Victor Coimbra ha sido reconocido en la lista Forbes Under 30 Brasil por sus destacadas contribuciones a la innovación en AI . Criado en las afueras de Río de Janeiro, superó importantes barreras sociales y económicas para cofundar las operaciones latinoamericanas de Artefact, que ahora funciona como un centro tecnológico global con 200 empleados. Aporta una gran experiencia en la ampliación de soluciones AI y en la creación de equipos tecnológicos de alto rendimiento en mercados internacionales.
Introducción
Durante mucho tiempo, la tecnología ha intentado ser accesible más allá de quienes saben programar. Este proceso ha evolucionado lentamente, desde lenguajes de programación de bajo nivel muy difíciles de entender, como el ensamblador, hasta otros de "alto nivel" mucho más parecidos al lenguaje natural, como Python. Ahora, estamos rompiendo la barrera para llegar quizá a un proceso completo de codificación en "lenguaje natural". Herramientas como Cursor AI ya tienen una capitalización de mercado de 100 millones de dólares, y el término "codificación vibrante" se está popularizando cada vez más.
Por supuesto, esto está en el extremo del espectro de la exageración, y no creo que vaya a sustituir completamente a los ingenieros de software o de Data experimentados. Pero esa no es la cuestión: no necesitamos sustituir esas funciones. Al fin y al cabo, muchas necesidades empresariales no son tan complejas; a menudo, una buena hoja de cálculo Excel bien construida puede hacer el trabajo. Ahí es donde reside el valor: hemos desbloqueado la capacidad de los equipos empresariales para crear prototipos de productos con extrema rapidez, ya se trate de una nueva función en su proceso de CRM o de un formulario para capturar valor en algún punto de la cadena de suministro.
Los equipos empresariales podrán crear su propio software "hiperpersonalizado" que vaya más allá de las actuales hojas de cálculo Excel, lo que aliviará la enorme sobrecarga de demanda de los equipos de desarrolladores informáticos y tecnológicos y probablemente aportará requisitos mucho más validados y digeridos, lo que facilitará mucho la vida de los ingenieros. ¿Cuál es el reto? Desde una perspectiva empresarial, ¿cómo gobierna una Compañia esta descentralización sin limitar las ganancias de estos agentes de AI y estableciendo al mismo tiempo una buena gobernanza?
Evolución de la accesibilidad tecnológica
La historia de la informática puede considerarse una marcha constante hacia la accesibilidad. Los primeros programadores trabajaban directamente con código máquina binario, un proceso laborioso que requería profundos conocimientos técnicos y una precisión extrema. El lenguaje ensamblador proporcionó la primera capa de abstracción, seguida de lenguajes procedimentales como FORTRAN y COBOL, que acercaron los conceptos de programación a los patrones de pensamiento humano.
Los lenguajes orientados a objetos, como Java y Python, simplificaron aún más el desarrollo al organizar el código en objetos conceptuales que reflejan entidades del mundo real. La pasada década fue testigo del auge de las plataformas de bajo código y sin código que introdujeron interfaces de programación visual. Herramientas como Microsoft Power Apps, Bubble y Zapier permitieron a los usuarios empresariales crear aplicaciones básicas a través de interfaces gráficas sin necesidad de escribir código tradicional.
La integración de grandes modelos lingüísticos en el desarrollo representa un salto cualitativo con respecto a estas plataformas. A diferencia de sus predecesores, los asistentes de codificación AI como GitHub Copilot, Cursor AI y Claude entienden el contexto, pueden generar funcionalidades complejas a partir de descripciones en lenguaje natural y aprenden de los patrones de interacción.
La "codificación Vibe" capta este cambio de paradigma: la capacidad de comunicar intenciones en lugar de instrucciones explícitas. Un director de marketing puede decir simplemente: "Necesito un panel que muestre el rendimiento de las campañas en todos los canales con la posibilidad de filtrar por intervalo de fechas y grupo demográfico objetivo", y recibir un código funcional como respuesta.
Este enfoque tiende un puente sin precedentes entre el pensamiento empresarial y la aplicación técnica. El usuario empresarial no tiene por qué entender variables, funciones o estructuras de data , solo el problema empresarial que intenta resolver.
Argumentos comerciales a favor de los agentes de AI
Romper el cuello de botella informático
Durante décadas, las empresas se han enfrentado al mismo reto fundamental: la demanda de tecnología supera crónicamente la capacidad de desarrollo. Los estudios de McKinsey indican que más del 85% de las organizaciones tienen más solicitudes de desarrollo de software de las que pueden satisfacer, con retrasos típicos de 6 a 12 meses para proyectos no críticos.
