TCS impulsa la inteligencia artificial empresarial para que las organizaciones pasen de pruebas de concepto a soluciones escalables, con resultados de negocio medibles.
El Gemini Experience Center busca ofrecer un entorno de experimentación controlada donde empresas puedan identificar casos de uso, construir prototipos, validar resultados y avanzar hacia producción.
Seguridad, gobierno de datos y talento especializado se consolidan como condiciones para escalar la IA, con modelos que incorporan supervisión humana, transparencia, trazabilidad y protección de la información.
Para TCS, el siguiente desafío de la inteligencia artificial empresarial será convertir la tecnología en una estrategia de negocio, mediante ecosistemas de innovación, capacitación y soluciones capaces de replicarse entre industrias y mercados.
Para TCS, el siguiente desafío de la inteligencia artificial empresarial será convertir la tecnología en una estrategia de negocio, mediante ecosistemas de innovación, capacitación y soluciones capaces de replicarse entre industrias y mercados.
La inteligencia artificial empresarial está entrando en una etapa decisiva para las grandes organizaciones. Después de un periodo marcado por pruebas, demostraciones y experimentos con herramientas generativas, el reto comienza a ser mucho más concreto: convertir esas iniciativas en soluciones capaces de operar en producción, escalar entre distintas áreas y demostrar un impacto real sobre el negocio.
Esta transición representa uno de los principales desafíos para los tomadores de decisiones. La conversación dejó de centrarse exclusivamente en qué modelo utilizar o qué plataforma incorporar y comenzó a trasladarse hacia preguntas más complejas: qué procesos deben transformarse, cómo deben organizarse los datos, cómo se puede garantizar la seguridad, quién supervisará los sistemas y, sobre todo, cómo se medirá el retorno de las inversiones realizadas.
Desde la perspectiva de Jorge Pontón, experto en IA de TCS y co-líder del Centro de Excelencia de IA, IA Generativa y Datos para América Latina en Tata Consultancy Services (TCS), muchas organizaciones ya superaron la etapa inicial de descubrimiento. El siguiente paso consiste en construir casos de uso concretos y llevarlos hasta un punto en el que puedan generar valor de negocio.
“Ya pasamos de estar haciendo esto de la parte de fundamentos de la adopción, realmente a construir casos concretos, por poder crear soluciones”,
explicó Jorge Pontón, experto en IA de TCS y co-líder del Centro de Excelencia de IA, IA Generativa y Datos para América Latina en Tata Consultancy Services (TCS).
La apertura del Gemini Experience Center se plantea precisamente alrededor de esta necesidad. Más que funcionar como una sala de demostraciones, el espacio busca convertirse en un entorno de cocreación y experimentación donde especialistas, clientes y expertos tecnológicos puedan identificar oportunidades, construir prototipos y validar resultados antes de avanzar hacia implementaciones de mayor escala.
De los pilotos a una inteligencia artificial empresarial escalable
Uno de los principales problemas que enfrenta actualmente la inteligencia artificial empresarial es la distancia entre una prueba de concepto exitosa y una implementación capaz de sostenerse dentro de una organización.
Una compañía puede construir un prototipo que resuelva una necesidad específica del área de recursos humanos, atención a clientes, finanzas o ventas. Sin embargo, que ese prototipo funcione en un entorno controlado no significa necesariamente que pueda incorporarse a los procesos corporativos, conectarse con otras plataformas, cumplir con los requerimientos de seguridad o utilizarse en diferentes unidades de negocio.
Pontón identifica precisamente esa brecha como uno de los principales obstáculos de la adopción. Muchas organizaciones ya realizaron experimentos, pero cuando llega el momento de llevarlos a producción aparecen problemas relacionados con costos, datos, integración y escalabilidad.
“Muchos ya lo tienen en proyectos, pero en el momento que los ponen en producción no les funcionan como querían, les sale más caro o inclusive no lo pueden escalar a otras áreas”.
La consecuencia es que una tecnología que originalmente tenía el potencial de transformar procesos termina confinada a una sola área. Para el sector enterprise, esto representa un problema mayor porque las inversiones en tecnología necesitan demostrar capacidad de expansión y sostenibilidad.
