A

unque las empresas invierten grandes recursos en IA generativa, las ganancias de productividad resultantes parecen verse neutralizadas por la competencia, ya que se trasladan a los clientes o proveedores en lugar de quedarse en manos de las empresas (una señal temprana de la mercantilización). Por lo tanto, los datos sugieren que los beneficios de la IA generativa no residirán en utilizar la tecnología simplemente para realizar las actividades existentes de forma más rápida o eficiente.

Más bien, los líderes empresariales que buscan aprovechar la IA generativa para obtener ventaja deberían enfocarse en otro impacto de las nuevas tecnologías: la apertura de nuevas fuentes de valor.

Al reconocer los cambios que la IA generativa impulsará en el mercado en general, los líderes pueden reposicionar a su empresa como un nodo valioso dentro de este ecosistema emergente. Tres estrategias ilustran cómo este desarrollo puede impulsar cambios en las fuentes de valor.

1. El rediseñador: Replantear las ofertas para adaptarlas a las decisiones impulsadas por la IA generativa

Dado que las decisiones se basan cada vez más en agentes de IA (y es posible que, en un futuro próximo, estos las tomen directamente), las empresas deben rediseñar sus ofertas para que puedan ser procesadas por máquinas. Esto implica revisar la forma en que se proporciona la información, por ejemplo, ofreciendo datos estandarizados sobre las características y la compatibilidad de los productos, y permitiendo que los agentes interactúen directamente con sus ofertas.

Este nuevo enfoque complementará las estrategias de marketing tradicionales centradas en la percepción humana, las cuales pueden perder efectividad a medida que los agentes se basan en datos objetivos y verificables en lugar de la confianza emocional o el reconocimiento de marca.

2. El supervisor: Validar la precisión de la IA generativa

A medida que los modelos de IA generativa y los agentes autónomos se multiplican y comienzan a actuar como actores económicos por derecho propio, surge una necesidad creciente de supervisión adecuada para aumentar la credibilidad y garantizar la confiabilidad.

Esta es una nueva fricción que las empresas pueden convertir en oportunidad, por ejemplo, comercializando capacidades que ya utilizan internamente. Mastercard Decision Intelligence ofrece interfaces de programación de aplicaciones para la evaluación del riesgo de fraude que ayudan a los agentes de pago a decidir cuándo aprobar o rechazar una transacción. Este enfoque de “cumplimiento como servicio” convierte la experiencia adquirida en verificación y regulación en una nueva fuente de ingresos. De manera similar, NewsGuard, que evalúa a los medios con base en su confiabilidad, credibilidad y posibles conflictos de interés, ha licenciado su tecnología a proveedores de LLM, quienes la utilizan para permitir que sus modelos puedan seleccionar fuentes adecuadas y autocorregir la información falsa.

En un sentido más amplio, cualquier empresa que disponga de datos propios y verificados (como resultados de ensayos clínicos, análisis financieros o manuales de ingeniería) podría transformar ese conocimiento en un servicio de validación para los modelos de lenguaje de gran tamaño, garantizando así que el contenido generado sea conforme a las normas y preciso.

3. El proveedor: Suministrar insumos para la IA generativa

Los modelos de IA generativa también necesitan insumos para su entrenamiento (una necesidad creciente, ya que se prevé que los datos de texto creados por humanos disponibles públicamente se agoten para 2028), así como acceso a datos que les permitan responder consultas en tiempo real.

La necesidad de contar con fuentes seleccionadas y de alta calidad (en particular conocimientos especializados en ámbitos específicos en los que los desarrolladores de modelos deseen que sus LLM tengan experiencia) está abriendo las puertas a otro posible modelo de negocio para las empresas ya establecidas. Por ejemplo, Thomson Reuters concede licencias para que sus noticias y datos de mercado en tiempo real se incorporen a los flujos de trabajo de los LLM, mientras que LexisNexis proporciona las ontologías legales estructuradas y la jurisprudencia verificada de las que dependen los LLM especializados en el ámbito jurídico.

Las estrategias anteriores no son exhaustivas y no aplicarán a todas las organizaciones. Los líderes pueden identificar las más valiosas para su empresa en la era de la IA generativa haciéndose las siguientes preguntas:

— ¿Cuáles de nuestros activos o capacidades diferenciadoras actuales corren el riesgo de convertirse en productos genéricos debido a la IA generativa?

— ¿Qué nuevos obstáculos está provocando la tecnología de IA generativa en nuestros mercados o para nuestros clientes? ¿Resolverlos representa una oportunidad de valor?

Al abordar estas cuestiones de forma proactiva, los líderes pueden identificar qué estrategias corren el riesgo de convertirse en productos básicos y cómo conseguir una ventaja competitiva duradera.

L

a IA agéntica se ha convertido rápidamente en una de las áreas más activas del desarrollo de la inteligencia artificial. Los agentes de IA representan un nivel de programación que se sitúa por encima de los modelos de lenguaje de gran tamaño (LLM) y que les permite trabajar hacia objetivos específicos. Esta capa extra de software puede recopilar datos, tomar decisiones, ejecutar acciones y adaptar su comportamiento en función de los resultados. Los agentes pueden interactuar con otros sistemas, aplicar razonamiento y operar de acuerdo con las prioridades y reglas que usted establezca.

