Estado del arte de la IA empresarial
La inteligencia artificial empresarial vive un momento paradójico: nunca había habido tanta adopción, tanto hype de esos y, al mismo tiempo, tan pocas organizaciones que puedan demostrar un impacto profundo, sostenido y escalable.
Esta es probablemente la primera idea que conviene poner sobre la mesa para limpiar el debate. El mercado está lleno de relatos triunfalistas, demos espectaculares y casos aislados de éxito. Pero cuando se rasca un poquito, lo que aparece no es una madurez generalizada, sino una combinación de experimentación masiva, autoenamoramiento, resultados desiguales y bastante confusión.
No faltan modelos. No faltan herramientas. No falta interés. ¡No falta tecnología, por Crom! ¡Pero si este artículo se está quedando desfasado según lo escribo!
Lo que falta, en la mayoría de los casos, es capacidad real de implantación y sentido común.
Mucha adopción, poco impacto
Los informes más citados de los últimos meses convergen en una idea incómoda: la IA se está usando mucho, pero está transformando poquito los negocios. ¡El impacto y la utilidad!
Casi todo el mundo ya tiene licencias, pilotos, pruebas de concepto, asistentes internos y empleados utilizando herramientas generativas por su cuenta. Sin embargo, una parte muy pequeña ha logrado convertir ese uso en una mejora real del negocio. La distancia entre experimentar con IA y capturar valor con IA sigue siendo enorme.
Este matiz importa. Porque una cosa es usar IA y otra muy distinta reorganizar procesos, criterios de decisión, mecanismos de supervisión y formas de trabajo para que esa IA produzca resultados de verdad. Las famosas reglas del juego.
Por qué fracasan tantos proyectos
La tesis más sólida hoy no es que la IA falle por limitaciones técnicas. Falla, sobre todo, por mala integración organizativa.
Muchos proyectos nacen como una capa añadida sobre procesos deficientes, equipos desalineados o datos poco fiables. En ese contexto, la IA no corrige el desorden de base. Lo acelera, lo disfraza o lo aumenta.
Por eso una parte importante de los pilotos acaba atrapada en la conocida “trampa del experimento”: pruebas que parecen prometedoras, pero que nunca terminan de integrarse en la operativa real. Falta patrocinio claro, falta rediseño de proceso, faltan métricas útiles y falta una lógica de aprendizaje y prueba continuos.
IA generalista frente a IA situada
Una de las confusiones más persistentes del mercado consiste en asumir que los modelos generalistas sirven casi sin adaptación para cualquier contexto empresarial.
No es así. Los grandes modelos de lenguaje están diseñados con vocación masiva: responder a millones de personas, sobre millones de temas, en situaciones muy distintas. Esa versatilidad es precisamente su fortaleza. Pero también es su límite cuando se trasladan sin más a un entorno empresarial concreto.
Una empresa no necesita un sistema brillante en abstracto. Necesita un sistema útil dentro de un marco muy específico: sus procesos, sus reglas, su lenguaje, sus restricciones, sus fuentes de verdad, sus riesgos, sus prioridades y ¡sus personas!
Por eso las soluciones situadas tienen más probabilidad de éxito que las soluciones genéricas. No porque el modelo sea distinto, sino porque el sistema está mejor diseñado.
El verdadero valor del contexto
Durante un tiempo se habló mucho de prompting. Ahora empieza a quedar claro que el problema importante no era escribir mejores instrucciones, sino diseñar mejor el contexto. ¿Te suena tener que traer documentos con tu contexto cada vez que tienes una buena pregunta que hacerle a la IA? ¿Y tener que actualizarlos antes?
La calidad del resultado depende de qué información recibe el sistema, cómo se estructura, qué herramientas puede usar, qué memoria conserva, qué límites tiene y cómo se valida su salida. Dicho de otro modo: el valor, como casi siempre, está en ¿cómo me afecta a mi en concreto? y ¿qué capacidad tiene esta tecnología de adaptarse a mi negocio y no al revés?
Esto explica por qué dos empresas usando tecnologías similares pueden obtener resultados radicalmente distintos. Una trabaja con contexto bien estructurado, procesos claros y objetivos medibles. La otra improvisa sobre información difusa, expectativas poco realistas y criterios de decisión ambiguos.
