Son las 9 de la mañana en una empresa del sector financiero. El equipo de datos lleva 4 meses construyendo un modelo de análisis de riesgo crediticio. La precisión en el ambiente de pruebas es del 89%. El modelo funciona. Y sin embargo, nadie en el área de crédito lo está usando — porque el output llega en un formato que el analista no sabe interpretar, en un sistema que no es parte de su flujo de trabajo, sin que nadie le haya explicado qué hacer con esa información cuando no coincide con su criterio de negocio. El modelo es correcto. La solución está incompleta.
Ese escenario es más común de lo que parece. No porque las organizaciones no inviertan en tecnología — invierten, y cada vez más. Sino porque la conversación sobre inteligencia artificial todavía está dominada por el modelo, el proveedor y el benchmark de precisión. Y esas son las últimas tres cosas que determinan si un proyecto genera valor o no.
Primero lo primero — porque hay confusión seria en el mercadoLa IA no es una sola cosa. Es un portafolio completo de capacidades distintas.
Cuando en una reunión de consejo directivo alguien dice "deberíamos implementar inteligencia artificial", en esa sala hay al menos 6 personas con 6 definiciones distintas de qué significa eso. Uno piensa en ChatGPT. Otro en el asistente del carro. Otro en la detección de fraude que ya opera en el banco. Otro en el robot de la línea de manufactura. Todos tienen razón — y ninguno está hablando de lo mismo.
Esta confusión tiene un costo real: las organizaciones compran la solución de moda en lugar de la capacidad que resuelve su problema específico. Y los proyectos fracasan no porque la tecnología falle, sino porque se eligió la herramienta equivocada para el trabajo equivocado.
⬡ El portafolio real de inteligencia artificial — 8 categorías distintas, 8 tipos de valor
💬IA Generativa — Lenguaje, código e imágenes
Generativa
La más visible en medios. Genera texto, código, imágenes y audio a partir de instrucciones. Útil para documentación, atención al cliente, análisis de contratos, generación de reportes y soporte técnico automatizado. Mal usada como sustituto de proceso — bien usada como amplificador de productividad humana.
ChatGPT / GPT-4oClaude (Anthropic)GeminiLlama / DeepseekDall-E · Midjourney
👁️Visión por computadora — El ojo que no descansa
Computer Vision
Analiza imágenes y video en tiempo real. Detección de defectos en manufactura, diagnóstico médico por imagen, identificación de personas en acceso, control de calidad en líneas de producción, monitoreo de procesos industriales. Más maduro y con más casos de uso probados que la IA generativa.
NVIDIA DRIVE VisionAWS RekognitionAzure Computer VisionTensorFlow / PyTorchRadiology AI (salud)
📈ML Predictivo — El que anticipa antes de que ocurra
Predictivo
Modelos entrenados sobre datos históricos que predicen comportamientos futuros. Detección de fraude, scoring crediticio, predicción de demanda, mantenimiento preventivo de equipos, riesgo de churn de clientes. El mayor ROI documentado en IA de negocios — y el menos glamoroso en presentaciones de directivos.
Fraud detection (banca)Credit scoringPredictive maintenanceDemand forecastingAWS SageMaker
🚗IA Embebida y Edge — La que vive en el dispositivo
Edge / Embedded AI
Corre directamente en el hardware sin conexión a la nube. Sistemas de asistencia en vehículos (frenado automático, detección de carril, reconocimiento de señales), sensores industriales inteligentes, equipos médicos portátiles, drones autónomos. NVIDIA DRIVE, Jetson y los chips Inferentia/Trainium de AWS son la infraestructura de esta capa.
NVIDIA DRIVENVIDIA JetsonAWS InferentiaADAS automotrizIoT industrial
🤖Agentes de IA — La que actúa, no solo responde
Agentic AI
Sistemas que no solo generan una respuesta sino que toman acciones: consultan APIs, ejecutan código, completan formularios, orquestan múltiples pasos de un proceso. El protocolo MCP (Model Context Protocol) está haciendo posible la integración de agentes directamente en plataformas empresariales. La IA de moda en 2025 — y la que más requiere arquitectura sólida para no convertirse en un riesgo operacional.
MCP ProtocolAWS Bedrock AgentsLangChain / LangGraphN8N · Zapier AIAutoGen (Microsoft)
⚙️Optimización y simulación — La que resuelve lo complejo
Optimización
Algoritmos que optimizan sistemas con miles de variables interdependientes: rutas de distribución, precios dinámicos, asignación de recursos, planificación de producción, portafolios financieros. No generan texto ni imágenes — generan decisiones. El dominio donde la computación cuántica (IONQ, Rigetti) abrirá la próxima frontera.