Pero quizá el futuro más emocionante de la IA agéntica llegue en la forma de agentes personales, capaces de actuar de manera autodirigida en su nombre. Estos agentes funcionarán como su asistente personal, encargándose de la gestión de su calendario; realizando investigaciones y análisis dirigidos; encontrando, negociando y comprando bienes y servicios; seleccionando contenidos y encargándose de las comunicaciones básicas, al tiempo que aprenden y se optimizan a sí mismos a lo largo del proceso.

La idea de los agentes de IA personales se remonta a décadas atrás, pero la tecnología finalmente parece estar lista para su adopción generalizada. De hecho, empresas líderes ya están ofreciendo prototipos de agentes de IA personales a sus clientes, proveedores y otros grupos de interés, lo que plantea desafiantes cuestiones empresariales y técnicas.

¿Qué podría salir mal?

Piense en un agente de IA personal como alguien a quien usted podría contratar como empleado, contratista u otro tipo de agente en el mundo real. Antes de delegar responsabilidades, usted necesita saber si una persona o una empresa es confiable, honesta, competente y si, por ley, está obligada a velar por sus intereses.

Dependiendo de las funciones que desempeñen sus agentes de IA personales, será esencial disponer de versiones digitales de estos y otros controles. Esto se debe a que los riesgos asociados con empleados y contratistas deshonestos también se aplican a los agentes de IA personales. De hecho, dado el alcance y la velocidad potenciales de la IA agéntica, los usuarios deberán estar aún más seguros de que sus agentes de IA personales son dignos de confianza antes de entregarles las llaves de sus activos más valiosos.

Los riesgos más graves que deben abordarse incluyen:

— Vulnerabilidad frente a delincuentes.

— Manipulación en el comercio minorista por parte de mercadólogos e influencers pagados.

— Preferencia por patrocinadores y anunciantes.

— Susceptibilidad a la desinformación.

Unir soluciones legales, de mercado y técnicas

Una forma de garantizar la honestidad de los agentes de IA, al igual que ocurre con sus contrapartes humanas, es mediante una supervisión cuidadosa, auditorías y la limitación de su autonomía, estableciendo niveles de aprobación en función de la posible escala y el costo de las decisiones delegadas. Sin embargo, implementar una supervisión tan compleja sobre los agentes de IA anularía en gran medida los beneficios de ahorro de tiempo que supone autorizarlos para que actúen en nuestro nombre.

En su lugar, creemos que la necesidad de que los usuarios supervisen de manera minuciosa y constante a los agentes de IA puede reducirse significativamente si se apoya en una combinación de regulación pública y privada, esquemas de seguros, y hardware y software especializados.

¿Cómo empezar?

La tecnología de la IA agéntica ofrece un enorme potencial para hacer la vida más fácil y mejor, no solo para las empresas, sino también para las personas. Aun así, los usuarios no adoptarán agentes de IA a menos que tengan la confianza de que la tecnología es digna de confianza, de que existe tanto supervisión pública como privada sobre el comportamiento de los agentes, y de que hay herramientas adecuadas de monitoreo, reporte y personalización que sean independientes de los propios desarrolladores de los agentes.

Hacerlo bien, como ocurre con cualquier relación fiduciaria, requerirá una asignación clara de derechos y responsabilidades legales, con el respaldo de un mercado sólido de seguros y otras formas de protección de terceros y herramientas de cumplimiento. Los grupos industriales, los desarrolladores tecnológicos, las empresas de servicios al cliente, los emprendedores, los usuarios, los defensores de los consumidores y los legisladores deben unirse ahora para acelerar la adopción de esta tecnología clave.

D

e todas las posibles aplicaciones de la IA generativa, la propuesta de valor de utilizarla para escribir código fue quizá la más clara. Programar puede ser un proceso lento y requiere experiencia, lo que puede resultar costoso. Además, la promesa de que cualquier persona que pudiera describir su idea en texto plano podría crear aplicaciones, funcionalidades u otros productos que aporten valor significaba que la innovación ya no estaría limitada a quienes tienen las habilidades para ejecutar, sino que podría ser realizada por cualquiera que tuviera una idea.

A medida que las empresas han anunciado despidos masivos en el sector de la ingeniería (algunos de los cuales se han atribuido directamente a la eficiencia impulsada por la IA), parece que los ejecutivos están experimentando con la reducción de sus departamentos de ingeniería y el uso de bots de IA para compensar la diferencia.

Dado el estado actual de la IA, los líderes deberían considerar tres reglas para utilizar con éxito las herramientas de codificación con IA: pruebas y verificación rigurosas, protección de la infraestructura y tratar a la IA como un posible adversario.

1. Pruebas y verificación rigurosas

El código generado por IA exige una verificación más rigurosa, no menos.

— Automatice la verificación con seguridad de tipos. Los lenguajes de programación con seguridad de tipos (como C++, Rust o Scala) aplican reglas sobre cómo fluyen los datos a través de su sistema en tiempo de compilación, detectando categorías llenas de errores antes de que el código se ejecute. Es fundamental destacar que esta verificación no depende de un LLM que pueda alucinar, sino que se trata de una comprobación determinista realizada por un compilador.