Este cuello de botella crea múltiples problemas empresariales:
- Oportunidades perdidas: Las condiciones del mercado cambian mientras los proyectos esperan en la cola
- TI en la sombra: Los departamentos frustrados despliegan soluciones no autorizadas
- Soluciones ineficaces: Los empleados crean procesos manuales para compensar
- Ventaja estratégica desperdiciada: La información Data sigue sin aprovecharse
Los agentes de AI abordan estos retos permitiendo a los equipos empresariales resolver muchas de sus propias necesidades tecnológicas. En lugar de unirse a la cola de TI, un equipo de ventas podría crear su propia herramienta de visualización de pipeline o un equipo de marketing podría construir un rastreador de rendimiento de campaña.
La economía del desarrollo democratizado
Los argumentos económicos a favor de los agentes de AI son convincentes. El desarrollo tradicional de software empresarial sigue un patrón predecible que suele durar meses y costar entre miles y millones de dólares, dependiendo de la complejidad. El coste más insidioso es la desalineación: el producto final no suele satisfacer las necesidades reales de la empresa porque los requisitos se perdieron en la traducción.
Los agentes de AI comprimen este ciclo drásticamente. Los equipos empresariales pueden iterar rápidamente, probando soluciones en cuestión de horas en lugar de meses. Este enfoque:
- Reduce los costes de desarrollo en un 70-90% para aplicaciones sencillas
- Reduce el tiempo de despliegue de meses a días u horas
- Mejora la alineación entre las necesidades empresariales y las soluciones técnicas.
- Permite una rápida iteración basada en las reacciones del mundo real.
Automatización y supervisión: Capacidades clave de los agentes de AI
Un aspecto crítico de los agentes de AI en entornos empresariales es su doble capacidad de automatización y la necesidad de una supervisión adecuada. Estos dos elementos definen el funcionamiento de los agentes de AI en contextos organizativos.
Automatización inteligente
Los agentes de AI destacan en la automatización de tareas repetitivas y flujos de trabajo que antes requerían la intervención humana. A diferencia de las herramientas de automatización tradicionales, que siguen reglas rígidas, los agentes de AI pueden:
- Adaptarse a las variaciones de los data de entrada y del contexto
- Tomar decisiones basadas en la comprensión probabilística de los escenarios
- Aprender de las interacciones pasadas para mejorar el rendimiento
- Maneje entradas de lenguaje natural sin necesidad de una sintaxis precisa
Esta capacidad de automatización inteligente significa que los usuarios empresariales pueden delegar tareas cada vez más complejas en agentes de AI . Por ejemplo, un agente podría automatizar no solo la recopilación data , sino también el análisis inicial, la detección de anomalías y la toma de decisiones rutinarias, liberando a los humanos para que se centren en las excepciones y las consideraciones estratégicas.
Requisitos de supervisión
A pesar de sus capacidades, los agentes de AI requieren una supervisión humana adecuada, una consideración crítica para su implantación en la empresa. Los modelos de supervisión eficaces incluyen:
- Humano en el bucle: Para procesos críticos en los que cada salida de AI requiere verificación humana antes de su ejecución.
- Humano en bucle: Para procesos rutinarios en los que AI funciona de forma autónoma, pero los humanos supervisan el rendimiento y pueden intervenir.
- Humano-sobre-el-bucle: Para procesos de bajo riesgo en los que los humanos revisan periódicamente el rendimiento agregado.
El modelo de supervisión adecuado depende de la tolerancia al riesgo, los requisitos normativos y la madurez del sistema AI . Las organizaciones deben sopesar cuidadosamente las ventajas de la automatización frente a la necesidad de supervisión para evitar errores, sesgos o desajustes con los objetivos empresariales.
Aplicaciones prácticas e hiperpersonalización
El software empresarial ha seguido tradicionalmente un enfoque único. Los principales sistemas, como las plataformas CRM, ERP y HRIS, ofrecen opciones de configuración pero, en última instancia, imponen flujos de trabajo estandarizados en diversas funciones empresariales. Esta estandarización crea eficiencia a costa de procesos óptimos para contextos específicos.
La hiperpersonalización invierte este paradigma. En lugar de obligar a los procesos empresariales a ajustarse a las limitaciones del software, las aplicaciones hiperpersonalizadas se adaptan a los requisitos únicos de departamentos, funciones o incluso individuos concretos.