Poner orden antes de todo... de cambiar también
Hay una idea poco glamourosa pero decisiva: las organizaciones caóticas deben poner orden antes de diseñar su transformación con IA.
Cuando los procesos no están claros, los roles se solapan, las fuentes de información se contradicen y nadie sabe exactamente cómo se toman ciertas decisiones, la IA no resuelve los problemas. Puede generar productividad puntual, sí. Pero también puede multiplicar inconsistencias, disparar errores y erosionar la confianza... Y además eso está al alcance de cualquiera en dos clicks con ChatGPT, luego de aquello de la diferenciación olvídate.
La madurez real empieza por algo mucho menos espectacular que lanzar agentes o copilotos: estabilizar procesos, aclarar responsabilidades, mejorar la calidad y la higiene del dato, definir mínimos de gobernanza y crear mecanismos de observabilidad y prueba. Mucha más prueba y feedback de la que esperamos todas. ¡Que la IA aprende que se las pela, folks!
El falso mito del multiplicador automático
Se ha popularizado una idea según la cual antes teníamos “garbage in, garbage out” y ahora, con IA, tenemos “garbage in, garbage multiplicado por N out”.
La intuición no es del todo errónea, pero sí demasiado simplista. La IA no multiplica siempre mucho. Puede amplificar poco, bastante o incluso negativamente, dependiendo de cómo se use.
Si el contexto es pobre, el objetivo está mal formulado, el proceso no está rediseñado y nadie supervisa de forma inteligente, el supuesto multiplicador puede ser casi nulo. En algunos casos, incluso genera una ilusión de mejora mientras introduce ruido, sobreconfianza o desvíos de foco.
El verdadero factor multiplicador aparece cuando el sistema está bien contextualizado, el caso de uso es adecuado y existe un bucle real de aprendizaje.
Los sesgos invisibles de los LLM en la empresa
Otro punto que todavía se subestima es que los LLM generalistas no han sido diseñados pensando en la lógica concreta de una empresa.
Han sido entrenados para ser útiles en entornos masivos de conversación. Eso significa que incorporan comportamientos que en consumo son aceptables e incluso deseables, pero que en empresa pueden resultar peligrosos: tendencia a completar lo que falta, a mantener la conversación, a sonar convincentes, a agradar al usuario o a desviarse del foco inicial con aparente naturalidad.
En tareas sensibles, esto no es una anécdota. Puede traducirse en recomendaciones débiles con apariencia de solidez, en propuestas de cambio mal fundadas o en decisiones tomadas con más seguridad percibida que garantía real. ¿Cómo es posible que la propia IA de las herramientas de software de consumo popularizadísimo no sean muy buenas explicando su propio funcionamiento y uso práctico?
Por eso el problema no es solo qué responde un modelo, sino en qué condiciones se le permite responder. Y volver a repensar aunque no tenga brilli-brilli.
Uso masivo individual, poca alineación colectiva
La IA ya se usa de forma masiva en las empresas, aunque muchas veces no de manera formal.
Se usa en borradores, análisis, investigación, documentación, ventas, presentaciones, resúmenes, soporte, código o búsqueda de ideas. Pero en muchísimas organizaciones ese uso sigue siendo individual, táctico y poco articulado.
La consecuencia es clara: hay adopción, pero no necesariamente aprendizaje colectivo. Hay productividad local, pero no capacidad institucional. Hay mucha energía distribuida y muy pocas reglas del juego compartidas. Poco sistema, vaya.
Este es uno de los grandes huecos del mercado. No basta con permitir el uso de IA. Hace falta convertirlo en una práctica alineada: con criterios, límites, trazabilidad, repositorios, patrones reutilizables y mecanismos de mejora continua... y hacerlo fácil. Porque si no, tus empleados volverán a sus entornos personales compartiendo incluso información sensible de tu empresa... Ojocuidao.
IA agéntica: ya no es humo, pero tampoco rutina
Hace un año, hablar de IA agéntica en empresa exigía mucha prudencia. Hoy sigue exigiéndola, pero por razones distintas.
