El uso de la inteligencia artificial (IA) ha aumentado rápidamente a medida que el rendimiento de los modelos ha mejorado de forma espectacular. Los consumidores creen que ofrece resultados significativos y, a menudo, «acertar en la mayoría de los casos» es suficiente, mientras que el coste de equivocarse es bajo.
La IA empresarial plantea más dificultades porque depende de datos limpios y de ofrecer un alto grado de precisión, con mucho más en juego. La IA debe integrarse en los flujos de trabajo y la gobernanza debe incorporarse desde el principio.
Ahora se están incorporando ingenieros integrados en los equipos que generan resultados, en lugar de construir sistemas de IA de forma aislada.
La inteligencia artificial (IA) no solo está cambiando nuestra forma de trabajar. Está comprimiendo décadas de cambio en meses.
Esta aceleración no es teórica. El AI Index de Stanford muestra que la capacidad de cómputo utilizada para entrenar sistemas de IA se ha duplicado aproximadamente cada seis meses. El rendimiento de los modelos también ha mejorado de forma espectacular.
En 2023, los investigadores introdujeron nuevos parámetros de evaluación:
MMMU: para evaluar modelos multimodales en tareas multidisciplinarias de gran envergadura que exigen conocimientos de nivel universitario.
GPQA: para poner a prueba el razonamiento avanzado de la IA.
SWE-bench: para evaluar modelos de lenguaje grandes con problemas de software del mundo real recopilados de GitHub.
Un año después, el rendimiento aumentó considerablemente: las puntuaciones subieron 18,8, 48,9 y 67,3 puntos en esos parámetros de evaluación, respectivamente.
En el ámbito del consumo, la adopción ha sido explosiva. Un estudio mundial de KPMG a más de 48.000 personas reveló que el 66% usa la IA con regularidad y el 83% cree que aportará beneficios significativos. Para muchas personas, la IA resulta intuitiva y forma parte de la vida cotidiana: ayuda a avanzar más rápido, tomar mejores decisiones y reducir las fricciones del día a día.
Los modelos de IA han alcanzado un nivel de capacidad que los hace ampliamente útiles y ya no meramente experimentales. Pueden investigar, razonar, generar, resumir, clasificar y prestar asistencia a un nivel que hace apenas unos años habría parecido imposible.
En el ámbito del consumo, esta capacidad se traduce directamente en valor porque los entornos tienen pocas restricciones y son tolerantes. A menudo basta con «acertar en la mayoría de los casos», y el coste de equivocarse es bajo.
Así pues, el desafío no es si la IA funciona. Está claro que puede hacerlo. La brecha entre lo que la IA puede hacer y lo que realmente hace surge cuando se introducen esos mismos modelos en entornos empresariales, donde las expectativas, las restricciones y la gestión del cambio organizativo son fundamentalmente distintas.
¿Qué desafíos enfrenta la IA empresarial?
Dentro de las empresas, la adopción ha sido más compleja. A pesar de las inversiones, a la mayoría de las organizaciones les cuesta convertir el potencial de la IA en cambios operativos y un impacto empresarial medible. Un estudio del MIT reveló que solo el 5% de los proyectos de IA a medida llega a producción.
Una investigación de KPMG mostró que el 66% de los empleados confía en los resultados de la IA sin verificar su precisión y que el 56% afirma haber cometido errores en su trabajo por ese motivo.
Esta brecha no tiene que ver con la capacidad de los modelos, sino con cómo se implementa la IA de forma segura y protegida en flujos de trabajo complejos que exigen precisión, matices y confianza.
La base debe ser contar con datos limpios y armonizados. Imagina que tanto tu sistema de gestión de relaciones con los clientes como tu sistema de planificación de recursos empresariales incluyen el mismo contacto. En uno, esa persona es un cliente; en el otro, un proveedor. Las direcciones de correo electrónico coinciden, pero en un registro aparece una inicial del segundo nombre y en el otro, no.
¿Qué registro es correcto? ¿Qué sistema es la fuente de verdad? ¿Y en qué versión se basa la IA para actuar?
Así es la IA empresarial en la práctica. A diferencia de las herramientas para consumidores, los flujos de trabajo empresariales operan con restricciones estrictas. Exigen precisión, medición y coherencia, y deben respetar marcos normativos, expectativas de los clientes y riesgos financieros reales. Estos entornos requieren una precisión extrema: «acertar en la mayoría de los casos» no basta.
