La inteligencia artificial generativa (genAI) fue ganando espacio rápidamente en las agendas corporativas. Su presencia ya se observa en aplicaciones empresariales que van desde chatbots para atención al cliente hasta herramientas de generación de contenido y apoyo a la toma de decisiones. Sin embargo, detrás de este entusiasmo creciente, es posible identificar un patrón de errores que se repite entre las empresas que adoptan la tecnología sin la preparación estratégica adecuada.
En lugar de preguntarse “¿qué puede hacer esta tecnología para mi empresa?”, muchas compañías parten de la herramienta en sí, ignorando el problema de negocio que deberían resolver. El resultado son soluciones desconectadas del negocio, con alto costo, bajo retorno y poca adopción interna. Por lo tanto, implementar no es suficiente: es la integración lo que garantiza impacto.
Índice de temas
Errores en la adopción de genAI en empresas
En este proceso, entre los errores más comunes se encuentran la ausencia de una prueba de concepto, la elección apresurada de modelos personalizados y la falta de indicadores claros para medir el éxito. Al mismo tiempo, muchas organizaciones subestiman los desafíos relacionados con la gobernanza de datos, la privacidad y la seguridad de la información. Los modelos generativos sólo son eficaces cuando tienen acceso a datos organizados, relevantes y protegidos; y eso requiere tiempo, estructura y estrategia.
Las llamadas alucinaciones de los modelos, por ejemplo, siguen siendo un desafío técnico importante. Se producen cuando el modelo genera información que parece correcta pero es falsa o inventada. Esta limitación se ha ido mitigando con las actualizaciones más recientes, que incluyen modelos de lenguaje que consultan bases de conocimiento utilizando técnicas como RAG (Retrieval-Augmented Generation).
Según un artículo publicado por ACM en mayo de 2024, la tabla de clasificación mantenida por Vectara indicaba tasas de alucinación entre el 2,5 % y el 8,5 % en los principales modelos de la época. Actualmente, estas cifras cayeron por debajo del 2% entre los proveedores líderes de LLM. En particular, los nuevos modelos GPT-5 de OpenAI y Gemini 2.5 Pro de Google obtuvieron resultados menores a 1,5% de alucinaciones. Si bien los resultados son positivos, aún se requieren mecanismos de mitigación cuando se trata de aplicaciones críticas.
Cómo evitar las alucinaciones
Desde Nearsure, una compañía de Nortal, publicamos este año un white paper sobre aplicaciones de genAI en el que se abordan los principales obstáculos que podrían evitarse a la hora de adoptar inteligencia artificial generativa:
- Comenzar sin haber identificado un problema empresarial que se quiera resolver, lo que conduce a soluciones genéricas y desconectadas de resultados tangibles.
- Muchas empresas prescinden de la prueba de concepto (PoC), omitiendo la validación de requerimientos y arquitecturas antes de escalar.
- No preestablecer métricas claras de éxito, lo que dificulta medir el impacto en productividad, costos o calidad.
Para lograr una adopción exitosa, se deben definir métricas y umbrales de decisión por etapa (PoC, MVP, producción, escalado) y una gobernanza de datos y modelos que aporte trazabilidad de extremo a extremo y visibilidad operativa. Con ello, se mantendrá un ciclo de retroalimentación (feedback loop) que facilite aprender, corregir y avanzar con evidencia.
Cómo empezar con la adopción de genAI
Por último, la construcción de modelos personalizados innecesarios, como LLMs desarrollados desde cero sin antes evaluar opciones públicas o combinadas con RAG, genera costos desproporcionados. Estos factores combinados comprometen la eficacia y el rendimiento de los proyectos de genAI.
De hecho, según datos de Gartner, hasta finales de 2025 se prevé que alrededor del 30% de los proyectos de genAI se abandonarán tras la PoC. Esto se atribuye a la baja calidad de los datos, controles de riesgo insuficientes y falta de beneficios claros para el negocio.
Por lo tanto, una buena práctica consiste en empezar poco a poco y con un enfoque específico, en lugar de escalar rápidamente. Casos de uso puntuales, como los agentes jurídicos impulsados por IA, la automatización de la atención al cliente o la selección asistida de CVs, permiten probar hipótesis, generar resultados y madurar la arquitectura tecnológica con menor riesgo.
Por ejemplo, los call centers que utilizan genAI para transcribir y resumir llamadas informaron de un ahorro medio de tiempo de entre 2 y 3 minutos por llamada, además de ganancias en productividad y una mayor precisión en el seguimiento de clientes. Según un estudio de IDC, el uso de genAI en operaciones de atención al cliente supuso un aumento de productividad del 25%, con un ahorro de dos minutos por llamada.
Gestión del cambio
Un factor adicional que vale la pena mencionar es la gestión del cambio: involucrar a los usuarios, ofrecer formación continua y rediseñar procesos en conjunto. Para lograr mejoras reales en la productividad, además de la tecnología necesitamos repensar nuevas formas de trabajo.
La adopción de genAI en empresas suele ser progresiva: inicialmente, con aplicaciones aisladas y de bajo riesgo, como copilotos internos o generación de contenido. Luego, es posible avanzar hacia integraciones con bases de datos y herramientas empresariales ya consolidadas. Los casos más avanzados implican la conexión de genAI a sistemas centrales y flujos operativos críticos, con políticas de seguridad, control de acceso y gobernanza tecnológica.
La genAI no es una solución plug-and-play. Requiere estrategia, contexto e integración empresarial. Las organizaciones que la vean como una capa complementaria y no como sustituta tendrán mayores probabilidades de éxito. Es necesario integrar antes de escalar, empezar pequeño antes de ir lejos y resolver el problema antes de aplicar la herramienta. Solo así la inteligencia artificial generativa dejará de ser una tendencia y se traducirá en valor tangible para el negocio.