Revenue managementSupply chain optimizationDynamic pricingPortfolio optimizationQuantum-ready (IONQ)
🔊Voz, NLP y procesamiento de documentos
NLP / Speech
Transcripción, análisis de sentimiento, extracción de información de documentos, clasificación de contratos, procesamiento de expedientes médicos. Convierte audio no estructurado y documentos en datos procesables. Alta aplicabilidad en regulación: análisis automático de circulares CNBV, extracción de datos para COFEPRIS, revisión de contratos.
Whisper (OpenAI)AWS ComprehendAzure Document AIHL7 FHIR + NLPAnálisis de llamadas
🧬IA especializada por dominio — La que sabe más que el experto
Domain-Specific AI
Modelos entrenados específicamente para un dominio: AlphaFold para predicción de proteínas (farmacéutica), modelos de inspección de infraestructura para oil & gas, IA para detección de plagas en agroalimentario (SENASICA). El territorio donde la IA supera al experto humano en tareas específicas — y donde la regulación sectorial define los límites de uso.
AlphaFold (pharma)GeoAI (O&G)AgriAI (SENASICA)FinBERT (finanzas)MedPaLM (salud)
La pregunta correcta no es "¿deberíamos implementar IA?" La pregunta correcta es: ¿qué tipo específico de capacidad de IA resuelve el problema de negocio que tenemos bien definido — y está ese problema lo suficientemente comprendido como para que la tecnología agregue valor y no ruido? Cada categoría tiene su caso de uso natural, su madurez tecnológica propia y su requerimiento diferente de arquitectura y gobierno.
La infraestructura donde vive la IA no es la nube de nadie — es la arquitectura que tu organización diseña para no depender de nadie. · Foto: Unsplash
El primer error que nadie documentaLa tecnología llega antes que el problema está bien definido
Una demo de IA es siempre impresionante: datos perfectamente preparados, caso de uso ideal, ambiente controlado. Lo que no aparece en la demo es la pregunta que importa — ¿dónde vive este resultado dentro del proceso real de la organización? ¿Quién lo usa, cuándo, con qué criterio y qué hace cuando el modelo dice una cosa y su experiencia dice otra?
El 74% de empresas que no generan valor con IA (BCG 2024) no tiene un problema de modelo. Tiene un problema de arquitectura de decisión: pusieron la inteligencia artificial en el lugar equivocado, sin el proceso correcto alrededor, y sin que las personas que deberían usarla entendieran qué hacer con su output.
⬡ El principio de orden
Primero el problema de negocio con criterio medible. Luego el proceso rediseñado por quienes lo operan. Luego los datos gobernados. Luego la plataforma que los integra. Al final la inteligencia que lo potencia. En ese orden, los primeros resultados aparecen en semanas — y lo que se construye puede ajustarse, crecer e integrarse sin tirar nada que ya funciona.
2×
más probabilidad de retorno en el primer año cuando el proceso se rediseña antes de seleccionar la tecnología. El orden de las decisiones predice el resultado mejor que el presupuesto asignado.
McKinsey & Company · Digital Transformation Insights · 2025El activo más subutilizadoLos procesos que son cajas negras — y la mejora continua que liberan
Cuando el equipo correcto se sienta a documentar el proceso antes de automatizarlo, ocurre algo que nadie anticipó en el plan del proyecto: aparecen las cajas negras. Pasos que todos dan por obvios y nadie tiene escritos. Decisiones que se toman "por experiencia" que en realidad contienen décadas de conocimiento nunca capturado. Excepciones que el sistema oficial no contempla pero que el operador resuelve todos los días con su criterio personal.
Hacerlas visibles — antes de construir el modelo — produce dos resultados que ninguna tecnología puede producir sola: un proceso que ya funciona mejor sin una línea de código nueva, y datos de entrenamiento de una calidad que ningún dataset público puede replicar porque capturan el conocimiento real del negocio.
El conocimiento del proceso que opera en la cabeza del equipo es el dato de entrenamiento más valioso — y el menos documentado. · Foto: Unsplash
Quién necesita estar en la salaEl equipo cross-functional con conocimiento real del negocio
El proyecto de IA que falla en adopción casi siempre fue diseñado por el equipo técnico en aislamiento. La alternativa no es una junta de alineación al inicio — es un equipo que trabaja junto desde la definición hasta la validación, con la premisa de que el conocimiento del negocio tiene el mismo peso que el técnico en cada decisión.
RolPerfilLo que aporta que nadie más puede aportar
Dueño del proceso
Negocio
Define el éxito en términos de impacto en el negocio — no en precisión del modelo. Sabe qué decisiones se toman con la información y cuándo esa información importa realmente.
Operador del proceso
Negocio
Conoce las cajas negras, las excepciones reales y las razones por las que el proceso oficial no es el proceso real. Su conocimiento es el dato de entrenamiento más valioso y el menos documentado.
