¿Por qué fallan la mayoría de los proyectos de inteligencia artificial?

La era de la experimentación aislada con inteligencia artificial en el entorno corporativo ha quedado definitivamente atrás. Hoy, el desafío que enfrentan las compañías no es simplemente incorporar tecnología, sino rediseñar su modelo operativo para que la IA forme parte del núcleo estratégico, permitiendo escalar resultados sin perder el control sobre la información ni la seguridad de los datos.

Según datos de MIT Nanda, la brecha entre la expectativa y la realidad operativa es profunda: apenas el 5% de las organizaciones logra escalar sus implementaciones. Para comprender cómo superar la fragmentación tecnológica y gestionar el cambio cultural necesario, iProfesional entrevistó a Sabrina Tocho, gerenta regional de ofertas de FRIDA de la empresa informática Softtek. Tocho analizó por qué el éxito no depende de "comprar soluciones", sino de construir una capacidad estratégica que transforme procesos, decisiones y la manera en que el talento humano interactúa con la tecnología.

-La etapa de experimentación con inteligencia artificial quedó atrás y las organizaciones buscan integrar en sus procesos sin perder el control sobre la información, la operación y los resultados. ¿Cuáles son los primeros pasos críticos que debe dar una empresa tradicional para rediseñarse y colocar esta tecnología en el núcleo de su estrategia?

-El primer paso, y el más difícil, es dejar de pensar la IA como una herramienta más que se suma al stack y empezar a verla como una capacidad estratégica de la compañía. Eso cambia completamente el enfoque: ya no se trata de elegir qué solución comprar, sino de rediseñar el modelo operativo para que la IA pueda meterse en los procesos críticos y no quede como un anexo. En paralelo hay que modernizar la arquitectura tecnológica, porque si los sistemas de base no están preparados, cualquier iniciativa de IA se choca contra la realidad tarde o temprano.

Y hace falta establecer una gobernanza de datos sólida, que permita usar la información de forma segura y escalable, porque sin eso no hay forma de crecer con confianza. Al final el objetivo no es sumar más soluciones sueltas, sino lograr que la IA forme parte de cómo la empresa toma decisiones y opera todos los días.

-¿A qué atribuye la brecha entre la expectativa de las empresas acerca de la IA y su realidad operativa?

-La brecha aparece porque muchas empresas compraron la promesa antes que la capacidad. Se lanzaron pilotos y pruebas de concepto vistosas, pero sin tocar lo que realmente sostiene un caso de uso en producción: datos ordenados y confiables, procesos que puedan absorber el cambio, y gente preparada para trabajar distinto. La expectativa se arma en un powerpoint, la realidad se construye en la arquitectura, en la calidad del dato y en la gestión del cambio, que son las partes menos glamorosas pero las que determinan si algo escala o se queda en demo.

Sabrina Tocho. Foto suministrada por Softtek.

-¿Por qué resulta peligroso y limitante que las compañías argentinas incorporen herramientas aisladas para distintos casos de uso en lugar de pensar en una estrategia integrada?

-Porque cada herramienta suelta resuelve un dolor puntual pero termina generando una nueva capa de fragmentación: distintos proveedores, distintos modelos de datos, distintos niveles de seguridad, y nadie con visión de conjunto. A mediano plazo eso se traduce en islas de inteligencia artificial que no se hablan entre sí, en gobernanza inconsistente (cada área define sus propias reglas de uso de datos) y en costos que crecen sin que crezca el valor de negocio en la misma proporción. 

Sin estrategia integrada, la empresa termina administrando un inventario de herramientas en vez de construir una capacidad que le permita alcanzar el próximo nivel y así estar un paso adelante frente a sus competidores.

-¿Qué características exactas definen a una empresa "IA nativa"?

-Una empresa IA nativa es aquella que fue diseñada para operar a través de la inteligencia artificial, no simplemente para usarla como un complemento. La diferencia está en que la IA no vive en un área o en un proyecto puntual, sino que está integrada de forma transversal en productos, procesos y operaciones.

Las decisiones se apoyan en datos y no solo en intuición o experiencia acumulada, los sistemas aprenden y se ajustan de forma continua en lugar de quedar estáticos una vez implementados, y los equipos humanos trabajan codo a codo con agentes inteligentes, cada uno haciendo lo que mejor sabe hacer, para generar valor a una escala que sería imposible de lograr solo con procesos manuales.

