La inversión empresarial en estrategias de despliegue de IA no para de aumentar. Sin embargo, obtener un reto o de esta inversión no es algo directo: las empresas deben entender cómo se genera este reto o y, especialmente, cómo debe desplegarse la IA para que sea efectiva. Se prevé que el gasto en IA en 2026 aumente un 47% respecto a 2025, con un desembolso de 2,59 billones de dólares, según datos de Gartner. Para que la inversión de la IA tenga un efecto positivo, debe acompañarse de un contexto. Así lo cree el 82% de los líderes empresariales, que destacan que la IA solo genera reto o de la inversión cuando comprende el contexto completo de la compañía.
Es algo a lo que se tiene que enfrentar diariamente Abby Godee, chief experience officer en Publicis Sapient, que lleva cuatro años explicando estos matices a quien la contrata. «Hay algo que tengo que repetir a los clientes con cierta frecuencia». Ese «algo» es una verdad incómoda que hace que sus clientes tengan que replantearse para qué quieren usar la IA.
En estos años, Godee ha entendido que, muchas veces, las peticiones de sus clientes se fijan más en una promesa que en la realidad: «Quieren personalización a escala, eficiencia operativa, asistentes que automatizan flujos enteros, interfaces que se adaptan al usuario en tiempo real. Quieren todo lo que la inteligencia artificial generativa promete. Y a la mayoría hay que darles la misma respuesta: “Nada de eso es posible sin un trabajo previo que no es tan evidente”».
Trabajo fundacional
Para cerrar esta brecha de percepción, Godee habla del «trabajo fundacional» que deben hacer las compañías a la hora de implantar una estrategia de IA. No solo se trata de abordar el para qué se necesita implantar la IA, sino que se trata de entender qué tiene la empresa y qué puede conseguir con ello. Para diseccionar la realidad de la empresa, Godee trabaja sobre tres áreas concretas.
La primera es la estrategia de datos: saber qué se tiene, dónde está, cómo se gobie a y con qué calidad. Según IDC, el 90% de los datos generados por las grandes empresas sigue siendo no estructurado y, en la práctica, inaccesible para sistemas de IA en producción. Esto complica el desarrollo de planes específicos con la información y el contexto total de las compañías, que deben tener una mayor gobe anza del dato para que la IA pueda aprovecharlos.
La segunda es la madurez del contenido. Personalizar contenido sin que esté organizado para que una máquina pueda leerlo y entenderlo (la expresión usada en la industria es machine-ready) es, sencillamente, imposible. La mayoría de las empresas sigue tratando su contenido como una colección de páginas pensadas para humanos, no como un cuerpo de información preparado para alimentar modelos.
La tercera son los sistemas de diseño, ese conjunto de componentes y reglas que permite construir productos digitales a escala. «Casi ninguno está hoy preparado para una operación realmente automatizada por IA», explica Godee.
Sin esas tres piezas, «la IA amplifica lo que ya estaba roto, en lugar de arreglarlo», explica Godee. Por eso, ella defiende que un proceso bien diseñado desde el origen se vuelve mucho más rápido, pero un proceso defectuoso se rompe a mayor velocidad.
La élite invisible
La consecuencia es una asimetría que no para de ensancharse y que puede generar una brecha de compañías que funcionen a dos velocidades. Godee identifica una pequeña élite de empresas, entre las que cita a Philips, en las que el diseño ha estado históricamente cerca de la ingeniería y del negocio. Esas organizaciones ya experimentan con servidores MCP propios.
El nombre es técnico y merece explicación. El Model Context Protocol (MCP) es un estándar abierto propuesto por Anthropic a finales de 2024. Funciona como una especie de enchufe universal entre modelos de lenguaje y sistemas inte os de las empresas: bases de datos, documentos, herramientas de gestión, sistemas de diseño. Cuando una compañía monta sus propios servidores MCP, permite que los agentes de IA lean y actúen sobre su infraestructura de forma controlada. Es la diferencia, en la práctica, entre hablar con una IA genérica y hablar con una IA que conoce la empresa por dentro.
Actualmente, «la inmensa mayoría de las grandes empresas todavía no se ha acercado a ese escenario», según Godee. El diseño fue tratado durante años como una capa cosmética o como un departamento aislado. Por eso, la brecha entre los dos grupos «se está agravando y no estabilizando», explica Godee.
Cuando la interfaz desaparece
Además de la brecha operativa de la IA, existe otro reto para las compañías: cómo se mantiene una esencia y personalidad de marca en un momento en el que la interacción se realiza a través de prompts y chats de IA. «La paleta se ha vuelto enorme y minúscula al mismo tiempo», resume Godee. Enorme, porque el contenido pasa a dominar la experiencia y las posibilidades de personalización son inéditas. Minúscula, porque los recursos visuales tradicionales (jerarquía, navegación, layout) pierden protagonismo.
Por eso, contar con una estrategia de datos clara y conocer a dónde se quiere ir como compañía es algo crucial en la era de la IA. Aquellas que comprendan esto y que estructuren sus datos en consecuencia podrán liderar la ventaja competitiva y escapar de la brecha.