— La revisión de código impulsada por IA puede ser sorprendentemente potente. Utilice un agente de IA dedicado a revisar las ediciones de código. Aunque los LLM pueden alucinar durante la revisión, el agente revisor puede detectar problemas que el agente de codificación pasó por alto.

— Las pruebas unitarias le dan a la IA dos oportunidades de hacerlo bien. Las pruebas unitarias son pruebas pequeñas y automatizadas que verifican que los componentes individuales del código funcionen correctamente de manera aislada. Incluso cuando son escritas por un LLM, las pruebas unitarias reducen los errores de forma significativa.

2. Protección de la infraestructura

Escribir un código seguro es solo la mitad de la batalla. La ingeniería de software también requiere proteger y reforzar la infraestructura subyacente sobre la cual se ejecuta su código. Al igual que las pruebas y la verificación rigurosas, este es otro aspecto de la ingeniería que puede pasarse por alto fácilmente.

— Separe los entornos de desarrollo y producción. Los equipos profesionales de software mantienen una separación estricta entre los entornos de desarrollo (donde los desarrolladores experimentan en sus máquinas locales) y los entornos de producción (lo que ven los usuarios). Cada entorno utiliza una base de datos independiente, y la IA solo tiene acceso al entorno de desarrollo.

— Evite los depósitos de almacenamiento públicos y otras configuraciones incorrectas comunes. La filtración de la aplicación de citas Tea (que expuso 72,000 imágenes sensibles) fue resultado de un depósito de almacenamiento de Firebase sin protección. Este error de principiante es el equivalente digital de cerrar la puerta principal, pero dejar la ventana abierta.

3. Tratar a la IA como un posible adversario

En esta sección, destacamos cómo la amenaza de la IA puede ir más allá del descuido y volverse adversarial.

— No asuma que la IA seguirá las reglas. En ocasiones, los agentes de codificación no permiten la lectura de archivos que puedan contener secretos (como .env). A pesar de estas salvaguardas, yo mismo he visto cómo la IA elude estas medidas de seguridad para leer de forma encubierta un archivo .env.

— Debemos tratar los entornos en los que opera la IA como potencialmente hostiles. Afortunadamente, la solución existe. Tecnologías como Docker y la virtualización han protegido durante mucho tiempo el alojamiento de cargas de trabajo potencialmente hostiles en servidores en la nube.

El camino a seguir

El futuro probablemente implique la colaboración entre ingenieros humanos y herramientas de IA, con los humanos aportando la visión arquitectónica, las pruebas rigurosas y la protección de la infraestructura, mientras que la IA acelera las tareas de implementación. Los líderes que reconocen esta realidad e invierten en procesos de ingeniería rigurosos construirán sistemas más resilientes, seguros y sostenibles que aquellos que compran la narrativa exagerada y confunden la velocidad de generación de código con una productividad real.

Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.

¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:

1. Telemetría

Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.

— Fortalezas: capta el comportamiento real, gran volumen de datos.

— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.

2. Encuestas

Lo que dicen los usuarios cuando se les pregunta.

— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.

— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.

3. Escucha social

Lo que dicen los usuarios sin que se les pregunte.

— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.

— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.

Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.

Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.

No es sorprendente que el uso de los LLM esté creciendo rápidamente.

ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.

Las tareas siguen una distribución de ley de potencia.

En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.

Usamos la IA de forma sustancial para escribir.

El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.

El aprendizaje y la educación son una categoría importante.

Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.

La ampliación ya está aquí y la automatización está en camino.

Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.

A

medida que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) continúan avanzando a un ritmo vertiginoso, muchos líderes empresariales siguen debatiéndose sobre cómo poner en práctica esta tecnología. Por un lado, buscan áreas en las que estas herramientas de IA generativa puedan demostrar rápidamente su valor. Por otro, quieren sentar las bases para una transformación de mayor escala y a largo plazo.

La IA se está convirtiendo en una parte natural de todo lo que hacemos y en un elemento intrínseco de cada faceta del negocio, integrándose de manera fluida en diversos procesos para mejorar la eficiencia y la innovación. Un área prometedora que puede ofrecer tanto un impacto inmediato como ayudar a sentar las bases es la búsqueda y recuperación de información impulsada por LLM. Se trata de un enfoque que puede cambiar radicalmente la forma en que las empresas interactúan con sus propios datos para obtener información, generar nuevas ideas y tomar mejores decisiones.

Aunque los desafíos persisten y pueden seguir evolucionando con el tiempo, no hay duda de que la transición hacia la búsqueda y recuperación habilitadas por LLM e IA generativa continuará. Para hacerlo de manera eficaz, las organizaciones deben seguir varios pasos:

1. Definir claramente los casos de uso.

Colabore entre los equipos de negocio que definen los requerimientos y los equipos técnicos o proveedores responsables de construir y desplegar las soluciones, con el fin de alinearse en una solución con resultados claramente medibles que permitan su evaluación más adelante.

