Introducción

Víctor Coimbra Es director técnico y Managing Partner de Artefact, donde dirige los trabajos en materia de inteligencia artificial, ciencia de datos y las actividades de ingeniería en todo el continente americano. Su trayectoria profesional combina la experiencia en estrategia empresarial adquirida en Bain y Accenture con un liderazgo práctico en la implantación de sistemas de inteligencia artificial y aprendizaje automático en entornos empresariales complejos. Se centra en ayudar a las organizaciones a vincular las capacidades técnicas con resultados empresariales cuantificables, incluyendo la arquitectura, la gobernanza y los modelos operativos necesarios para ampliar la inteligencia artificial.

Artefact es una empresa global de consultoría en data e inteligencia artificial que ayuda a las empresas a desarrollar estrategias, crear data platforms, implementar soluciones de inteligencia artificial y gestionar el cambio organizativo. Su labor abarca sectores como los servicios financieros, la sanidad, la industria manufacturera y el comercio minorista. Antes de su Cumbre Adopt AI, que tendrá lugar los días 3 y 4 de diciembre de 2026 en el Grand Palais de París, Coimbra abordará cómo las empresas pueden ir más allá de las fases piloto, crear equipos que combinen personal humano y agentes de IA, y medir el valor de la IA en la producción.

Su trayectoria profesional le ha llevado desde el ámbito de la estrategia empresarial en Accenture hasta la dirección de equipos de inteligencia artificial, ciencia de datos e ingeniería en Artefact en toda América.
¿De qué manera ha influido esta combinación de consultoría estratégica y liderazgo técnico práctico en su enfoque a la hora de ayudar a las empresas a convertir sus inversiones en inteligencia artificial en resultados empresariales cuantificables?

Me enseñó a vincular siempre la estrategia de IA con su puesta en práctica. La experiencia en el ámbito estratégico en Bain y Accenture me demostró que los directivos invierten en un cambio en una partida de la cuenta de resultados. La ingeniería me enseñó que gran parte de ese valor puede perderse entre la presentación y la producción.

Hoy en día, la inteligencia artificial ya no se centra tanto en la tecnología como en crear una barrera de protección en torno a las operaciones fundamentales de su negocio. La cuestión clave es cómo convertir la productividad individual en valor empresarial colectivo, con una verdadera capacidad cognitiva compartida en toda la empresa.

Para ello se necesita una combinación de estrategia y ejecución, y es algo de lo que he aprendido mucho al dedicarme a ambas cosas.

A pesar de la importante inversión realizada en artificial intelligence, muchas organizaciones siguen teniendo dificultades para ir más allá de los proyectos piloto que han tenido éxito.
Según su experiencia, ¿cuáles son los obstáculos más habituales que impiden que las iniciativas de IA en las empresas lleguen a la fase de producción, y qué distingue a las empresas que logran ampliar con éxito sus implementaciones?

Según mi experiencia, muchos proyectos fracasan porque se incorpora la inteligencia artificial a una organización que fue diseñada exclusivamente para personas. La tecnología suele funcionar. Lo que a menudo sigue sin estar claro es la división del trabajo: qué tareas corresponden a los agentes, cuáles siguen siendo responsabilidad de las personas, quién realiza la revisión y quién es el responsable del resultado.

Además, hay tres factores que suelen ralentizar la expansión: los costes de los tokens, que se disparan con los modelos de tarificación basados en el uso; la seguridad y la gobernanza; y una adopción que nunca consigue que el acceso se traduzca en un uso real.

Las empresas que observo que escalan con éxito abordan la IA como un rediseño organizativo. Dividen el proceso de entrega en dos bucles. En el bucle interior, los agentes ejecutan el proceso de principio a fin: programar, compilar, probar, implementar y revisar. En el bucle exterior, las personas definen el objetivo, verifican el resultado y supervisan el coste y la calidad. A continuación, crean una plataforma subyacente y la reutilizan para todos los casos de uso.

Usted ha escrito sobre la importancia de crear una organización nativa en inteligencia artificial, en lugar de limitarse a incorporar chatbots y copilotos a los sistemas existentes. ¿Qué cambios fundamentales en la arquitectura tecnológica empresarial son necesarios para facilitar esta transición y en qué ámbitos las empresas están invirtiendo actualmente de forma insuficiente?