En este contexto, el modelo planteado alrededor del Gemini Experience Center busca reducir el riesgo de experimentar directamente sobre los sistemas productivos de una organización. La idea consiste en contar con un entorno donde las compañías puedan probar diferentes alternativas, validar sus resultados y determinar qué tan viable es llevarlas posteriormente a producción.
El proceso comienza con la identificación de una oportunidad de negocio. Después se diseña un caso de uso, se construye un prototipo y se evalúan sus resultados. Si la prueba demuestra valor, se avanza hacia una arquitectura que permita llevar la solución a un ambiente productivo.
Esta metodología cambia también la conversación entre las áreas de tecnología y las áreas de negocio. En lugar de partir exclusivamente de una plataforma o una herramienta, el punto de partida es el problema que la empresa necesita resolver.
La inteligencia artificial empresarial deja así de plantearse como una adquisición tecnológica aislada y comienza a formar parte de una estrategia de transformación.
La relevancia de este cambio también se observa en la evolución de las plataformas de IA. Google Cloud plantea actualmente Gemini Enterprise como un entorno que integra búsqueda empresarial, asistentes y agentes capaces de utilizar información proveniente de diferentes fuentes organizacionales.
Para las organizaciones, esto abre la posibilidad de evolucionar desde asistentes que responden preguntas hacia sistemas capaces de participar en flujos de trabajo más complejos.
¿Qué necesitan las empresas para escalar la inteligencia artificial empresarial?
La madurez tecnológica se convierte en otro factor determinante. De acuerdo con la experiencia compartida por Pontón, las organizaciones todavía se encuentran, en términos generales, entre los niveles dos y tres de un modelo de madurez de adopción de IA.
La diferencia respecto de la etapa inicial es importante. Ya no se trata únicamente de utilizar herramientas como asistentes conversacionales para tareas individuales. El siguiente nivel implica comenzar a incorporar agentes y capacidades de IA dentro de procesos de negocio.
El verdadero salto ocurre cuando la tecnología deja de ser una herramienta utilizada por una persona y comienza a intervenir en una cadena completa de actividades.
Pontón explica que los niveles superiores de madurez implican una relación mucho más estrecha entre IA y estrategia empresarial, hasta llegar a escenarios en los que determinadas cadenas de valor puedan funcionar con altos grados de autonomía.
“Ya hay una guía, ya hay agentes y ya se empieza a utilizar una guía agéntica. Ya empieza a haber la colaboración para intervenir los procesos de negocio”.
Para conseguirlo, las empresas necesitan resolver primero una serie de condiciones estructurales.
La primera es el dato. Una solución inteligente depende de la calidad, disponibilidad, organización y gobierno de la información utilizada para entrenar, consultar o alimentar los sistemas.
Una organización puede disponer de modelos avanzados, infraestructura suficiente y talento especializado, pero si sus datos permanecen fragmentados, desactualizados o sin mecanismos adecuados de gobierno, la capacidad de la solución estará limitada.
La segunda condición es la arquitectura. Los sistemas de IA deben integrarse con las plataformas existentes, aplicaciones empresariales y procesos internos. El desafío no consiste únicamente en implementar un modelo, sino en lograr que pueda comunicarse con diferentes sistemas y operar dentro de un ecosistema tecnológico complejo.
La tercera es la medición. Una implementación enterprise no debería evaluarse únicamente por la cantidad de usuarios que utiliza una herramienta o por el número de pilotos realizados. Debe existir una relación entre la inversión y los resultados obtenidos.
Productividad, reducción de tiempos, mejora de la experiencia del cliente, automatización de procesos, reducción de costos, generación de nuevos ingresos y capacidad de expansión son algunos de los indicadores que pueden ayudar a determinar si una iniciativa realmente está transformando el negocio.
Por ello, la inteligencia artificial empresarial requiere una arquitectura de medición desde sus primeras etapas.
La propia estrategia de TCS para IA plantea una transición desde la experimentación hacia la escala y pone énfasis en integrar infraestructura, datos, modelos, plataformas, aplicaciones y ejecución para obtener resultados medibles.
Seguridad, gobierno y talento definen la siguiente etapa
La seguridad aparece como uno de los elementos que pueden acelerar o frenar la adopción. Para una empresa que procesa información financiera, datos de clientes, propiedad intelectual o información operativa crítica, incorporar IA no puede significar perder control sobre los datos.