2. Establecer procesos de admisión (intake) que consideren tanto el riesgo como el valor.

Considere no solo el ROI del caso de uso, sino también la sensibilidad de los datos que se están utilizando, el daño potencial de la aplicación y los usuarios previstos al priorizar en qué casos de uso invertir. Incorpore un enfoque por niveles de riesgo para evaluar los casos de uso.

3. Invertir en prácticas relacionadas con la recopilación, prueba y validación de datos para disponer de información real eficaz.

Reconozca que el uso eficaz de los LLM, especialmente aquellos utilizados en tareas de búsqueda y recuperación, sigue necesitando una base sólida de datos sobre la cual operar. Por lo tanto, los esfuerzos de transformación de datos deben continuar, manteniendo el foco tanto en la calidad de los datos que alimentan los modelos como en los flujos de trabajo generales para obtener, etiquetar, almacenar, acceder y procesar los datos, que son clave.

4. Incorporar prácticas de prueba estandarizadas.

Las evaluaciones ad hoc tienen un alcance limitado. Alinéese con un proceso estándar de desarrollo de modelos, respaldado por guías prácticas (playbooks) y prácticas de prueba predefinidas para habilitar sistemas de calidad, resilientes y bien probados.

5. Establecer capacidades de supervisión.

Tenga en cuenta que las cosas cambian: los datos cambian, la forma en que los usuarios interactúan con los sistemas cambiará, la tecnología cambia y lo que se puede necesitar de los sistemas cambia con el tiempo. Reconozca que estos sistemas deben supervisarse para asegurar un rendimiento continuo. Además, es necesario determinar métricas para que exista algo (y alguna forma) que monitorear.

6. Desplegar programas de capacitación, concientización y comunicación.

Dotar a sus colaboradores del conocimiento necesario para construir, desplegar y aprovechar de manera eficaz y responsable las herramientas de IA generativa es tan importante como la infraestructura técnica y los controles de gestión de riesgos que deben implementarse. Identifique las necesidades de aprendizaje y concientización relacionadas con la IA generativa en toda su organización y lance programas de capacitación y comunicación personalizados.

Es probable que la búsqueda siga siendo una aplicación dominante para los LLM y la IA generativa multimodal durante algún tiempo. Sin embargo, estos sistemas aún requieren datos efectivos, herramientas adecuadas y una gobernanza sólida para operar de manera eficaz y a gran escala. La IA responsable y las prácticas de gobernanza asociadas deben sustentar todo el despliegue de la IA. Dada la rapidez con la que cambia el panorama tecnológico, considere los casos de uso en función del impacto y el riesgo, e invierta en funciones subyacentes que le permitan escalar de manera responsable en una multitud de áreas.

H

ace un año, escribí un artículo sobre cómo las personas estaban utilizando realmente la IA generativa. Los casos de uso se dividían casi por igual entre necesidades personales y empresariales, y aproximadamente la mitad abarcaba ambas. Desde entonces, el entusiasmo en torno a la IA, la IA generativa y los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) no ha hecho más que crecer. Los editores de Harvard Business Review y yo sentimos la necesidad de actualizar la investigación.

El 2025 Top-100 GenAI Use Case Report enumera las 100 aplicaciones más importantes en la actualidad, clasificadas según su utilidad percibida y escala de impacto (evaluadas cualitativamente por expertos).

He aquí algunos casos de uso del Top 100 de este año, junto con una cita para cada uno (la lista completa está aquí). He seleccionado ejemplos que ofrecen una perspectiva particularmente clara de cómo las personas están utilizando la tecnología.

— Terapia/compañía (#1)

“En mi país, Sudáfrica, la atención de salud mental es prácticamente inexistente. Hay un psicólogo por cada 100,000 personas y un psiquiatra por cada 300,000. Los LLM son accesibles para todos y pueden ser de ayuda. Desafortunadamente, la seguridad de los datos no es una preocupación cuando su salud se está deteriorando, y la supervivencia es la prioridad de cada día.”

— Organizar mi vida (#2)

“Simplemente le pedí que creara un calendario para limpiar y organizar mi casa antes de que llegaran los invitados.”

— Aprendizaje mejorado (#4)

“He estado tomando un curso en línea para aprender análisis de datos por mi cuenta y utilizo ChatGPT como guía de estudio para explicar algunas cosas que el curso pasa por alto, y lo añado a mis notas. Esto me ayuda a reforzar lo que estoy aprendiendo, y hasta ahora me ha sido muy útil.”

— Una vida más saludable (#10)

“Acabo de empezar a probar un nuevo plan de alimentación, y calcular los macronutrientes con las hojas de cálculo de los ‘planificadores de comidas’ online me estaba volviendo loca. Ahora simplemente pido recetas con base en mis necesidades de macronutrientes por comida y llevo esa lista al hacer mis compras. Luego uso la freidora de aire, la arrocera, ¡y listo!”

— Crear un itinerario de viaje (#24)

“Le pedí a ChatGPT un itinerario de vacaciones completo, con muchos detalles, como lugares rústicos para hospedarse y comer, cosas clave que ver y joyas ocultas, minimizando el tiempo de viaje. El resultado fue perfecto.”