Una empresa nativa de IA funciona sobre una plataforma, y dicha plataforma es la suma de cuatro capas: Harness, Context, Model e Infra. El Harness es el lugar donde las personas y los agentes se reúnen y trabajan; es la aplicación completa que rodea al modelo. «Context» define lo que saben los agentes y qué autoridad tienen. «Model» se refiere a cómo se accede a los modelos, se canalizan y se gestionan al coste adecuado. «Infra» es donde se ejecutan realmente y quién tiene el control.

Como es lógico, la mayor parte de la atención se centra en ese 20 % visible: los copilotos y las herramientas de chat. El 80 % oculto es donde reside la mayor parte de la ingeniería y donde se toman las decisiones relativas al coste, la seguridad y el control.

Mi sugerencia es sencilla. Adquiera marcos generales y desarrolle los específicos para cada sector. Alquile y experimente con modelos e infraestructura, ya que cambian cada trimestre. Y domine por completo su contexto. Es la capa que realmente le pertenece y donde veo la mayor oportunidad para invertir más.

A medida que la IA evoluciona, pasando de ayudar a los empleados a ejecutar de forma autónoma flujos de trabajo complejos, ¿cómo deben las organizaciones determinar qué procesos son adecuados para la automatización autónoma? ¿Qué medidas de seguridad técnicas y operativas deben establecerse antes de otorgar a los agentes de IA una mayor autoridad en la toma de decisiones?

En mi opinión, los agentes son muy buenos en las tareas que se centran en el pasado, mientras que los seres humanos lo son en aquellas que miran hacia el futuro. Los agentes destacan en todo aquello que se basa en información ya existente, como el análisis de datos, la programación, las pruebas, la documentación y la conciliación. A los seres humanos les corresponde lo que requiere creatividad, y la creatividad, por definición, mira hacia el futuro: el gusto, la visión, la planificación, la toma de decisiones y la valoración de si un resultado es realmente bueno.

En la práctica, esto se traduce en dos bucles. Los agentes se encargan del bucle interior y llevan a cabo las acciones. Los seres humanos se ocupan del bucle exterior: la intención, la verificación y la supervisión.

Las medidas de seguridad están diseñadas, no se activan de forma espontánea. Utilizamos seis capas de protección: captura de tareas, memoria, un entorno de trabajo seguro con un tiempo de ejecución aislado y permisos, un bucle con puntos de control y aclaraciones, enrutamiento de modelos y barreras de seguridad que definen lo que un agente no puede hacer por sí solo, como las aprobaciones humanas, las comprobaciones de políticas y los controles de datos de carácter personal. La autonomía crece entonces a medida que se acumula el historial, del mismo modo que ocurre con un nuevo empleado.

Usted ha descrito a los agentes de IA como compañeros de equipo, en lugar de como herramientas de software convencionales. ¿De qué manera cambia esta perspectiva la forma en que las organizaciones deben estructurar los equipos, asignar responsabilidades y formar a los empleados para que colaboren con sistemas de IA cada vez más autónomos?

Ya nos encontramos en la era de la organización híbrida. La cuestión que considero más importante en estos momentos es cómo distribuir la plantilla entre personas y agentes. Creo que esa es la clave para el crecimiento a gran escala.

En un equipo híbrido, el organigrama asigna capacidad cognitiva, no personal. Una distribución típica que observo en un equipo tecnológico maduro es un 15 % de trabajo realizado exclusivamente por personas, un 25 % de trabajo potenciado y un 60 % realizado por agentes. El director de TI establece los objetivos, asigna la capacidad y asume la responsabilidad de los resultados y los costes. Un desarrollador sénior verifica los resultados de los agentes y decide la arquitectura. Un agente coordinador distribuye las tareas e reports de los costes, y un agente de revisión comprueba cada entrega.

Los beneficios se multiplican en tres etapas. Los empleados potenciados aportan aproximadamente 5 veces más. Los agentes, en su calidad de empleados sintéticos que realizan tareas de principio a fin, aportan aproximadamente 10 veces más. Considero que el potencial de multiplicar por 1000 reside precisamente en coordinar a ambos como una única plantilla.