La inteligencia artificial empresarial necesita, por tanto, mecanismos de seguridad y gobierno incorporados desde el diseño.
Pontón explica que el enfoque de TCS contempla principios de IA responsable relacionados con seguridad, privacidad, gobernanza, transparencia, explicabilidad y supervisión humana. El objetivo es construir confianza antes de llevar los sistemas a procesos críticos. “Lo más importante es generar confianza”, señaló el especialista, al explicar que la seguridad, la privacidad, el gobierno y la supervisión humana forman parte de la arquitectura necesaria para avanzar hacia soluciones de mayor impacto.
El tema adquiere todavía mayor relevancia con el crecimiento de los agentes de IA. Cuando una solución deja de limitarse a responder preguntas y comienza a ejecutar acciones, aumenta la necesidad de establecer controles sobre identidades, permisos, trazabilidad, datos y decisiones.
La gobernanza deja entonces de ser una función exclusivamente asociada con cumplimiento y se convierte en una condición operativa para escalar.
Google Cloud también destaca la importancia de la seguridad y la gobernanza para administrar agentes a escala, especialmente cuando estos interactúan con información empresarial y participan en procesos de trabajo.
Pontón considera que el diferenciador competitivo no será necesariamente quién compre más tecnología, sino quién consiga desarrollar las capacidades necesarias para incorporarla dentro de su contexto empresarial.
Esto implica capacitar tanto a los equipos técnicos como a los responsables de negocio. Una organización puede tener especialistas capaces de construir agentes, pero si las personas que conocen los procesos no participan en su diseño, existe el riesgo de desarrollar soluciones técnicamente sofisticadas que no respondan a las necesidades reales del negocio.
Por ello, el modelo Human + AI adquiere relevancia. La tecnología amplifica las capacidades humanas, mientras que las personas mantienen un papel central en las decisiones y en la definición de los objetivos.
“Mientras la inteligencia artificial está haciendo su trabajo o inclusive amplifica las capacidades, las personas son quienes permanecen en el centro de las tomas de las decisiones”.
La formación también debe extenderse a las organizaciones. Pontón explicó que TCS cuenta con programas internos de capacitación en fundamentos de IA y diferentes niveles de especialización para sus colaboradores.
En este escenario, la inteligencia artificial empresarial no puede depender únicamente de un pequeño equipo de innovación. Su evolución exige una transformación cultural que involucre a tecnología, operaciones, finanzas, ventas, recursos humanos y dirección.
Los casos de uso muestran dónde está el valor
El paso hacia la inteligencia artificial empresarial también depende de identificar correctamente dónde existe una oportunidad concreta de negocio.
Entre los sectores con mayor actividad aparecen servicios financieros, seguros, salud, farmacéutica, manufactura, retail y telecomunicaciones. Cada uno presenta necesidades diferentes y, por lo tanto, requiere casos de uso adaptados a sus procesos.
En servicios financieros, por ejemplo, la IA puede utilizarse para mejorar la atención, analizar información, automatizar actividades y personalizar ofertas. En retail, puede intervenir en experiencias de compra, recomendaciones y estrategias de retención.
Pontón compartió como ejemplo una solución orientada a analizar el comportamiento de consumo para generar ofertas más relevantes y fortalecer la relación con los clientes. También mencionó iniciativas destinadas a mejorar el monitoreo de llamadas y capacitar a los equipos responsables de atención.
Uno de los elementos más relevantes es que un caso de uso no necesariamente debe permanecer limitado a la industria donde fue desarrollado originalmente. Si la arquitectura se construye de forma adecuada, la experiencia puede adaptarse a otros contextos.
Esa capacidad de reutilización es especialmente importante para organizaciones multinacionales. Una solución que funciona en una unidad de negocio puede convertirse en una plataforma para otras regiones, siempre que existan las condiciones de gobierno, datos, arquitectura e integración necesarias.
Aquí aparece nuevamente la importancia de diseñar pensando en la escala desde el principio.
La inteligencia artificial empresarial tiene mayor potencial cuando la organización evita construir soluciones aisladas y desarrolla capacidades reutilizables.
TCS señala actualmente que sus iniciativas de IA buscan integrar datos, modelos y agentes dentro de cadenas de valor empresariales, con especial atención a la industrialización de las capacidades y a la obtención de resultados.