— Impugnar una multa (#83)

“Recibí una notificación de multa por circular en un carril de autobuses. El ayuntamiento me reclamaba £80 por una parada de unos 20 segundos, a lo mucho. Le pedí a ChatGPT que me redactara una apelación y esta mañana recibí una carta en la que me comunicaban que la multa había sido anulada. Gracias, IA, porque probablemente habría pagado el dinero si hubiera tenido que escribir por mi cuenta una larga y aburrida carta de impugnación.”

La mayoría de los expertos esperaba que la IA demostrara su valía primero y mejor en áreas técnicas. Si bien está haciendo mucho en ese ámbito, esta investigación sugiere que la IA puede ayudarnos tanto o incluso más con nuestros caprichos y deseos innatamente humanos.

El año pasado, hice la predicción correcta, pero bastante insípida y segura, de que la IA seguirá desarrollándose, al igual que los usos y aplicaciones que le demos. Ahora hago exactamente la misma predicción. Nos vemos en 2026.

L

as empresas han invertido miles de millones en IA generativa y en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés). Algunas incluso ya cuentan con directores de IA (chief AI officers). Pero, a pesar del dinero y el entusiasmo, generar un impacto empresarial sigue siendo claramente un desafío.

Sin embargo, es posible que la IA generativa agregue valor a las empresas. Este artículo ofrece un marco para implementar la IA en la función de ventas, utilizando como estudio de caso a SAP, líder en software de planificación de recursos empresariales (ERP).

Comprender las tendencias del mercado

En los negocios, el valor se crea o se destruye en el mercado con los clientes. En lugar de comenzar con una “estrategia de IA”, primero se debe aclarar qué problemas se quieren resolver o qué oportunidades se desean aprovechar para hacer crecer el negocio. Solo entonces se debe pensar en cómo la IA, o cualquier otra herramienta, puede ayudar.

SAP comenzó examinando el impacto de las tendencias del mercado en su negocio. A medida que los clientes pasaron del software “local” (on premise) a la nube, SAP tuvo que hacer evolucionar su modelo de negocio hacia uno basado en suscripción y lanzó su primera solución SaaS basada en la nube en 2007.

El paso a la nube también abrió una oportunidad para llegar a entre 30 y 40 millones de pequeñas y medianas empresas (pymes). El modelo de suscripción redujo los costos iniciales para las pymes, y ofreció flexibilidad y escalabilidad. Además, los servicios en la nube ofrecieron más oportunidades para que SAP personalizara y distribuyera su software. Sin embargo, SAP aún enfrentaba barreras de marca y costos en su estrategia de comercialización hacia estos clientes. SAP necesitaba un enfoque eficiente para vender a empresas más pequeñas.

Mapear los procesos comerciales

Una vez que una empresa reconoce sus necesidades comerciales cambiantes, debe mapear el proceso de realizar negocios en este nuevo entorno. Se debe comenzar con el recorrido del cliente, porque eso afectará el costo de servicio, las operaciones y otros aspectos del negocio.

SAP mapeó el recorrido del cliente en cinco pasos: cómo los clientes pymes descubren las soluciones de SAP, seleccionan una solución, la adoptan en su organización, obtienen valor de ella y extienden su relación con SAP. La compañía sabía que su modelo de ventas presenciales sería económicamente inviable para clientes más pequeños que realizan compras de menor monto, por lo que buscó maneras de usar herramientas de IA para ayudar a los clientes en cada etapa.

1. Descubrir: El objetivo aquí es alentar a las pymes a explorar las soluciones de SAP para sus necesidades comerciales.

Digital Launchpad, una herramienta de IA, se conecta a una base de datos para crear en cuestión de minutos actividades de captación de clientes personalizadas, específicas para cada sector y totalmente inmersivas. Prospecting Assistant carga listas procedentes de diversas fuentes y analiza la calidad de los clientes potenciales. Una herramienta de inteligencia artificial de análisis de opiniones identifica las preferencias de estos prospectos, como su forma preferida de interactuar. Luego, una herramienta de automatización de campañas toma esta información y crea mensajes personalizados para los clientes potenciales en el tono, formato y estilo que prefieren.

2. Seleccionar: Para los prospectos interesados, la siguiente etapa consiste en construir un caso de negocio. Utilizando la información del cliente potencial y la base de datos de SAP, las herramientas de IA crean un documento de una página sobre el valor para cada prospecto (Value One-Pager), destacando los beneficios clave de una posible solución. Otra herramienta de IA crea demostraciones y recorridos guiados personalizados para que los clientes potenciales experimenten la solución y visualicen su valor.

3. Adoptar: Para ayudar a los clientes a encontrar valor, SAP utiliza una herramienta de IA que crea videos de capacitación con avatares para resaltar las características y beneficios de la solución. Otra herramienta permite a los usuarios subir documentación y utilizar las capacidades de los LLM para realizar preguntas y respuestas interactivas; y una tercera herramienta usa datos internos para ayudar a los empleados a generar contenido para sus correos electrónicos, reuniones y presentaciones.

4. Obtener valor: Para ayudar a los clientes a impulsar la mejora continua, una plataforma de éxito del cliente habilitada con IA consolida datos de clientes de múltiples fuentes para crear páginas de inicio personalizadas con toda la información relevante accesible en un solo lugar. Luego, otra herramienta proporciona sugerencias personalizadas para mejorar el rendimiento.