La tecnología ha madurado lo suficiente como para permitir agentes útiles en contextos acotados: coordinación de tareas, leer tu bandeja de entrada, generar código que funciona sin tener ni pajolera idea, uso de herramientas que antes era un dolor poner a funcionar, recuperar información perdida en las carpetas de hace años, encadenar acciones o apoyo operativo supervisado. Eso ya es real.
Lo que no existe todavía de forma generalizada es una capacidad organizativa madura para desplegar agentes de manera fiable, gobernada y económicamente sensata. El mercado ha entendido el potencial, pero todavía no ha interiorizado del todo las condiciones de éxito. Cuando oigas hablar de HITL traducido al lenguaje empresarial significa "No te fíes ni de tu padre para decisiones que afecten a tu dinero, a tus clientes y a tu equipo".
El mercado sigue inmaduro para casi todos
También conviene desmontar otra ficción: la de que estamos rodeados de superexpertos.
La realidad es mucho más prosaica. La tecnología sigue siendo nueva para casi todo el mundo. Cambia a velocidad extrema, todavía no existe un consenso estable de buenas prácticas y la distancia entre el discurso experto y la experiencia real suele ser mucho menor de lo que aparenta.
Eso reduce la ventaja relativa de muchos perfiles supuestamente expertos y abre oportunidades para perfiles con buen criterio, capacidad de aprendizaje, visión de proceso y experiencia de negocio. En cierto modo, la IA ha democratizado parte del acceso a capacidades avanzadas, aunque no haya democratizado todavía la implantación con éxito.
Ingeniería de contexto y orquestación: un stack emergente
En paralelo, empieza a consolidarse una capa de herramientas que sí parece apuntar hacia estándares de facto.
Por un lado, entornos tipo Obsidian y sistemas similares se están convirtiendo en piezas muy útiles para organizar conocimiento, construir contexto y estructurar memoria operativa. Por otro, soluciones como LiteLLM y otras capas de gateway y observabilidad están ganando peso como infraestructura para operar múltiples modelos y agentes de forma controlada.
No son todavía estándares universales, pero sí indican hacia dónde se está moviendo el mercado: menos fascinación por el modelo aislado y más atención al sistema que lo contextualiza, lo enruta, lo monitoriza, lo valida y lo integra.
El gran vacío: diagnosticar y planificar bien
Y aquí aparece una de las oportunidades más interesantes para consultoría e implantación.
Existen muchas herramientas para usar IA. Existen varias para gobernarla. Existen algunas para evaluar la madurez. Pero siguen faltando herramientas realmente fiables para diagnosticar una organización, priorizar su hoja de ruta y diseñar implantaciones con una probabilidad de éxito significativamente mayor.
Ese vacío es importante porque el principal problema del mercado ya no es acceder a la tecnología. Es saber dónde aplicarla, cuándo no aplicarla y cómo convertir una sucesión de iniciativas dispersas en una capacidad empresarial coherente y por supuesto rentable. Si no hoy, como muy tarde, mañana.
Qué debería decir hoy un implantador fiable
A la vista de todo esto, el posicionamiento más sólido no pasa por vender la última herramienta ni por prometer automatización total.
Pasa por algo bastante más exigente y con mucho menos bombo y platillo: ayudar a las organizaciones a pasar del uso superficial y disperso de la IA a una adopción situada, gobernada y conectada con procesos reales. Y lleva tiempo, eh. Del cliente también.
Eso implica diagnosticar madurez, ordenar el terreno, seleccionar casos de uso viables, diseñar arquitectura de contexto, crear reglas del juego, construir mecanismos de aprendizaje organizativo y ¡por fin, ahora sí! aprovechar la ingente cantidad de conocimiento importante que genera toda organización.
He dejado para lo último la ruptura de un sueño húmedo y un par de preguntas más incómodas:
- No, lo siento, aún la IA no puede clonarte para multiplicar tu negocio repitiendo automágicamente lo que te ha hecho tener éxito.
- ¿Estás dispuesto a pensar qué debería cambiar en tu modelo de negocio de éxito para aprovechar al máximo la IA? ¿Tienes tiempo para esto?
