no tiene resuelta su estrategia y tiene exactamente las mismas preguntas que ustedes", afirmó.
Las empresas en México consideran su estado de madurez digital alto. Descarga todos los resultados de la encuesta “Panorama del mercado ERP en México”
Según la especialista de Databricks, el trayecto corporativo hacia el aprovechamiento de la IA se divide en cinco etapas fundamentales, generadas a partir del valor que aporta a los usuarios:
Fase Básica: Uso individual y superficial de herramientas como ChatGPT para redactar correos o resumir textos, sin impacto directo en el negocio.
Dispersión de IA: Surgen mandatos directivos para implementar IA, pero sin una visión clara de su impacto real o retorno de inversión.
Adopción significativa: Automatización incremental de procesos ya existentes, alcanzando mejoras operativas de hasta un 20%.
Diseño AI-First: Rediseño integral de procesos pensando en la inteligencia artificial desde la concepción.
Nuevas Capacidades: Transformación completa del modelo organizacional mediante capacidades antes imprevistas.
A pesar del discurso predominante en la industria, donde muchos se consideran con alto grado de madurez en IA, la realidad es otra: la mayoría de las organizaciones aún se encuentra atrapada entre las fases 1 y 2.
Para superar este estancamiento y avanzar hacia modelos verdaderamente transformadores (AI-First), Gomes sugiere visualizar la organización como un iceberg: mientras un grupo reducido experimenta con éxito de forma aislada, existe una gran mayoría de empleados dispuestos a adoptar estas herramientas si se les brinda el entrenamiento, el liderazgo modélico y la guía adecuados.
Principales desafíos de la IA Empresarial
Uno de los mayores dolores de cabeza para los departamentos de finanzas e IT es la rápida evaporación de los presupuestos asignados a la IA. Se produce una clara paradoja: aunque el precio por token disminuye drásticamente con el tiempo, el costo total para la empresa sigue incrementándose debido a un crecimiento exponencial en el consumo.
"La respuesta a si necesitamos ingeniería de datos cuando tenemos modelos superpoderosos es un rotundo sí, y más que antes. Un modelo sin una sólida base de datos no solo es más costoso, sino que alucinará más tiempo", enfatizó Gomes.
Para contrarrestar esta espiral de gastos, Databricks propone transitar de una "economía del empleado" descontrolada a un control empresarial inteligente. Esto implica evaluar el costo por valor generado al dejar de medir el costo en términos genéricos y centrarse en la efectividad respecto al caso de uso; a integrar micro-modelos y modelos de código abierto para poder reservar los modelos de mayor escala para tareas complejas y delegar las tareas cotidianas (que representan cerca del 80%) a opciones más ágiles e hiper-especializadas.
Además, la empresa destacó la relevancia de optimizar el contexto para pasar del Hype de la IA a una IA realmente empresarial, con ello, las organizaciones pueden escalar la adopción de la IA al proporcionar a los agentes de inteligencia artificial un contexto empresarial confiable, garantizar el acceso seguro a los datos corporativos y optimizar los costos de implementación. En flujos de trabajo habituales, se malgastan de 3 a 5 veces más tokens intentando validar contexto y fuentes que en la generación misma.
"El contexto y los datos deben permanecer dentro de la propia plataforma de datos de la organización. De esta manera, sin importar qué modelo o proveedor gane la carrera en los próximos años, el activo más valioso —el conocimiento del negocio— seguirá perteneciendo a la empresa", finalizó Gomes.