Por eso la IA empresarial aún no ha cumplido su promesa ni generado el retorno de la inversión esperado. Las empresas deben recurrir a fuentes de datos fragmentadas y diversas, depender de sistemas heredados que no se diseñaron para funcionar juntos e intentar automatizar flujos de trabajo repletos de excepciones, anulaciones manuales y reglas no documentadas.
En los entornos empresariales, el éxito depende menos de la sofisticación del modelo y más de lo bien que se integre la IA en los flujos de trabajo reales. Las organizaciones que obtienen mejores resultados de la IA la incorporan directamente en las operaciones diarias, ponen a los responsables de línea al frente del diseño y la implementación y estrechan la colaboración entre ingenieros y expertos del sector.
La gobernanza se incorpora a los sistemas en producción desde el principio. En este contexto, los enfoques tradicionales de SaaS tienen dificultades: los equipos centralizados, los ciclos de retroalimentación largos y los requisitos fijos no funcionan con sistemas de IA que deben adaptarse continuamente al trabajo al que dan soporte.
Para pasar de la experimentación a la ejecución, las organizaciones deben replantearse cómo desarrollan, implementan y gobiernan la IA.
¿Cómo pueden los ingenieros integrados en los equipos ofrecer una IA mejor?
A medida que sigue bajando el coste de crear software, la eficacia ya no se define por los flujos de trabajo «listos para usar». Cada vez más, la determinan la capacidad de personalización, la calidad del servicio, la retroalimentación iterativa y la gobernanza en producción.
En lugar de que los equipos tecnológicos centrales construyan IA de forma aislada y luego se la entreguen a los usuarios, las organizaciones líderes integran a los ingenieros directamente en los equipos responsables de los resultados. De esta evolución surge el ingeniero integrado en los equipos.
Este cambio ya está transformando la forma en que las organizaciones implementan la IA. En 2025, las ofertas de empleo para ingenieros integrados en los equipos aumentaron más del 800%, señal de un cambio más amplio en la idea de las empresas sobre dónde se genera valor.
Los ingenieros integrados en los equipos trabajan en la intersección de la ingeniería, las operaciones y la ejecución. Colaboran directamente con expertos del sector para diseñar los criterios de evaluación de un sistema de IA antes incluso de construirlo.
Utilizan esos criterios para diseñar, implementar y perfeccionar continuamente flujos de trabajo basados en IA en entornos reales. No se limitan a entregar funcionalidades para entornos de prueba: aplican rigor científico para garantizar resultados seguros y protegidos.
Al estar cerca del trabajo, también acortan los ciclos de retroalimentación, mejoran la fiabilidad y garantizan que los sistemas de IA se adapten a la realidad de producción en lugar de a supuestos idealizados. Esta proximidad permite una gobernanza eficaz, con supervisión y verificación humanas incorporadas directamente en el flujo de trabajo.
El valor de este modelo queda claro en las implementaciones del mundo real. En el deporte profesional, los Charlotte Hornets colaboraron con ingenieros integrados en los equipos para convertir grabaciones de vídeo sin procesar en información útil para el baloncesto, abordar una importante brecha de datos y tomar decisiones más fundamentadas sobre la selección de jugadores y el rendimiento.
Como en otras implementaciones exitosas, el impacto dependió de una estrecha colaboración con los operadores, de la retroalimentación continua y de incorporar la gobernanza desde el principio.
La gobernanza no es un mero ejercicio normativo; es una capacidad operativa clave. Define el éxito, determina quién verifica los resultados y cuándo interviene el criterio humano, y establece cómo se supervisa el rendimiento y cómo mejoran los sistemas de forma segura con el tiempo.
Cuando se deja la gobernanza para el final, ralentiza la adopción y erosiona la confianza. Cuando se diseña dentro de los flujos de trabajo y cuenta con el apoyo de ingenieros integrados en los equipos, permite una implementación responsable.
El futuro del trabajo en un mundo de IA generativa no estará definido por quién adopte la IA primero. Lo definirá quién se replantee cómo se hace el trabajo. Las organizaciones que tengan éxito rediseñarán los flujos de trabajo en torno a la IA, integrarán la ingeniería allí donde se ejecuta el trabajo y tratarán la gobernanza como un pilar fundamental.
Los modelos de IA están listos. La pregunta es si nuestros modelos operativos están preparados para recibirlos.
