La realidad de la IA detrás del hype 

Una demostración de inteligencia artificial puede prepararse en poco tiempo y sorprender a cualquier comité de dirección. Aun así, el reto no está en mostrar lo que la IA es capaz de hacer en un entorno controlado, sino en conseguir que esa capacidad funcione de forma estable, segura y útil en la operativa real. Es precisamente en la distancia entre la demostración y la fiabilidad en la operación donde se decide si la IA aporta valor o solo expectativas. 

Y el potencial es real: la IA generativa puede resumir documentos, clasificar solicitudes, localizar información, redactar respuestas o generar código en segundos. La dificultad aparece cuando capacidades todavía en desarrollo se presentan como si ya estuvieran listas para cualquier organización. 

La IA es mucho más fácil de demostrar que de convertir en una capacidad operativa. Basta con un caso controlado para obtener en segundos un resultado que antes exigía tiempo y conocimiento especializado. 

Esa facilidad amplifica unas expectativas generadas en un contexto en el que los fabricantes proyectan un futuro casi milagroso con sus modelos, las redes se llenan de casos de éxito, cursos para “desarrollar IA” en tres días y prompts presentados como soluciones universales, mientras los proveedores de servicios presentamos desarrollos en curso como producto final. 

Y eso lleva a los clientes a esperar que sus proveedores dispongan ya de capacidades listas para mejorar su productividad y reducir costes. La expectativa es comprensible, pero conviene gestionarla con rigor: entre una prueba prometedora y una solución industrializada suele haber una parte relevante del esfuerzo, del coste y del riesgo del proyecto. 

Para entender mejor esa distancia conviene separar dos dimensiones que, al hablar de inteligencia artificial, se confunden con frecuencia: la madurez tecnológica de una herramienta y la profundidad con la que se integra en nuestro trabajo cotidiano. 

La primera dimensión es la madurez, que mide la fiabilidad tecnológica a través de tres situaciones diferentes. En un primer nivel está lo que es técnicamente posible: el modelo logra resolver una tarea, pero solo bajo unas condiciones muy determinadas. Después aparece lo que se ha demostrado de forma consistente: la herramienta ya se ha probado con casos reales, ofrece resultados estables y, sobre todo, tenemos claros cuáles son sus límites. Finalmente, está lo que se encuentra preparado para producción: la solución puede operar en el día a día de la empresa con seguridad y control, sabiendo gestionar datos imperfectos, excepciones y su impacto en el negocio. 

La segunda dimensión es la profundidad, que define el grado de autonomía y el alcance de la IA dentro de nuestras tareas. En su forma más básica aparece el copiloto de uso general, que ayuda a redactar, resumir o buscar información, mientras que el usuario aporta el contexto y revisa siempre el resultado final. También puede aplicarse a una actividad concreta, como clasificar una bandeja de solicitudes o preparar el borrador de una respuesta. Un nivel mayor de integración permite conectar la IA con sistemas y datos, siempre según permisos, para reducir búsquedas manuales y pasos operativos. Por último, un agente con capacidad de actuación ya no solo sugiere o busca información, sino que coordina diferentes herramientas y ejecuta acciones por sí mismo dentro de un flujo de trabajo. 

Estas dos dimensiones pueden cruzarse de formas muy distintas. Podemos tener una solución con una integración muy profunda en nuestros sistemas, pero que tecnológicamente siga siendo muy inmadura. Por el contrario, un simple copiloto con funciones limitadas puede estar perfectamente maduro para salir a producción. 

Entre una prueba prometedora y una solución industrializada suele haber una parte relevante del esfuerzo, del coste y del riesgo del proyecto

Tampoco hay que obsesionarse con alcanzar siempre la máxima integración. Para muchas actividades, utilizar bien un copiloto básico aporta un gran valor de forma casi inmediata. Es una vía con menos complejidad y menor riesgo, ya que funciona como un soporte inteligente para un humano que, supuestamente, es quien aporta el criterio definitivo. 

Sea cual sea la profundidad elegida, una solución de IA sigue siendo software: necesita datos, seguridad, pruebas, operación y mantenimiento. Pero los LLM exigen evaluaciones adicionales. 

El primer reto es la veracidad: el modelo puede generar una respuesta plausible y bien redactada sin estar realmente respaldada por la información disponible. Esto obliga a controlar qué fuentes utiliza, si están actualizadas y si la respuesta está realmente respaldada por ellas. 

El segundo es evaluar la calidad cuando no existe una única respuesta correcta. En estos casos no basta con superar un conjunto cerrado de pruebas: hay que definir criterios de aceptación, evaluar casos representativos y observar el comportamiento durante la operación, pudiendo cambiar cuando se modifican el modelo, las fuentes o el contexto. 

Las exigencias dependerán del caso de uso, su autonomía y el riesgo asociado. En un copiloto, el foco está principalmente en proteger la información, establecer criterios de uso y asegurar la revisión del usuario. Cuando la IA se aplica a tareas estructuradas, hay que definir con claridad qué recibe, qué debe devolver y cómo se evalúa. Si se integra con otros sistemas, se añaden la gestión de permisos, la trazabilidad y el control de la información utilizada. Y si puede ejecutar acciones, también hay que decidir qué puede hacer por sí sola, qué requiere aprobación y cómo se revierte una actuación incorrecta. 

Por ejemplo, en un servicio de mantenimiento de aplicaciones, una base de conocimiento desactualizada puede deteriorar las respuestas inadvertidamente. Una recomendación incorrecta también puede retrasar encontrar la solución o generar otro problema en producción. 

Todo ello obliga a pasar del potencial al caso real. Ante una inteligencia artificial en constante evolución, nuestro papel como consumidores debe ser estratégico. La clave está en elegir el nivel de profundidad adecuado para cada necesidad del negocio, entendiendo que una mayor integración y autonomía suelen implicar más esfuerzo de implantación, operación y control. 

La IA no es una solución universal. En algunas tareas ofrece capacidades que superan a las personas; en otras amplía su trabajo como copiloto y, en muchas, simplemente permite hacer lo mismo de forma más rápida o cómoda. El verdadero reto consiste en evaluar el retorno de cada caso de uso y anticipar la dependencia tecnológica, incluida una posible subida de los costes de los proveedores. 

Por Arnau Mustieles Arola, Executive Manager del Centro de Competencia de Servicios RUN de Sistemas en Stratesys