La formación sigue la misma lógica. Las personas aprenden a dar instrucciones a un agente como si fuera un ingeniero en prácticas, con un contexto estructurado y unos resultados claros, y a dedicar su tiempo al buen gusto, la planificación y la toma de decisiones.

Los sistemas de IA empresarial dependen en gran medida de una infraestructura de data fiable; sin embargo, muchas organizaciones siguen enfrentándose a problemas como la fragmentación de los data, una gobernanza incoherente y tecnologías obsoletas. ¿Qué capacidades fundamentales deben priorizar las empresas a la hora de preparar sus data platforms para la IA autónoma, y cómo pueden modernizarse sin interrumpir las operaciones existentes?

Diseñe su data platform para un nuevo tipo de usuario: los agentes. Un panel de control que muestra un número erróneo es objeto de consulta por parte de una persona. Un agente que detecta un número erróneo toma medidas al respecto, a gran escala.

Priorice cuatro capacidades. Definiciones empresariales compartidas, de modo que todos los agentes y equipos entiendan lo mismo por “cliente activo”. Una pasarela de integración con autenticación y protocolos estándar como MCP, para que los agentes accedan a data con los permisos del rol que desempeñan. Calidad y trazabilidad observables. Y data no estructurados tratados como un activo de primer orden, ya que los contratos, los tickets y las notas de las reuniones contienen la mayor parte del conocimiento real.

Para modernizar sin interrupciones, hay que encapsular primero los sistemas heredados y migrar caso por caso. Los agentes también cambian la dinámica económica en este ámbito. Los procesos de migración con múltiples agentes permiten ahora modernizar cientos de miles de líneas de código heredado en cuestión de meses, siendo las personas quienes deciden la arquitectura.

Más allá del acceso a data estructurados, los agentes de IA necesitan cada vez más comprender el conocimiento institucional, los procesos empresariales y el contexto organizativo. ¿Cómo pueden las empresas recopilar e integrar de forma eficaz este conocimiento en sus sistemas de IA, y qué riesgos surgen cuando los agentes operan sin un contexto empresarial suficiente?

El contexto es lo que convierte a un modelo en un compañero de trabajo. Las herramientas comprenden las tareas; los agentes, el contexto. No se le pide a un ingeniero novel que trabaje sin explicarle el objetivo, las limitaciones y cuál es el resultado deseado, y lo mismo ocurre con un agente.

Capture el conocimiento a partir del propio trabajo, en lugar de a partir de grandes proyectos de documentación que resultan difíciles de mantener actualizados. Cada reunión, cada ticket, cada decisión y cada corrección alimentan una capa de contexto que combina archivos, tablas, vectores y un gráfico de relaciones. Cada tarea completada se registra en la memoria, de modo que la organización aprende con cada entrega. Y el contexto requiere su propia gestión: evaluaciones, permisos y control de costes.

Sin contexto, los agentes suelen tener dificultades de formas bastante predecibles. Siguen la norma escrita y pasan por alto la no escrita que todo el mundo conoce. Recopilan información errónea y responden con total seguridad. Se basan en datos del último trimestre. Además, una capa de contexto sin permisos estrictos puede poner en riesgo data confidenciales.

Muchas empresas miden el éxito de la IA a través de las mejoras en la productividad, las tasas de adopción o el número de proyectos piloto puestos en marcha. ¿Qué indicadores deberían utilizar los directores de sistemas de información (CIO) y los responsables empresariales para evaluar el verdadero retorno de la inversión en IA, especialmente a la hora de tener en cuenta los costes de infraestructura, el mantenimiento continuo y la complejidad operativa de los agentes autónomos?

Evalúe a la plantilla híbrida, no la herramienta. La adopción es solo el primero de cuatro niveles, siempre en comparación con una referencia establecida antes de la implantación. La adopción se centra en si las personas la utilizan. La productividad se centra en si entregamos más rápido: plazo de entrega, rendimiento, tiempo de resolución. La calidad se centra en si el resultado es mejor: defectos no detectados, tasa de fallos en los cambios, reelaboraciones. El valor y el coste se centran en si merece la pena: esfuerzo liberado, tiempo de comercialización, coste total por tarea.