Considere estos escenarios comunes en los que los agentes de AI permiten la hiperpersonalización:
- Un analista de la cadena de suministro crea una herramienta dinámica de previsión de inventarios que integra data meteorológicos, ventas históricas y plazos de entrega de los proveedores.
- Un equipo de atención al cliente crea un repositorio de conocimientos con funciones de búsqueda semántica para acelerar la resolución de problemas.
- Profesionales de RRHH que desarrollan una aplicación de incorporación de empleados que personaliza la formación en función de la función y la experiencia.
- Representantes de ventas que elaboran paneles de visualización personalizados para realizar un seguimiento de sus métricas de rendimiento específicas.
Estos ejemplos tienen algo en común: son valiosas herramientas empresariales que no justifican una priorización formal de TI, pero que mejoran significativamente la eficiencia de los departamentos. En palabras de un CIO: "No estamos sustituyendo nuestro sistema ERP por código AI, pero estamos capacitando a nuestros usuarios de negocio para resolver los problemas de última milla que siempre caen al final de nuestra lista de prioridades."
El valor de este enfoque radica en que las soluciones son creadas por las personas que comprenden los problemas empresariales más íntimamente. El software empresarial tradicional tiene dificultades con este nivel de personalización porque los costes de desarrollo aumentan linealmente con la complejidad de la personalización. Los agentes de AI cambian radicalmente esta ecuación al hacer que el software personalizado sea económicamente viable.
Retos de aplicación y gobernanza
El principal reto para las empresas es equilibrar la democratización con los controles adecuados. Los marcos demasiado restrictivos conducirán a los usuarios de nuevo a la TI en la sombra, mientras que los enfoques demasiado permisivos corren el riesgo de crear un caos organizativo.
Las organizaciones de éxito suelen implantar modelos de gobernanza por niveles con controles graduados en función de las características de las aplicaciones:
Nivel 1 - Entorno Sandbox: Aplicaciones de bajo riesgo con acceso limitado a data y al ámbito de usuario. Puede tratarse de herramientas de productividad personal, cuadros de mando sencillos que utilicen fuentes de data preaprobadas o prototipos de aplicaciones para la validación de conceptos.
Nivel 2 - Soluciones departamentales: Aplicaciones que sirven a funciones empresariales específicas con una sensibilidad de data moderada. La gobernanza incluye la revisión por pares, una evaluación de seguridad simplificada y requisitos básicos de documentación.
Nivel 3 - Aplicaciones empresariales: Soluciones críticas para la empresa con data confidenciales o un amplio impacto organizativo. Estas aplicaciones requieren una revisión formal de la seguridad, pruebas de rendimiento, documentación y planificación de la transición para un soporte a largo plazo.
Este enfoque escalonado proporciona una supervisión adecuada, al tiempo que preserva la velocidad y flexibilidad que hacen valioso el desarrollo AI.
Al seleccionar plataformas para el desarrollo AI, las organizaciones deben tener cuidado con la dependencia del proveedor. Muchas plataformas ofrecen entornos patentados que pueden dificultar la migración de aplicaciones o la integración con otros sistemas. Las organizaciones deben dar prioridad a las soluciones que utilicen estándares abiertos, ofrezcan portabilidad de data y proporcionen vías de salida claras. El mercado de estas herramientas evoluciona rápidamente, y mantener la flexibilidad para adaptarse a las nuevas opciones es crucial para el éxito a largo plazo.
El futuro del trabajo: Nuevas divisiones técnicas y desarrollo profesional
La nueva división del trabajo técnico
A medida que madura el desarrollo AI, asistimos a una remodelación fundamental de las funciones tecnológicas de las empresas. En lugar de una división binaria entre personal "técnico" y "no técnico", las organizaciones están desarrollando un espectro de capacidades de creación tecnológica:
Creadores de empresas: Expertos en dominios que utilizan la asistencia de AI para crear soluciones que respondan a necesidades empresariales específicas. Estas personas conocen a fondo sus procesos empresariales, pero pueden tener una formación técnica limitada. Con la ayuda de AI , pueden crear cuadros de mando, flujos de trabajo automatizados y aplicaciones básicas que antes requerían la participación de desarrolladores.
Desarrolladores ciudadanos: Usuarios empresariales con un interés técnico más profundo que sirven de puente entre los departamentos y TI. Estas personas suelen comprender mejor los principios de diseño de software y pueden crear soluciones más complejas. A menudo se convierten en defensores y mentores internos, ayudando a sus colegas a aprovechar las herramientas AI de forma eficaz.
