Inteligencia artificial en el mundo corporativo: de la brecha de adopción al teatro de innovación

En el primer Coffee Tech, realizado gracias a una alianza estratégica entre La Nota Económica, SmartPR y Cisco, se abrió un espacio de conversación sobre el futuro de la banca, la salud y los negocios hacia 2030, con la tecnología como eje central de transformación. Bajo la pregunta “¿Cómo será la banca, la salud y los negocios en 2030?”, el encuentro invitó a reflexionar sobre la evolución de la industria en los próximos años.

En este escenario, René Sanz, Director de Soluciones y Desarrollo Comercial de ITS Infocom, analizó el panorama actual de la inteligencia artificial (IA) en el sector corporativo. Durante la entrevista, desmitifica los errores más comunes de los directivos frente a esta tecnología, explicó cómo preparar adecuadamente la base de datos de una organización y planteó por qué la IA no está llamada a reemplazar empleos, sino a potenciar el rol estratégico de los colaboradores.

Pregunta: En el panorama actual, ¿qué sectores tradicionales están siendo más agresivos en la adopción de inteligencia artificial y cuáles se están quedando rezagados?

René Sanz: Más que una brecha entre sectores, existe una brecha mucho más interesante y desaprovechada entre individuos y empresas. Un estudio reciente de Microsoft reveló que Colombia tiene una de las tasas de adopción de IA más altas de Latinoamérica a nivel individual. Sin embargo, las empresas no están adoptando esta tecnología al mismo ritmo, a pesar de que sus colaboradores ya la incorporan en su vida diaria. El miedo y la resistencia al cambio son los principales responsables.

Si miramos el tamaño de las organizaciones, las empresas pequeñas pueden pasar de un piloto de IA a un desarrollo en producción en tan solo 90 días, mientras que a una empresa grande le toma hasta nueve meses. Esto permite a los pequeños competidores moverse mucho más rápido. En cuanto a las industrias, los sectores regulados como la salud y el financiero avanzan más rápido porque ya cuentan con datos previos y marcos regulatorios. Por el contrario, sectores más tradicionales y de menor innovación, como el retail o la fabricación, vienen un poco más rezagados.

Pregunta: ¿Cuál es el mayor concepto erróneo que tienen los CEOs y gerentes al intentar implementar IA en el interior de sus compañías?

René Sanz: El error principal en el escalafón es tratar a la inteligencia artificial como un proyecto tradicional de TI. La IA es una tecnología de propósito general con la capacidad de impactar todos los sectores de la industria, un fenómeno que no veíamos desde la llegada de internet o la energía eléctrica.

El problema surge cuando se decide implementar IA simplemente porque «todo el mundo lo hace», asignando fechas de inicio, entregables y responsables fijos. A esto se le conoce como un «teatro de innovación». Se instalan herramientas como Copilot y se miden métricas de uso en un dashboard para decir que se está implementando IA. Sin embargo, no se sabe para qué se usa realmente, no se transforman los procesos ni se reinventa la compañía.

Pregunta: Para que una IA funcione correctamente se necesita buena información. ¿Cómo deben preparar las empresas sus bases de conocimiento para no trabajar sobre estructuras obsoletas?

René Sanz: El mejor momento para tener la data correcta era ayer; el segundo mejor momento es hoy. La búsqueda de la data perfecta no debe interponerse en el uso de la data adecuada. Hoy en día, los nuevos paradigmas nos permiten trabajar con información que es suficientemente buena para la IA.

Es vital entender que se requiere data distinta dependiendo del objetivo: Para el fine tuning (ajuste fino): Se necesita data muy limpia y estructurada, ya que se le está entregando al modelo una «enciclopedia completa» para que se la aprenda. Para la inferencia: Es distinto; aquí se le entregan al modelo las «llaves de la biblioteca» para que entre y busque correspondencias.

La industria está cambiando de bases de datos tradicionales a bases de datos vectorizadas y Knowledge Graphs (grafos de conocimiento). Una base de datos tradicional requiere búsquedas exactas, mientras que una vectorizada actúa como un sommelier: le pides características específicas y te entrega las mejores opciones, incluso si no son las que buscabas inicialmente. Las empresas pueden clasificar su información actual como oro, plata o bronce y comenzar proyectos de IA con esa data adecuada.

Pregunta: Al delegar decisiones críticas a los algoritmos, ¿cómo se deben estructurar los marcos éticos para evitar sesgos perjudiciales?

René Sanz: Colombia cuenta con un marco ético, el CONPES 4144, pero funciona solo como una guía sin penalizaciones. Por otro lado, marcos como el EU AI Act en Europa sí regulan la IA dependiendo de su nivel de riesgo y cuentan con penalizaciones. Por ejemplo, usar IA para otorgar préstamos tiene alto riesgo y alta regulación, mientras que usarla para recomendar películas tiene baja regulación. Las empresas no deben esperar a que llegue la regulación, sino tomar los marcos existentes, adelantarse y utilizarlos como un diferenciador competitivo.

Además, la mitigación del sesgo comienza en la elección del modelo. Existe un parámetro de medición llamado el BS Benchmark que evalúa qué tanta resistencia (o pushback) hace un modelo ante una pregunta sin sentido. Un modelo ético y adecuado cuestionará premisas ilógicas en lugar de validarlas a ciegas. En esa elección técnica comienza la verdadera conversación ética.

Pregunta: Frente al temor constante del reemplazo laboral, ¿cómo se debe plantear el discurso para que los empleados vean a la IA como un copiloto corporativo?

René Sanz: Un copiloto implica, por definición, que hay un piloto al mando. La industria ha sido clara: la IA no va a reemplazar tu trabajo, pero alguien que sepa manejar la IA de manera correcta sí lo hará si no te adaptas.

La IA permite estructurar el trabajo bajo dos modelos fundamentales: Automatización: Agiliza procesos repetitivos, pero no genera diferenciadores en la industria ni trae nada nuevo a la mesa. Aumentación: Otorga capacidades superiores a un individuo, posicionándolo en un nivel distinto y aportando verdadero valor.

Un gran ejemplo es Índigo, una pequeña compañía en Colombia que obtuvo una patente de IA para detectar cáncer, compitiendo a nivel global y brindando servicios en múltiples idiomas sin requerir los recursos masivos que antes se exigían. Asimismo, un experimento reciente de Bancolombia con 200 desarrolladores demostró que, al usar IA, multiplicaron su capacidad operacional y terminaron requiriendo más ingeniería debido a su alta productividad.

Si le entregas a la IA decisiones estratégicas y operacionales que deberías tomar tú, le estás cediendo el puesto de piloto. Si mantienes el control estratégico, diseñas a la compañía para extraer valor de la tecnología y te mantienes en la silla del piloto, generarás construcción de valor.