Un indicador que se tiende a pasar por alto es cómo se distribuye la capacidad cognitiva entre las personas y los agentes, equipo por equipo. La capacidad humana liberada debe reasignarse de forma deliberada a tareas orientadas al futuro. De lo contrario, se pierde parte de la ganancia obtenida.

En cuanto a los costes, la fijación de precios está pasando de tarifas fijas a un modelo basado en el uso, lo que puede hacer que las facturas sean más difíciles de predecir; por ello, el enrutamiento de modelos y las FinOps deben formar parte de la plataforma desde el primer día. Trate el gasto en IA como el gasto en la nube: visible, atribuido a un equipo y vinculado al valor.

Artefact colabora con empresas de los sectores de los servicios financieros, la sanidad, la industria manufacturera, el comercio minorista y otros ámbitos en los que la adopción de la inteligencia artificial plantea diversos retos. ¿Qué lecciones se están extrayendo de las implementaciones reales en estos sectores y cómo deberían las organizaciones encontrar el equilibrio entre la innovación y el cumplimiento normativo, la fiabilidad y la supervisión humana?

Todos los sectores se enfrentan a la misma cuestión: cómo repartir el trabajo entre las personas y los agentes. Lo que varía es qué parte del «bucle externo» debe seguir estando en manos de las personas. En el sector minorista y de bienes de consumo, los errores tienen un coste reducido, por lo que los agentes asumen una mayor parte del trabajo con mayor rapidez. En el sector manufacturero, la fiabilidad y la integración con los sistemas operativos marcan el ritmo. En los servicios financieros y la sanidad, toda decisión debe ser justificable, por lo que los seres humanos se reservan una mayor parte de la verificación y la toma de decisiones durante más tiempo.

La lección que observo en todas partes es que el cumplimiento normativo funciona mejor cuando forma parte intrínseca de la plataforma, integrada desde el principio. Cuando las medidas de seguridad, los registros de auditoría y las aprobaciones humanas forman parte del sistema, cada nuevo caso de uso las hereda. Cuando el cumplimiento normativo se aborda únicamente al final, cada nuevo proyecto tiene que volver a plantear esa cuestión desde cero.

La supervisión debe organizarse por niveles. Los agentes actúan de forma autónoma en tareas de bajo riesgo, son objeto de revisión solo en casos excepcionales en tareas de riesgo medio y solo preparan la decisión en tareas de alto riesgo. Los niveles van aumentando a medida que se gana confianza.

Con la celebración en París este mes de diciembre de la cumbre Adopt AI de Artefact, los debates en torno a la soberanía en materia de IA, la gobernanza y la competitividad industrial están cobrando cada vez más importancia. ¿Cómo cree que influirá el enfoque de Europa respecto a la adopción de la IA en las estrategias empresariales globales, y qué avances cree que marcarán la próxima fase de la IA empresarial en los próximos años?

Europa fue una de las primeras en plantear la cuestión de la soberanía, y creo que se está convirtiendo en un principio de diseño a escala mundial. Las multinacionales no desean una arquitectura distinta para cada normativa, por lo que diseñan teniendo en cuenta la más estricta: ser dueño de su contexto, alquilar sus modelos y mantener el control sobre dónde se ejecutan y quién tiene las claves. La próxima oportunidad para Europa consiste en aplicar la misma energía a la adopción, ya que la competitividad provendrá del uso a gran escala.

La siguiente fase es la organización híbrida, y considero que representa el futuro del trabajo. Las empresas pasarán de contabilizar el número de empleados a gestionar una capacidad cognitiva compartida entre personas y agentes. Los agentes se encargarán de la mayor parte del trabajo orientado al pasado: análisis, programación y elaboración de informes. Los seres humanos se dedicarán al trabajo orientado al futuro: el gusto, la visión, la planificación y la toma de decisiones.

Creo que las empresas que resuelvan primero la cuestión de la división del trabajo serán las que marquen el camino. Ese es el debate que deseo mantener en París para definir los próximos años.

Gracias Antoine Tardif, director ejecutivo y fundador de Unite.AI Para leer esta entrevista tan exhaustiva, puede obtener más información sobre Unite.AI aquí: https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/