-¿Cómo se gestiona el cambio cultural interno para lograr que una organización evolucione a una empresa "IA nativa" sea exitosa?

-La transformación tecnológica es la parte fácil. Lo difícil es el cambio de mindset, y ese arranca desde arriba: si la dirección no cambia primero su forma de tomar decisiones, difícilmente pueda pedirle al resto de la organización que lo haga. El error más común es tratar la inteligencia artificial como un proyecto de sistemas cuando en realidad es un proyecto de personas. 

Hay que invertir tanto en capacitación y en generar espacios de experimentación segura como en la tecnología misma, porque la resistencia no aparece por falta de herramientas sino por miedo, ya sea a perder el puesto, a no entender lo que está pasando o a perder el control sobre el propio trabajo.

El cambio cultural funciona cuando se corre el eje de la conversación: no es "la IA me va a reemplazar" sino "la IA me saca lo operativo para que yo pueda enfocarme en lo que agrega valor". Eso requiere líderes que modelen el uso de la tecnología en el día a día, que celebren los errores de los primeros intentos como parte del aprendizaje y no como un fracaso, y que redefinan qué significa ser bueno en un rol cuando parte de las tareas las hace un sistema. Cuando la gente entiende que la IA potencia su criterio en vez de reemplazarlo, el cambio deja de imponerse y empieza a sostenerse solo.

-¿Cómo puede una empresa lograr que los distintos modelos de lenguaje trabajen utilizando su información privada y actualizada sin exponer datos sensibles fuera de su propio entorno?

-La respuesta de fondo es sencilla, aunque llevarla a la práctica sea laborioso: hay que mirarlo al revés. En lugar de pensar en cómo evitar mandar información a un modelo público, el enfoque correcto es traer el modelo a un entorno privado.

Ahí me voy a poner un poco técnica, porque es difícil explicarlo sin bajar al detalle, pero básicamente se logra combinando arquitecturas tipo RAG (recuperación aumentada por generación) sobre repositorios propios, con capas de gobernanza que definen quién puede acceder a qué dato y con qué propósito, y con despliegues en entornos privados o VPC cuando la sensibilidad del dato lo exige, en vez de depender exclusivamente de API públicas.

A eso se suma el control de logging y retención: asegurarse de que la información no quede almacenada ni se use para reentrenar modelos de terceros sin autorización. En definitiva, es una combinación de arquitectura, permisos y contrato, no una sola solución mágica.

-¿Cómo afecta la automatización de pruebas al ROI empresarial?

-La automatización de pruebas con IA impacta el ROI en dos frentes. Primero, reduce tiempo y costo de ciclos de QA que tradicionalmente son manuales y repetitivos, liberando horas de gente senior para tareas de mayor valor. Segundo, y esto es menos obvio pero más importante, reduce el costo de los errores que llegan a producción, que siempre es mucho mayor que el costo de detectarlos antes.

-¿Qué otros riesgos además de la seguridad frenan la IA?

-Yo pondría en primer lugar la resistencia cultural y el miedo al reemplazo, que frena la adopción mucho más de lo que se reconoce puertas adentro. Después está la calidad del dato: si la información de base es mala, la IA amplifica ese problema en vez de resolverlo.

También pesa la falta de gobernanza clara sobre quién es responsable de una decisión que toma o sugiere un sistema de IA, y el riesgo regulatorio, que en varios países todavía se está definiendo. Y hay un riesgo menos técnico y muy real: la falta de casos de uso bien priorizados, que hace que la energía se disperse en decenas de pilotos sin que ninguno llegue a escala.

-Cuando se trabaja con datos corporativos, el riesgo de las alucinaciones de los modelos de IA es una preocupación constante que afecta la confianza. ¿Qué capas técnicas o mecanismos de contextualización resultan indispensables para reducir este margen de error a cero al trabajar con información propia?

-Primero te haría una aclaración honesta: a cero no se llega, ningún mecanismo elimina el riesgo por completo, pero sí se puede reducir a un margen operativamente aceptable. Las capas que más ayudan son la contextualización mediante RAG bien curado, o sea que el modelo responda apoyado en documentos propios verificados y no solo en lo que aprendió en su entrenamiento, sistemas de citación de fuentes que permitan trazar de dónde sale cada afirmación, validación humana en los puntos críticos del proceso (human in the loop), y guardrails o reglas de negocio que limiten al modelo a responder solo dentro de un dominio de conocimiento controlado. La combinación de estas capas es lo que baja el riesgo, no una sola de ellas por separado