Áreas no-tech (Finanzas, Ops, RRHH)
Negocio
Cuando se les organiza y se les da contexto, se convierten en los mejores validadores de si el output tiene sentido de negocio — y en agentes de adopción dentro de su área. Su participación transforma el entrenamiento tradicional en adopción real.
Arquitecto de soluciones
Puente
Traduce el problema de negocio en arquitectura técnica. Diseña cómo vive la IA dentro de la plataforma — con independencia de proveedor, parametrizable, reutilizable hacia otras funciones que generan valor.
Responsable de datos
Técnico
Gobierna calidad, origen y linaje antes de que el modelo los vea. Un modelo bien entrenado sobre datos mal gobernados aprende los errores del proceso — no su lógica correcta.
Responsable de cumplimiento
Puente
Integra CNBV, COFEPRIS, ASEA o el regulador correspondiente desde el diseño. El compliance integrado en la arquitectura no frena la velocidad — la protege cuando cambian las regulaciones.
La firma técnica que protege la inversión en el tiempoParametrizable, singleton, hexagonal — sin dependencia de terceros
Si la IA se integra como dependencia rígida — una API de tercero directamente consumida en producción — la pregunta no es si habrá un problema, sino cuándo. El proveedor cambia condiciones. El regulador exige que los datos no salgan de la infraestructura propia. Un modelo más preciso aparece. La solución es cómo se integran las capacidades en la arquitectura — no cuáles se usan.
⬡ Arquitectura que protege la inversión — sin dependencia de proveedorSello JMCoach
Capa 1Proceso de negocio
El proceso rediseñado con criterio de negocio. Define cuándo se activa la inteligencia, qué pregunta se le hace y qué hace la organización con la respuesta. No conoce qué modelo responde — solo el contrato de lo que necesita. Si el modelo cambia, esta capa no se toca.
BSCSix SigmaProceso documentadoCriterio medible
Capa 2Datos gobernados
Datos con calidad, linaje y trazabilidad que alimentan cualquier capacidad de IA. Sin esta capa, el modelo más sofisticado aprende los errores del proceso en lugar de su lógica. El gobierno de datos no es un proyecto paralelo — es el fundamento.
DAMA-DMBOKGobierno de datosCalidadLinajeObservabilidad
Capa 3IA en la plataforma
La inteligencia como capacidad interna, no dependencia externa. Integrada a través de una interfaz parametrizable: cambiar de Bedrock a un modelo propio, de GPT a Deepseek, es una configuración — no una reescritura. Las 8 categorías del portafolio de IA se integran por esta misma capa.
BedrockAnthropicGPT · DeepseekComputer VisionModelo propioIntercambiable
Capa 4Hexagonal · Singleton
Diseño que desacopla el núcleo de sus proveedores. Singleton por servicio crítico — una sola instancia bien controlada. Arquitectura hexagonal con puertos y adaptadores: el núcleo no conoce la infraestructura externa. Lo construido para una función se reutiliza en otra que genera valor. Lo que se agrega no rompe lo que ya funciona.
HexagonalSingletonParametrizablePuertos y AdaptadoresReutilizableSeguro por diseño
Cómo se ve el camino correctoPrimeros resultados en semanas — integración y escala después
1
Problema con criterio medible — no "implementar IA"
El criterio de éxito define el experimento antes de que empiece y le da al equipo cross-functional un objetivo compartido. "Reducir el tiempo de Y de N días a N horas, medible desde la semana 1" — no "implementar ML en el proceso X".
Semana 1–2 · El equipo completo — negocio y técnico — en la misma sala2
Proceso visible — incluyendo las cajas negras
El equipo operativo documenta el proceso real con todas sus excepciones. En este paso aparecen oportunidades de mejora que no requieren ningún modelo — y aparecen los datos que el modelo necesitará formalizados por primera vez.
Semana 2–4 · La mejora continua empieza aquí, antes de código3
Piloto real — proceso real, datos reales, usuarios reales
No en sandbox. El feedback de la semana 6 con usuarios reales vale más que 6 meses en laboratorio — captura el tipo de error que ningún dataset de prueba anticipa. Entregables de negocio, no solo técnicos.
Semana 4–8 · El primer ciclo útil, medido con criterio de negocio4
Ajuste, integración al sistema y decisión de escala
Con resultados reales sobre la mesa, la decisión de escalar es de negocio — no solo técnica. Y la arquitectura hexagonal y parametrizable hace que escalar no sea reescribir. La integración al sistema central es la siguiente fase de lo que ya funciona.