Asesores técnicos: Profesionales de TI que pasan de escribir todo el código a permitir y guiar el desarrollo dirigido por la empresa. Establecen marcos de gobernanza, crean componentes reutilizables y asesoran sobre arquitectura y seguridad. En lugar de ser cuellos de botella, se convierten en multiplicadores que amplían la capacidad de desarrollo de la organización.
Ingenieros profesionales: Desarrolladores especializados que se centran en sistemas complejos, infraestructuras y aplicaciones críticas para la empresa. En lugar de dedicar tiempo a aplicaciones departamentales más sencillas, abordan problemas técnicamente complejos que requieren profundos conocimientos.
Esta evolución refleja lo ocurrido con el análisis de data . Hace veinte años, los analistas especializados realizaban la mayor parte de los análisis de data ; hoy en día, el análisis de data es una habilidad común a todas las funciones empresariales, y los especialistas se centran en los retos analíticos más complejos.
El futuro del desarrollo profesional
En contra de algunas predicciones, es poco probable que el desarrollo AI reduzca la demanda de ingenieros de software profesionales. Por el contrario, hará que se centren en actividades de mayor valor:
Ingeniería de plataformas: Creación y mantenimiento de la infraestructura que permite el desarrollo AI. Esto incluye la creación de conectores de data seguros, el establecimiento de sistemas de supervisión y el desarrollo de marcos de pruebas que apoyen a los usuarios empresariales.
Desarrollo de sistemas complejos: Centrado en aplicaciones de misión crítica que requieren profundos conocimientos técnicos, alto rendimiento o una arquitectura sofisticada. Estos sistemas constituyen la base sobre la que pueden construirse las aplicaciones creadas por las empresas.
Orientación técnica: Actuar como consultores que ayudan a los equipos empresariales con las decisiones arquitectónicas, los retos de integración y las consideraciones de seguridad. Esta función de asesoramiento aprovecha los conocimientos de ingeniería al tiempo que capacita a los usuarios empresariales para ejecutar sus propias soluciones.
Aplicación Elevación: Identificar las aplicaciones departamentales de éxito que deberían "ascender" a la categoría de empresa y, a continuación, mejorarlas para que cumplan las normas de la organización en materia de seguridad, escalabilidad y mantenimiento.
Esta transformación crea oportunidades tanto para los profesionales empresariales como para los técnicos. Los equipos empresariales adquieren autonomía para resolver sus propios problemas, mientras que los equipos técnicos se centran en los retos que merecen sus conocimientos especializados. El resultado es una asignación más eficiente del talento y una entrega global más rápida del valor empresarial.
Para los profesionales individuales, este cambio requiere adaptación. Los usuarios empresariales tendrán que desarrollar un pensamiento básico sobre el diseño de software, la alfabetización data y la concienciación sobre la seguridad. Los profesionales técnicos tendrán que reforzar sus capacidades de consulta, enseñanza y arquitectura. Las organizaciones que inviertan en estas capacidades desarrollarán ventajas competitivas significativas en agilidad e innovación.
Conclusiones: Navegando por el futuro AI
La democratización del desarrollo de software a través de agentes de AI representa uno de los cambios más significativos en la tecnología empresarial de la última década. Las organizaciones que adopten este cambio de forma inteligente obtendrán enormes ventajas en agilidad, personalización e innovación.
Navegar con éxito por esta transición exige equilibrar imperativos aparentemente contradictorios: capacitar a los usuarios empresariales manteniendo al mismo tiempo una gobernanza adecuada, fomentar la innovación garantizando al mismo tiempo la seguridad y apoyar la descentralización evitando al mismo tiempo la fragmentación.
Para los líderes empresariales, el mensaje es claro: el desarrollo AI no consiste en sustituir a su equipo tecnológico, sino en ampliar quién participa en la creación de tecnología. Al implementar estas capacidades de forma inteligente, las empresas pueden lograr el objetivo largamente buscado de un software verdaderamente personalizado que se adapte a sus necesidades únicas en lugar de forzar la adaptación en la dirección opuesta.
El futuro del software empresarial no consiste en sistemas de talla única, ni siquiera en plataformas altamente configurables, sino en un ecosistema de aplicaciones AI y creadas por las propias personas que las utilizan. Las organizaciones que adopten este futuro se encontrarán con una nueva y poderosa herramienta para la innovación, la eficiencia y la ventaja competitiva.
