Francisco Larez, vicepresidente de Progress para América Latina y el Caribe
En los últimos años, el mercado corporativo ha vivido un verdadero frenesí en torno a la inteligencia artificial. Nos han bombardeado con promesas de automatización total que hacían parecer que el futuro de los negocios estaría en manos de robots autónomos ya desde el día siguiente. Ahora, ese entusiasmo comienza a dar paso a una discusión mucho más pragmática. El llamado «teatro de la IA» empieza a perder público, y los consejos de administración y los inversionistas quieren respuestas sobre el retorno de la inversión.
Este cambio de perspectiva también se refleja en las encuestas. Según el estudio The State of AI 2025 de McKinsey, el 88% de las organizaciones ya utiliza la inteligencia artificial en al menos una función de negocio. Sin embargo, casi dos tercios aún se encuentran en fases de experimentación o proyectos piloto. Solo el 39% de las empresas reporta algún impacto de la IA sobre el EBIT (Earnings Before Interest and Taxes). Es decir, el mercado descubrió que existe un enorme abismo entre una demostración convincente y una solución capaz de operar con seguridad, gobernanza y a gran escala.
Las demostraciones de IA ilustran muy bien el principio de Pareto: en un entorno controlado, es sorprendentemente fácil obtener el 80% del valor con solo el 20% del esfuerzo. El verdadero obstáculo está en el 20% restante, que requiere el 80% del trabajo para transformar un prototipo en una solución robusta, confiable y escalable.
El desafío radica en la infraestructura que conecta los grandes modelos de lenguaje con el conocimiento de la empresa. Históricamente, las empresas invirtieron fortunas tratando de construir una visión de 360° del negocio a partir de bases de datos, hojas de cálculo y sistemas transaccionales. La paradoja es que gran parte del conocimiento corporativo nunca estuvo allí, sino en datos no estructurados, como presentaciones, contratos, correos electrónicos, transcripciones de reuniones, videos, documentos técnicos y notas. Pasamos décadas organizando tablas mientras dejábamos el conocimiento operativo disperso en archivos prácticamente invisibles para las herramientas tradicionales.
Es en este contexto donde el Agentic RAG (Agentic Retrieval-Augmented Generation) representa un cambio importante. En lugar de simplemente recuperar documentos para complementar una respuesta, los agentes inteligentes logran comprender la intención del usuario, seleccionar fuentes confiables, aplicar reglas de acceso, conectar información relacionada y construir respuestas contextualizadas. En la práctica, dejan de actuar como mecanismos de búsqueda sofisticados para funcionar como orquestadores del conocimiento corporativo.
Este desafío puede resumirse en la frase atribuida a Lew Platt, exdirector ejecutivo de Hewlett-Packard (HP): “Si tan solo HP supiera lo que HP sabe, seríamos tres veces más productivos”. Hoy en día, la tecnología finalmente permite transformar ese conocimiento perdido en un activo accesible a través del lenguaje natural.
No obstante, esta nueva capacidad conlleva una responsabilidad proporcional. A medida que los agentes dejan de limitarse a responder preguntas y pasan a ejecutar tareas, interactuar con aplicaciones y respaldar decisiones de negocios, la gobernanza deja de ser un tema exclusivo de TI para convertirse en una preocupación del consejo de administración.
Un modelo de IA en el que no se puede confiar no genera valor corporativo, sino vulnerabilidad. Sin mecanismos de seguimiento, auditoría y gobernanza, la tecnología deja de ser una aliada y se convierte en una fuente de riesgos operativos, regulatorios y de imagen. Esto se debe a que estos modelos son intrínsecamente impredecibles: evolucionan, se desvían con el tiempo y dependen directamente de la calidad de la base de datos que los alimenta. Por eso, la confianza no es una característica del modelo. Es una disciplina de ingeniería construida a través de la observabilidad, las políticas de acceso, el monitoreo continuo y la validación humana.
Sin una comprensión adecuada de las decisiones del modelo, una iniciativa corporativa de IA no es más que un pasivo, no un activo. Sin trazabilidad, auditoría y mecanismos de gobernanza bien definidos, la tecnología deja de estar controlada y pasa a generar exposición a riesgos operativos, regulatorios y de imagen. Los modelos de lenguaje, por su naturaleza probabilística, están sujetos a desviaciones, alteran su comportamiento con el tiempo y dependen en gran medida de la calidad de los datos proporcionados.
Es también por eso que el concepto de human in the loop no representa una etapa temporal hasta que la IA madure. Se trata de un principio permanente de arquitectura. Cuando una organización asigna agentes para actuar en procesos críticos, no delega la responsabilidad. Amplía su capacidad de decisión manteniendo la supervisión humana donde realmente importa.
Todo esto nos lleva al componente más subestimado de la estrategia de IA: la infraestructura que mueve los datos. Los sistemas agentivos son extraordinariamente eficientes para aumentar la productividad, pero también amplifican los errores. En entornos compuestos por múltiples agentes, una información incompleta o desactualizada puede propagarse sucesivamente, produciendo un efecto similar al del teléfono sin cable: la respuesta final ya no guarda relación con la intención original.
Es por eso que componentes tradicionalmente considerados como infraestructura de fondo, como la integración de aplicaciones, la gestión de flujos y la transferencia segura de archivos (Managed File Transfer – MFT), pasaron a ocupar una posición estratégica en las arquitecturas modernas de IA. Antes invisibles, se han vuelto esenciales para que la inteligencia generada sea confiable desde su origen.
Si la primera ola de la IA generativa se caracterizó por la proliferación de asistentes aislados, la próxima se definirá por la capacidad de coordinar múltiples agentes que trabajen en conjunto. La ventaja estará en la arquitectura que conecte la inteligencia artificial con el activo más valioso de cualquier organización: su conocimiento. Al final del día, la pregunta que realmente importa ya no es “¿qué modelo de IA estamos usando?”, sino: “¿podemos confiar en las respuestas que genera y en las decisiones que ayuda a tomar?”.