5. Extender: Para fortalecer y hacer crecer la relación con el cliente, Digital Launchpad identifica nuevos productos de SAP que pueden ser relevantes, y el Value One-Pager presenta un caso de negocio sobre sus beneficios, mientras que una herramienta de IA ayuda a los asesores de soluciones de SAP a responder rápidamente a las preguntas.

Incubación, pilotaje y escalamiento

Sin las herramientas de IA, SAP veía a las pymes como un mercado fragmentado al que no era rentable llegar; con las herramientas de IA, se volvió accesible y rentable. Pero elegir qué herramientas de IA usar entre cientos de opciones disponibles en el mercado no es una tarea fácil.

El hecho de llegar a más de 40 herramientas de IA requirió un proceso sistemático de incubación, pilotaje y escalamiento. Durante dos años, SAP desarrolló cientos de ideas a través de un desafío interno de innovación abierto a 25,000 personas.

La siguiente fase consistió en poner a prueba las ideas prometedoras, identificar problemas u oportunidades de mejora y realizar pruebas para comprender y cuantificar el valor de estas herramientas.

Una vez que la prueba de concepto está clara, es necesario escalar para lograr un impacto empresarial significativo. SAP utilizó un enfoque de plataforma porque proporcionaba un único lugar para introducir y actualizar herramientas e integrar proveedores externos. También permitió a SAP integrar las herramientas de IA con la infraestructura existente de la compañía.

¿Comprar, construir o asociarse para ganar velocidad?

El campo de la IA avanza a un ritmo exponencial, por lo que incluso las empresas con grandes habilidades técnicas suelen buscar asociaciones con aplicaciones de terceros para moverse más rápido.

El equipo digital de SAP reconoció esta necesidad, pero la tradición y el orgullo de la compañía por su calidad de ingeniería generaron un debate interno significativo sobre la asociación frente a la construcción de estas herramientas por cuenta propia. Una vez más, esto requirió un cambio cultural dentro de la empresa. Finalmente, la plataforma digital de SAP utilizó una combinación de herramientas de IA internas y externas. La integración de herramientas de terceros en los sistemas internos supuso otro reto que la empresa tuvo que superar.

Mida y cuantifique el impacto

Una de las tareas más difíciles es aislar, medir y cuantificar el impacto empresarial de las inversiones en IA, especialmente en una organización grande. El beneficio puede presentarse en forma de eficiencias y ahorros de costos, o en la capacidad de capturar nuevas oportunidades. La precisión es menos importante que una aproximación razonable respaldada por evidencia.

SAP creó una línea base al monitorear cuánto tiempo tomaban sus equipos para realizar tareas como llegar a 1,000 prospectos. Luego, midió el tiempo necesario para llegar al mismo número de prospectos utilizando herramientas de IA. Aunque no hubo una diferencia significativa en la tasa de conversión entre los dos enfoques, los equipos de ventas ahorraron casi un 40% de tiempo al emplear modalidades digitales para la prospección.

Adáptese a su contexto

Muchos aspectos del enfoque de SAP se aplican en la mayoría de los contextos empresariales: desde las oportunidades de mercado, pasando por el mapeo del recorrido del cliente, la creación o la asociación para obtener las herramientas adecuadas, la puesta a prueba y el escalamiento de esas herramientas, hasta la medición de su impacto, todos ellos son esenciales para convertir una tecnología prometedora en una realidad empresarial. Sin embargo, otros aspectos deben adaptarse a su contexto.

Sin una buena comprensión de su categoría de producto y de cómo los clientes toman decisiones, usted no sabrá dónde las capacidades de IA pueden marcar una diferencia para su empresa en las interacciones con los clientes, o dónde esas capacidades pueden sustituir eficazmente la publicidad, los canales de venta actuales u otra actividad. Esa comprensión es un asunto de gestión, no de tecnología; pero sin ella, la IA puede convertirse fácilmente en una herramienta en busca de un problema, o simplemente en otro costo más de hacer negocios.

E

n la década de 1930, los ejecutivos del sistema Bell se dieron cuenta de que el creciente uso de los teléfonos pronto crearía desafíos de red tan complejos que sobrepasarían la capacidad de los interruptores mecánicos para mantenerse al día. Así que lanzaron una iniciativa para crear los transistores como una alternativa más rápida y mucho más barata.

A partir de la década de 1960, con la idea de la “oficina sin papel”, ha habido esfuerzos similares para abordar los retos relacionados con el flujo masivo de documentos en las organizaciones. La digitalización mejoró significativamente nuestra capacidad para gestionar ese flujo cada vez mayor, pero todavía hay una gran cantidad de papel circulando dentro y entre las organizaciones, y los documentos electrónicos siguen siendo, en gran medida, producidos, editados y procesados por personas. La promesa de la IA, especialmente de los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), es que pueden hacerse cargo de esas tareas.