Semana 8–12 · Decisión informada · Arquitectura que crece sin romperse▸ Caso simuladoSector farmacéutico — Distribución especializada · Gestión de pedidos críticos y cadena de frío
Una distribuidora farmacéutica de especialidades tiene un proceso de despacho de medicamentos de cadena de frío que requiere múltiples validaciones simultáneas. El tiempo promedio del proceso completo: 4 a 6 horas desde la recepción del pedido hasta la salida del almacén. En un sector donde el retraso tiene consecuencias clínicas, ese número tiene nombre y apellido.
El equipo cross-functional — almacén, contact center, logística, área médica y sistemas — documentó el proceso en 2 semanas. Encontró 3 cajas negras: una validación de disponibilidad que se hacía manualmente porque el sistema de inventario tenía un desfase de 2 horas, una coordinación entre almacén y logística que dependía de llamadas sin registro y una alerta de temperatura que nadie había conectado al sistema de despacho. Las 3 eran visibles antes de escribir una línea de código. Las 3 eran mejorables sin IA.
Con esas 3 resueltas primero, se integró un modelo predictivo de priorización de despacho directamente en la plataforma — no en un sistema externo. El modelo anticipa con 8 horas de antelación cuáles pedidos tienen alta probabilidad de complicación logística. Arquitectura hexagonal: el proveedor de IA es un parámetro de configuración.
✓ Resultado al cierre del piloto — 10 semanas
Tiempo de despacho: de 4–6 horas a 90 minutos promedio. Incidencias de temperatura no detectadas: de 8% mensual a menos del 1%. Cumplimiento COFEPRIS generado automáticamente como efecto del proceso normal — no como proyecto adicional. El modelo se actualiza con cambio de configuración cuando nuevos lineamientos regulatorios son emitidos.
"
La mejora continua no empieza con el segundo modelo de IA. Empieza cuando el proceso se hace visible — y eso ocurre antes de encender el primero.
Patrón documentado en transformaciones con retorno real · Múltiples sectoresNo al final — desde la arquitecturaGobierno, cumplimiento y regulación que orquestan sin frenar
En sectores regulados el cumplimiento tratado como validación final produce dos problemas: descubre en el último momento que algo necesita cambiar (el momento más costoso para cambiarlo), y genera una postura defensiva con el regulador en lugar de una de colaboración. La alternativa es governance integrado desde el principio: el regulador como parámetro del diseño, no como inspector del resultado.
⬡ Gobierno integrado — orquesta, vigila y alinea sin frenar
Gobierno de datos y de IA — activo, no trimestral
Reglas de calidad automáticas, linaje trazable y alertas en tiempo real. Los modelos tienen versión documentada, criterios de decisión con explicabilidad y escalamiento definido hacia criterio humano en casos borde. Una decisión tomada con soporte de IA es tan auditable como una tomada sin ella — lo que permite supervisión regulatoria sin disrupción operacional.
Cumplimiento regulatorio como arquitectura
CNBV exige trazabilidad de decisiones crediticias. COFEPRIS exige trazabilidad de cadena farmacéutica. ASEA exige evidencia de integridad operacional. En todos los casos, la arquitectura parametrizable y la plataforma de datos integrada producen esa evidencia como efecto secundario del proceso normal — no como un proyecto adicional. Cuando el regulador cambia los lineamientos, la respuesta es una actualización de configuración.
· · ·
Lo que queda cuando el proyecto termina
El indicador real de que un proyecto de IA fue bien construido no es el NPS del lanzamiento. Es lo que queda 18 meses después: ¿puede el equipo de negocio operar la solución sin depender del equipo técnico original? ¿Puede la plataforma incorporar un modelo más preciso o una nueva categoría de IA que aparezca el año siguiente? ¿El cumplimiento regulatorio sigue siendo válido con nuevas circulares?
Si la respuesta es sí, la inversión generó una capacidad organizacional — no una solución de punto que envejece. Esa diferencia se decide en las primeras conversaciones: con el equipo correcto, con el orden correcto y con una arquitectura que piensa en el año 3, no solo en la demo del mes 4.
⬡ La pregunta que vale una conversación
En el próximo proyecto de IA de tu organización — ¿de cuál de las 8 categorías del portafolio estamos hablando realmente? ¿Y la persona que conoce el proceso que se va a mejorar participa en las decisiones de arquitectura desde el inicio — o recibe el resultado cuando ya está construido?
⬡ Fuentes
McKinsey & Company — "The State of AI" + "Digital Transformation Insights" (2025) · BCG — "Capturing the AI Value: From Ambition to Impact" (2024) · RAND Corporation — "Root Causes of Failure for AI Projects" (2024) · IDC — "AI in Production: From Pilot to Scale" (2024) · Gartner — "Digital Transformation Market Guide" (2025) · Fotos: Unsplash (licencia gratuita)
No hay comentarios.:
Publicar un comentario
Nota: sólo los miembros de este blog pueden publicar comentarios.