Muchas empresas corren el riesgo de caer en la “trampa de la solución” al implementar nuevas tecnologías como la inteligencia artificial (IA) sin considerar adecuadamente si abordan problemas empresariales reales.
Así lo señaló Niranjan Vijayaragavan, director de tecnología de la especialista en automatización de flujos de trabajo Nintex, quien instó a las organizaciones a aplicar las herramientas adecuadas a los problemas correctos. Sin embargo, con el creciente interés en la IA generativa impulsado por herramientas como ChatGPT, muchas juntas directivas han presionado a sus organizaciones para que adopten la IA de inmediato, a menudo sin saber dónde podría aplicarse de manera útil.
“La experimentación es buena”, concedió Vijayaragavan, pero enfatizó la importancia de identificar los verdaderos cuellos de botella en cualquier proceso. Los líderes de TI deben tener una hipótesis sobre cómo la IA puede generar valor en esas situaciones específicas, especialmente considerando que el 80-90% de las tareas pueden automatizarse utilizando tecnología tradicional.
El “enfoque de escopeta” adoptado por algunas organizaciones ha llevado a proyectos fragmentados que ofrecen poco o ningún retorno de la inversión. Vijayaragavan sugirió que es hora de “hacer una pausa y reflexionar”, señalando que, si bien “existe valor, falta la estructura para obtenerlo”.
Las consideraciones clave durante este período de reflexión incluyen la seguridad y la privacidad, específicamente, si un modelo de lenguaje grande (LLM) subyacente está absorbiendo los datos a los que accede.
También está el costo de la rectificación. Si un agente de IA le ahorra a un empleado una hora al día, pero ese tiempo se pierde deshaciendo los errores del agente, la propuesta de valor colapsa. Además, existe el costo de oportunidad: el dinero gastado en experimentar con proyectos de IA indefinidos es dinero que no se gasta en iniciativas de valor conocido.
Un estudio reciente de Nintex encontró que el 84% de los directores de información (CIO) y directores financieros (CFO) encuestados ahora creen que la automatización es un precursor necesario para implementar con éxito la IA en los procesos empresariales. La postura de Nintex es que la automatización actúa como el músculo para complementar el cerebro de la IA. La automatización apoya la escalabilidad de los proyectos de IA estandarizando los procesos, garantizando la calidad de los datos y proporcionando una base para la gobernanza.
Datos estructurados vs. no estructurados
Preparar los datos para la IA fue un tema importante a lo largo de 2025. Vijayaragavan observó que, si bien se han logrado avances, el éxito depende de casos de uso claros.
A pesar de las preocupaciones iniciales con respecto a los datos no estructurados, los LLM han demostrado ser eficientes en su procesamiento. Nintex, por ejemplo, ha utilizado LLM para hacer que su documentación técnica y material relacionado sean más accesibles.
Sin embargo, cuando se trata de datos estructurados, como los almacenados en bases de datos SQL, los datos aislados e impuros “siguen siendo el estado actual”, según Vijayaragavan. Se necesitará tiempo para resolver estos problemas heredados, incluso con la ayuda de plataformas de datos modernas como Snowflake y Databricks.
Señaló que combinar texto de diferentes fuentes es un proceso no determinista, mientras que combinar registros de bases de datos debería ser determinista. Debido a que los LLM son inherentemente probabilísticos, los equipos de TI lograrán resultados más precisos utilizando sentencias SQL para combinar registros. “Como regla general, no utilice modelos de inferencia donde se espere un resultado determinista”, afirmó.
Sin embargo, la IA puede ayudar a mapear registros de diferentes tablas donde los nombres de las columnas son inconsistentes, por ejemplo, haciendo coincidir una columna llamada ‘Customer’ con una llamada ‘Cust’.
También hay escenarios en los que ambos enfoques funcionan en conjunto. Un sistema de RR. HH. podría utilizar un LLM para interpretar una pregunta en lenguaje natural, como “¿cuántos días de vacaciones me quedan?”, y convertirla en una consulta de base de datos específica. Esta consulta buscaría determinísticamente el derecho a vacaciones y restaría los días tomados. “[Eso] es un gran uso de los LLM”, sugirió.
En consecuencia, las empresas necesitan una plataforma que admita tanto tecnologías deterministas como de inferencia para utilizar la tecnología adecuada en el contexto correcto.
En lo que respecta a la aplicación de la IA generativa en la atención al cliente y el desarrollo de software, Vijayaragavan cree que “las promesas se han materializado en gran medida”. Si bien la atención al cliente impulsada por IA todavía comete errores o, ocasionalmente, adopta el tono incorrecto, generalmente es lo suficientemente efectiva para su implementación.
La IA sirve como un asistente capaz, agregó, pero aún no se confía en que opere de forma autónoma. En el próximo año, Vijayaragavan espera ver más ejemplos de IA agentic entrando en producción. Estos no serán completamente autónomos, con los humanos continuando brindando supervisión.
La gobernanza de los agentes de IA debe reflejar la de los trabajadores humanos, argumentó. Ambos requieren roles, responsabilidades y derechos de acceso claros. Los agentes deben mantener registros de sus acciones y poder explicar lo que hicieron y por qué.
Vijayaragavan señaló un “reconocimiento saludable” en la industria de que la automatización tradicional sigue siendo más apropiada que los agentes en muchos contextos. Sin embargo, a medida que los modelos fundamentales se vuelven más precisos y los modelos especializados mejoran, el alcance de los agentes crecerá, siempre y cuando las organizaciones inviertan en la ingeniería de contexto.
“Actualmente, se requiere mucho contexto para obtener la calidad de respuestas necesarias”, dijo. Los usuarios empresariales están en una posición única para incorporar ese contexto en sus agentes, en lugar de dejarlo en manos de los usuarios individuales.
En última instancia, las organizaciones deben sopesar los costos totales de la implementación de la IA, incluido el impacto en la moral de los empleados, frente a su apetito por el riesgo.
“Es posible que se necesite una inversión de varios años antes de ver los rendimientos, por lo que es importante pensar cuidadosamente por qué se está embarcando en un proyecto”, dijo. “‘La junta pensó que era una buena idea’ no debería ser una razón suficiente”.