Para comprender cómo podría suceder esto en la práctica, dos de nosotros (Peter Cappelli y Valery Yakubovich) estudiamos una iniciativa de una gran compañía de seguros médicos estadounidense que introdujo IA para procesar la organización de documentos y la extracción de información de los mismos como primer paso en el proceso de reembolso, en el otoño de 2024. Para obtener el permiso, tuvimos que comprometernos a no identificar a la aseguradora. El trabajo real de procesamiento de documentos se realizaba en las instalaciones por un proveedor, Ricoh, una empresa de servicios digitales que desempeñó el papel principal en el esfuerzo de implementación de IA. Dos de nosotros (Braj Thakur y Ashok Shenoy) participamos activamente en ese proyecto. Esta empresa no utilizaba la IA para tomar decisiones sobre la aprobación o denegación de las reclamaciones.

Estas son las lecciones generalizables que obtuvimos de este esfuerzo.

1. El objetivo no debe ser la automatización, sino realizar el trabajo de una manera rentable.

Actualmente existe una amplia gama de herramientas basadas en LLM disponibles, con diferentes capacidades, algunas de ellas muy sofisticadas. El equipo de desarrollo descubrió que una de las herramientas más avanzadas podía realizar una buena labor de extracción y clasificación. Sin embargo, resultó ser tan costosa que hacía inviable la solución.

Para reducir costos, el equipo decidió usar el modelo Claude LLM de Anthropic, pero los cargos de Amazon Web Services (AWS), el proveedor de servicios en la nube que ofrecía las herramientas necesarias, resultaron ser demasiado altos debido a los costos de almacenamiento y potencia de cómputo. En resumen, incluso un LLM eficiente no sirve si no es más barato que aquello que pretende reemplazar.

Otro intento consistió en enviar al modelo de IA generativa aquellos documentos que no habían sido clasificados o cuyos datos no habían sido extraídos correctamente, en lugar de devolverlos a los empleados. Un hallazgo importante fue una herramienta que capturaba campos a lo largo de múltiples páginas de un documento, pero los procesaba como una sola imagen, lo que reducía considerablemente los costos (que se calculan por imagen). Los documentos que no se procesaban con precisión se enviaban para una última revisión a una herramienta de IA más costosa.

Finalmente, algunos documentos aún tenían que enviarse a los indexadores para ser retrabajados (2.7% en comparación con casi el 90% antes de cualquier intervención), un enfoque conocido como “intervención humana”. Sin embargo, para identificar este pequeño número de errores, los indexadores debían revisar el 27% de los documentos en los que el modelo de IA generativa tenía menos del 97% de confianza en su clasificación.

En conjunto, la productividad aumentó tres veces, y el volumen máximo diario pasó de 10,000 a 30,000 documentos. El tiempo promedio por documento para un indexador ahora representaba solo el 10% del nivel previo, y el total de documentos procesados por día se triplicó.

2. Una aplicación exitosa de IA puede no significar menos empleos.

Como resultado del proceso asistido por IA, el número de indexadores solo se redujo aproximadamente un 20%. Ahora que la función procesa un volumen mucho mayor de apelaciones y quejas, su plantilla es casi la misma que antes del cambio. Esto contradice la suposición de muchos entusiastas de la automatización de que los ahorros al adoptar IA provienen de recortes o eliminaciones totales de personal.

El objetivo debe ser el resultado final (calidad, costo, eficiencia), no la reducción de la fuerza laboral en sí misma. Resultó que los empleados seguían siendo necesarios en la función de reclamaciones, aunque no para la tarea repetitiva de ingreso inicial de datos. Eran necesarios para resolver problemas que incluso las herramientas de IA más avanzadas no podían manejar, como datos faltantes o ilegibles, formularios nuevos con formatos diferentes que la lógica difusa y los modelos generativos no podían procesar, y otras particularidades.

Este nuevo proceso impulsado por IA también creó una nueva tarea humana: el control de calidad, que consiste en muestrear y revisar los resultados del sistema. Esto es especialmente necesario porque el formato en el que llegan los datos cambia constantemente entre la amplia gama de proveedores y clientes que los envían, lo que plantea desafíos de ejecución y calidad.

3. La IA puede hacer que los empleados se enfoquen en trabajos de mayor valor.

Las mejoras en la calidad de los datos, a medida que los documentos pasaban del manejo inicial y la entrada de datos a las etapas más sustantivas del procesamiento de reclamaciones de seguros, ahorraron una enorme cantidad de tiempo y esfuerzo más adelante. El trabajo de los indexadores cambió de las tareas repetitivas de ingreso de datos (que resultaban tan aburridas) a la tarea más interesante de detectar errores y encontrar soluciones. Este cambio redujo la rotación de personal y mejoró la satisfacción laboral. La empresa descubrió que cuanto más experimentados eran los indexadores, mejor eran para encontrar y corregir errores.

4. Los ahorros provienen de los aumentos de escala que se hacen posibles gracias a una mayor productividad y calidad.

Los ahorros provinieron de dos factores. El primero, el aumento de escala: el sistema ahora procesa aproximadamente tres veces más documentos por indexador. El segundo, la calidad: menos errores en el procesamiento de reclamaciones, lo que reduce los costos operativos en otras áreas. El número de apelaciones, quejas y solicitudes de seguimiento sigue creciendo, pero no el número de empleados, por lo que los ahorros provienen de distribuir los costos operativos entre más documentos procesados.

