Todas las empresas que aprueban un presupuesto para artificial intelligence corren el mismo riesgo: celebrar una prueba piloto técnicamente impecable que no influye en absoluto en la cuenta de resultados. El problema no es aprobar un presupuesto excesivo, sino medir lo que no se debe: el uso, la precisión y la adopción, en lugar de los resultados financieros.

La Federación Internacional de Robótica contabilizó 542 000 instalaciones de robots industriales en todo el mundo en 2024. China acaparó 295 000 de ellas, más de la mitad. Europa instaló unas 85 000 y Estados Unidos, 34 200. El país cuyos modelos más avanzados suelen situarse a la cabeza de las clasificaciones ocupa el último lugar.

Durante los últimos dos años, la carrera por la IA ha girado en gran medida en torno a una pregunta: ¿qué modelo es el más inteligente? Sin embargo, a medida que las capacidades de los modelos se van equiparando y el uso de la IA autónoma aumenta de forma espectacular, hay otra pregunta que cada vez resulta más difícil de ignorar: ¿cuánto cuesta realmente la inteligencia? La respuesta podría residir en una unidad aparentemente sencilla: el token. Los tokens ya no son solo una medida técnica del texto, sino que se están convirtiendo en un coste operativo para las empresas, una variable para la arquitectura de la IA y, potencialmente, una nueva materia prima en la economía global de la IA.

Todas las organizaciones que intentan acelerar la adopción de la IA se topan con el mismo obstáculo: el conocimiento que realmente impulsa los resultados empresariales se encuentra en la mente de las personas. No reside en los sistemas, sino en el criterio de su colaborador más experimentado y en los atajos mentales no documentados que utiliza el responsable de su equipo para cerrar acuerdos complejos.

Lo que observamos en las organizaciones en las que la IA se ha convertido en algo habitual es un pequeño número de actividades repetitivas, que se mantienen durante un año o más, en lugar de una campaña de lanzamiento. A ello lo denominamos «rituales». Estos mantienen la visibilidad de la IA, hacen que el aprendizaje se convierta en algo cotidiano y proporcionan a los líderes una visión periódica de lo que está funcionando.

Aunque muchas organizaciones han demostrado el valor de la IA conversacional mediante proyectos piloto exitosos, son pocas las que logran ampliar estas iniciativas a toda la empresa. El reto no radica en el modelo de IA, sino en una capa que falta: un modelo operativo sólido para la inteligencia empresarial. Este artículo presenta un plan para alcanzar el éxito, en el que se detallan los fundamentos tecnológicos y el modelo organizativo necesarios para poner en práctica la IA a gran escala. Descubra cómo integrar el conocimiento empresarial fragmentado en una capa regulada y fiable, y cómo hacerla evolucionar continuamente, garantizando así que su IA ofrezca resultados fiables, explicables y aplicables.

Un cliente con el que colaboramos el año pasado desarrolló un agente de inteligencia artificial para las solicitudes de adquisición. Este analizaba los documentos de los proveedores, comparaba precios, señalaba riesgos de cumplimiento normativo y elaboraba recomendaciones. Funcionaba bien. Sin embargo, al cabo de un par de meses en producción, el equipo se topó con una pregunta para la que no tenía una respuesta satisfactoria: ¿cómo medimos si los resultados son consistentemente buenos?