Esto también cambia el papel de los socios tecnológicos. Para Pontón, las alianzas permiten combinar diferentes plataformas y capacidades en función del objetivo de cada empresa. La estrategia no consiste necesariamente en utilizar una única tecnología, sino en seleccionar y combinar aquellas que resulten adecuadas para resolver un problema determinado.
El ecosistema adquiere así una importancia creciente. Cloud, datos, ciberseguridad, automatización, aplicaciones empresariales, modelos y agentes forman parte de una arquitectura que debe funcionar de manera coordinada.
Del laboratorio a la estrategia corporativa
El verdadero reto de la inteligencia artificial empresarial será conseguir que deje de considerarse un proyecto aislado de innovación y pase a formar parte de la estrategia corporativa.
Para Pontón, esa transformación exige que las empresas desarrollen talento, establezcan ecosistemas de colaboración y definan objetivos de negocio alrededor de la IA.
El Gemini Experience Center busca funcionar precisamente como un punto de encuentro para ese proceso. El objetivo no es ofrecer una demostración tecnológica, sino facilitar que las empresas puedan identificar problemas, experimentar con soluciones, validar resultados y posteriormente avanzar hacia arquitecturas productivas.
La propuesta también busca acercar a personas técnicas y no técnicas. Quienes conocen al cliente, las operaciones o los procesos pueden aportar una perspectiva que difícilmente puede sustituirse desde un área exclusivamente tecnológica. “Al contrario, tú que estás con el cliente, tú eres el que conoces mejor el negocio”, explicó Pontón al referirse a la necesidad de involucrar a diferentes perfiles en el diseño de soluciones.
El enfoque permite entender la IA como una capacidad transversal.
Una solución para recursos humanos puede conectarse posteriormente con operaciones. Un sistema diseñado para atención puede convertirse en una herramienta de capacitación. Un proyecto desarrollado para una industria puede encontrar aplicaciones en otra.
La escala, por tanto, no depende solamente de la infraestructura disponible. También depende de la capacidad de una organización para identificar patrones, reutilizar componentes y convertir experiencias aisladas en capacidades corporativas.
La inteligencia artificial empresarial será cada vez menos una cuestión de experimentar con herramientas y cada vez más una disciplina de transformación.
En esa evolución, los datos representan la materia prima; los modelos y agentes, las capacidades; la infraestructura, el soporte; la seguridad y el gobierno, los mecanismos de confianza; y el talento, el elemento que permite convertir todo ello en resultados.
TCS también plantea actualmente una estrategia de IA orientada a llevar las capacidades desde la infraestructura hasta las aplicaciones y agentes, con una visión de transformación integral para las organizaciones.
El escenario que se abre para los grandes corporativos es, por tanto, diferente al de los primeros años de adopción de IA. El objetivo ya no consiste solamente en demostrar que una herramienta funciona.
La pregunta estratégica es si puede resolver un problema relevante, integrarse con los sistemas existentes, operar de forma segura, ser gobernada, generar resultados medibles y posteriormente escalar.
La inteligencia artificial empresarial que consiga superar esas condiciones tendrá una incidencia mucho mayor sobre la competitividad de las organizaciones.
El mensaje de Pontón apunta precisamente en esa dirección: el diferenciador no estará únicamente en adquirir tecnología, sino en desarrollar capacidades para incorporarla al negocio.
“Realmente el diferenciador no va a ser quién compre más inteligencia artificial, sino quién pueda desarrollar mejor el talento y pasar en su contexto de negocio que puedan trabajar junto con IA”.
Para el sector enterprise, la siguiente etapa ya no consiste en preguntarse si la IA será relevante. La discusión se mueve hacia cómo incorporarla de manera responsable, rentable y escalable.
La inteligencia artificial empresarial comienza así a consolidarse como una capacidad estratégica que puede modificar procesos, modelos operativos, experiencias de clientes y nuevas fuentes de ingresos.
El desafío será transformar esa posibilidad en resultados concretos. Y para ello, la combinación de datos, talento, seguridad, gobierno, ecosistemas tecnológicos y experimentación controlada será determinante.
La oportunidad, en última instancia, no está únicamente en implementar más IA, sino en conseguir que cada iniciativa pueda demostrar por qué existe, qué valor genera y hasta dónde puede crecer dentro de la organización.