5. Involucrar a los empleados que han desempeñado la función en el proyecto de IA es esencial.

La integración exitosa de la IA en los procesos laborales requiere sin duda la ayuda de expertos que ya hayan hecho esto antes, pero trabajar con los empleados directamente involucrados también es esencial. Incluso con la participación de ocho científicos de datos, analistas y expertos en automatización con experiencia, la implementación descrita en este artículo estuvo lejos de estar “lista para usarse”. Entrenar las herramientas de lógica difusa y de IA requirió coordinación con lo que los indexadores veían realmente en los documentos que llegaban. Fueron necesarias dos iteraciones en un periodo de tres meses para lograr que el sistema funcionara correctamente.

La lección duradera de las innovaciones tecnológicas, incluida la IA generativa, es que las promesas iniciales de ahorros de costos y eliminación de puestos de trabajo suelen superar la realidad. El éxito de la IA generativa no radica en transformar la gestión o en recortar personal, sino en mejorar las tareas de manera rentable.

L

a sabiduría predominante en inteligencia artificial sugiere que los modelos más grandes ofrecen mejores resultados. En nuestro trabajo para compañías de seguros de salud y administradores externos de planes de salud, hemos descubierto que esta suposición se sostiene en muchos casos, pero se desmorona cuando la IA pasa de tareas generales a dominios profesionales especializados.

En este artículo compartimos lo que hemos aprendido sobre cómo los ejecutivos que evalúan inversiones en IA para aplicaciones profesionales de resolución de problemas deben decidir entre modelos de IA generalistas y modelos especializados.

Cuando la escala ofrece el mayor valor

Las ofertas de IA generativa más conocidas como ChatGPT, Claude y Gemini, se basan en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) y otras tecnologías de IA que se entrenan con texto e imágenes provenientes de innumerables dominios, y por lo tanto parecen capaces de responder prácticamente cualquier pregunta imaginable.

En contraste, los modelos de IA generativa especializados no solo comprenden qué información recuperar, sino también cómo opera esa información dentro del marco de toma de decisiones de un dominio específico. Estas tecnologías de IA generativa agregan datos de entrenamiento altamente contextualizados y metodologías a las capacidades fundamentales de las tecnologías de IA generalistas.

Una arquitectura híbrida como camino hacia el futuro

Nuestra experiencia sugiere que el futuro de la implementación de IA generativa empresarial radica no solo en elegir entre modelos generalistas y especializados, sino también en estrategias de implementación híbrida bien pensadas. Los enfoques más eficaces aprovechan los modelos generalistas para las tareas en las que se destacan, mientras dependen de proveedores especializados para el razonamiento y la toma de decisiones específicas del dominio.

Cómo elegir un proveedor de IA y evitar errores comunes

Dado el buen desempeño que tienen actualmente los mayores LLM en tareas que no son críticas para la misión, es difícil que los líderes empresariales cometan errores graves al elegir entre ellos para tales propósitos. Sin embargo, eso no ocurre cuando se evalúan modelos de IA más especializados. Hemos desarrollado varias preguntas clave que los líderes empresariales pueden formular durante las evaluaciones de proveedores de IA especializada para evitar los errores más comunes:

— ¿Puede el proveedor demostrar claramente la lógica detrás de su IA y hacer que su razonamiento sea transparente?

La pregunta crítica no es si la IA puede procesar información más rápido que los humanos, sino si puede usar esa información de maneras en que sus principales expertos en el dominio puedan confiar, comprender y aprovechar. Busque soluciones que integren marcos de juicio profesional, no solo árboles de decisión, y que puedan explicar por qué priorizan ciertas evidencias.

— ¿El proveedor mantiene una colaboración continua con expertos en su campo? ¿Cómo maneja las prácticas en evolución?

Esto requiere una profunda colaboración entre los desarrolladores de IA y los expertos del dominio, no solo para recopilar datos de entrenamiento, sino también para comprender los marcos subyacentes que guían la toma de decisiones profesionales. Esta pregunta garantiza que su proveedor pueda adaptarse conforme cambian los estándares profesionales, mientras mantiene acceso a la experiencia en el dominio que impulsa la mejora continua.

— ¿La solución propuesta por el proveedor puede abordar la integración entre dominios y la expansión de alcance, o su oferta solo funcionará como una solución puntual?

La clave para captar todo el potencial de la IA radica en comprender y abordar las barreras organizacionales y culturales que enfrentan las iniciativas de IA, en lugar de simplemente desplegar modelos generales más potentes. Esta pregunta ayuda a los líderes a elegir proveedores que anticipan cómo se interconectan las decisiones profesionales entre dominios, y que amplíen sus capacidades conforme evolucionan las necesidades de la organización.

En entornos empresariales de alto riesgo, la experiencia especializada supera a la inteligencia general. Nuestro recorrido desarrollando IA específica para el sector salud nos enseñó que el camino hacia una IA profesional efectiva no radica simplemente en elegir modelos más grandes, sino también en seleccionar soluciones más inteligentes que comprendan cómo piensan, deciden y actúan realmente los profesionales.