La IA empresarial ya no es una aspiración de futuro. Se encuentra en pleno despliegue operativo. Las capacidades de los modelos avanzan más rápido de lo que la mayoría de las organizaciones puede asimilar, mientras que el coste del rendimiento no deja de caer. A escala global, se prevé que la inversión en IA alcance los 2,5 billones de dólares en 2026, un 44 % más que el año anterior.
Para muchas empresas, esta inversión ha generado fragmentación. La inteligencia puede acumularse en silos, provocando, por ejemplo, que los agentes de ventas desconozcan los tickets de soporte abiertos o que los sistemas de marketing personalicen contenidos sin visibilidad sobre lo que el departamento financiero ya sabe de un cliente. Cada función puede rendir bien de forma aislada, pero la empresa en su conjunto apenas aprende y dispone de menos información sobre la que actuar.
La transición de la IA como herramienta a la IA como modelo operativo —lo que en este informe denominamos el «cambio agéntico»— exige algo más fundamental que mejores modelos o una infraestructura más rápida. Requiere conectar a personas, procesos y datos en tiempo real, junto con la gobernanza y el control necesarios para actuar a partir de esa inteligencia de manera fiable.
Esto supone replantear simultáneamente tanto la arquitectura como los modelos operativos. En primer lugar, reconstruir la infraestructura de datos priorizando la accesibilidad sobre el volumen. En segundo lugar, sustituir los stacks tecnológicos fijos por arquitecturas componibles que puedan evolucionar a medida que cambian los modelos y las herramientas. Y, por último, resolver las cuestiones relativas a la soberanía de la IA, que incluyen dónde se ejecuta la inteligencia, quién la controla y cómo opera a través de las fronteras organizativas y jurisdiccionales.
Entre las principales conclusiones destacan las siguientes:
El problema de escalabilidad de la IA empresarial es estructural. Las organizaciones que priorizan los procesos están tomando la delantera. El gasto global en IA se está disparando y las capacidades de los modelos avanzan más rápido de lo que la mayoría de las empresas pueden integrarlas. Sin embargo, gran parte de las compañías todavía no aumentan sus ingresos gracias a la IA ni se replantean a fondo su forma de operar. Las empresas que generan una rentabilidad sostenida comparten una misma disciplina: consideran el rediseño de procesos como la labor previa a la selección del modelo, preparándose para la evolución de la tecnología en lugar de reajustar puestos y flujos de trabajo tras el despliegue. Para ellas, la transición agéntica comienza en el modelo operativo.
La preparación de los datos, y no su abundancia, es lo que hace que la IA sea acumulativa. La mayoría de las empresas descubren demasiado tarde que tener datos y tener datos listos para la IA son cosas muy distintas. Una base soberana y componible —que consulta y prepara los datos allí donde residen, sin migraciones ni centralización— puede convertir los activos de datos en bruto en inteligencia sobre la que los agentes de IA puedan actuar. A medida que las leyes de residencia de datos, los entornos multicloud y la complejidad estructural hacen que la centralización sea cada vez más inviable, el control soberano sobre dónde se ejecutan los modelos y dónde residen los datos es lo que mantiene intacta esa adaptabilidad.
Este contenido ha sido elaborado por Insights, la división de contenidos personalizados de MIT Technology Review, no por su equipo editorial. Ha sido investigado y redactado por personas, y el uso de cualquier herramienta de IA que se haya podido emplear se ha limitado a procesos de producción bajo supervisión humana.