La discusión sobre la adopción de inteligencia artificial en América Latina ha comenzado a desplazar su foco del entusiasmo inicial hacia la sostenibilidad operativa y financiera. En el marco del Congreso TIC ANDICOM 2026, el debate empresarial y tecnológico coincidió en un punto crítico: la necesidad de superar la fase de experimentación para integrar la tecnología en los procesos centrales de las organizaciones.
En este escenario, la firma de servicios de ingeniería de datos e IA, Blend 360 —partner premier de AWS—, analizó los factores técnicos y estratégicos que determinan cuándo una implementación logra generar eficiencias e ingresos reales, y cuándo se queda en un intento costoso sin impacto directo en la operación.
A partir de la experiencia acumulada en la integración de modelos de aprendizaje automático para sectores como finanzas, retail, telecomunicaciones y salud, las reflexiones compartidas durante el congreso permiten entender las decisiones clave que están marcando la diferencia en la industria.
Superar el piloto: datos reales, evolución constante y métricas en la moneda del negocio
Uno de los principales hallazgos expuestos durante las jornadas académicas del evento apunta a que la barrera para escalar la inteligencia artificial no suele ser un problema de código o de algoritmos, sino de infraestructura técnica y evaluación de desempeño.
Máximo Gurméndez, SVP de Data Engineering en Blend 360, abordó los requisitos indispensables para que un proyecto de IA logre operar de manera continua en entornos empresariales complejos:
"Lo que funciona con 20 documentos curados en una prueba de concepto tiene que funcionar con datos reales, con el volumen real, integrado a los sistemas que ya existen, con permisos, con gobernanza de datos y operando todos los días. Ahí cae la mayoría; el piloto no contempla todas esas cosas", advirtió el directivo.
Asimismo, el ingeniero hizo énfasis en la necesidad de medir el rendimiento técnico a partir de métricas comerciales concretas y no puramente tecnológicas:
"Un sistema de IA no se diseña un día y se pone a producción exactamente como se diseñó, sino que se va refinando todo el tiempo. Para refinar sin romperlo tenés que poder decir: cambié esto y esto mejoró o empeoró en cuanto al negocio. Sin esa capacidad, no estás mejorando el sistema, lo estás moviendo al azar", explicó Gurméndez.
"Las métricas tienen que ser de negocio, no de tecnología. Muchas empresas saben cuántos requests reciben, cuántas respuestas dio el chatbot o cuánto gastaron en tokens, pero del otro lado no tienen un solo número: no saben si aumentaron las ventas, si subió la productividad o si bajó el costo del proceso. Eso es lo que define si hay retorno de la inversión o no. Si no se mide en la moneda del negocio, no tenés forma de saberlo", agregó el especialista.
Rediseño de procesos y la prioridad del problema sobre la herramienta
El análisis presentado por Blend 360 también profundizó en la visión de negocio requerida antes de escribir cualquier línea de código. Sobre las diferencias entre las organizaciones que obtienen resultados tangibles y las que no, Gurméndez sostuvo:
"Las empresas que fracasan empiezan por la herramienta: necesitamos un chatbot, hay que hacer algo con IA. Las que funcionan empiezan por el problema y por el número: ¿cuánto cuesta esto?, ¿cuánto valor adicional voy a generar?, ¿cuánto tarda? Después vendrá la tecnología, que la elegimos más hacia el final".
A su vez, el vocero resaltó cómo la inteligencia artificial permite romper con los esquemas rígidos de automatización tradicional para gestionar excepciones y situaciones particulares a escala:
"Durante décadas se quiso automatizar un proceso rígido que funcionaba para el 80% de los casos, y el 20% restante caían en excepciones que se resolvían de forma ad hoc o manualmente por una persona. Con IA se desdibuja ese compromiso. El sistema puede atender cada caso en sus propios términos. El proceso deja de ser un flujo único y pasa a ser muchos procesos ad hoc, uno por situación, con los data points que tengamos. Las empresas que entienden eso rediseñan de verdad; las que le pegan la IA encima al proceso rígido que ya tenían no logran capturar ese 20% adicional de valor", detalló el ingeniero.
Eficiencia de modelos y la frontera entre la automatización y el criterio humano
Finalmente, la intervención de la firma en ANDICOM dejó claro que la rentabilidad de las soluciones de IA depende en gran medida de una arquitectura híbrida que no abuse de los modelos generativos para tareas que pueden resolverse con métodos más sencillos y económicos.
"No todo necesita IA generativa. Cuando tenemos muchos datos podemos usar IA predictiva. En cualquier proceso hay tareas determinísticas que se resuelven con reglas, y tareas de volumen que se hacen con un modelo barato. Hay pocas que de verdad requieren criterio para un razonamiento avanzado, y ahí sí podemos usar la IA generativa y estos modelos ultra inteligentes", sostuvo Gurméndez.
En esa misma línea, el directivo enfatizó la urgencia de establecer límites precisos entre el alcance de los sistemas y la intervención de los equipos de trabajo:
"Es importante definir explícitamente qué decide la máquina y qué decide la persona; definir esa frontera entre el humano y la IA. De lo contrario, el sistema va a decir cosas que no debería a veces, o el equipo termina revisando todo dos veces y no ahorrás nada. En definitiva, los tokens se compran y la ventaja competitiva se construye", concluyó el experto.