En los últimos años, el foco ha estado firmemente en los modelos de IA. Las organizaciones han invertido en IA generativa, plataformas de aprendizaje automático y grandes modelos de lenguaje. Las capacidades nuevas aparecen casi cada semana. Sin embargo, a pesar de todo este progreso, una pregunta familiar sigue emergiendo en las salas de dirección: ¿dónde está el valor para el negocio?

Parte de la respuesta es que la tecnología en sí ya no es el principal obstáculo. Las herramientas de IA potentes ya están al alcance de la mayoría de las organizaciones. Lo que sigue siendo difícil es convertir los insights generados por IA en decisiones y resultados comerciales medibles.

Esta es la última milla de la IA, donde muchos proyectos pierden impulso. Un modelo puede emitir una recomendación en segundos, pero actuar en base a ella suele ser mucho más complejo. Los datos pueden estar incompletos, el contexto crítico puede estar en otra parte y los equipos de gobernanza pueden no confiar en el resultado.

Como resultado, muchas organizaciones se encuentran invirtiendo de forma intensiva en IA mientras luchan por ir más allá de pilotos y pruebas de concepto. A menudo, la pieza que falta es la capacidad de conectar la inteligencia con la realidad de cómo opera realmente el negocio.

El verdadero cuello de botella de la IA

Cuando los ejecutivos hablan de programas de IA exitosos, rara vez se enfocan en la sofisticación del modelo. lo que importa es el resultado. Por ejemplo, si caen las pérdidas por fraude, si los clientes pueden ser onboardeados más rápido o si se reduce el tiempo de inactividad. Esos resultados dependen de mucho más que la IA en sí.

Para que la IA genere valor, necesita una visión clara de lo que sucede en la empresa, suficiente contexto para entender qué significan esos eventos y la capacidad de operar dentro de guías de gobernanza. Cuando falta alguno de esos elementos, las recomendaciones se vuelven más difíciles de confiar, la automatización se estanca y la adopción sufre.

Muchas organizaciones descubren que el verdadero cuello de botella se sitúa entre el modelo y el proceso de negocio. Los datos están fragmentados entre sistemas, y falta contexto esencial. A menudo, la información llega demasiado tarde para ser útil. Diferentes equipos definen los mismos conceptos de negocio de distintas formas. Estos no son problemas nuevos, pero la IA los ha expuesto más claramente que nunca.

Lo vemos con frecuencia en servicios financieros. Una institución había invertido mucho en detección de fraude impulsada por IA, pero los investigadores seguían teniendo dificultades para actuar con rapidez porque los registros de clientes, historiales de transacciones y señales de fraude externas estaban distribuidos en múltiples sistemas. Al unificar esas fuentes en una vista confiable y gobernada, las pérdidas por fraude cayeron, disminuyeron los falsos positivos y los procesos de onboarding se volvieron más eficientes.

La IA necesita una visión más amplia del negocio

Una de las razones por las que muchas organizaciones tienen dificultades para poner la IA en producción es que la tecnología depende de una visión mucho más amplia del negocio que la analítica tradicional.

La mayoría de las empresas han pasado años invirtiendo en plataformas ERP, aplicaciones CRM y bases de datos operativas. Estos sistemas siguen siendo el registro principal del negocio y proporcionan gran parte de la información que la IA necesita para operar eficazmente.

Para tomar buenas decisiones, la IA cada vez necesita información procedente de fuera de esos sistemas centrales. Puede necesitar datos de proveedores para entender una interrupción en la cadena de suministro. Puede necesitar información de socios, aplicaciones SaaS o fuentes de inteligencia externa para aportar contexto de negocio. Cada vez más, también necesita acceso a señales operativas en tiempo real, ya sea interacciones con clientes, alertas de fraude, dispositivos conectados o flujos de eventos que muestren lo que está sucediendo en este momento.

Puede pensarse en tres capas de información:

• La primera es los datos autorizados que se encuentran dentro de los sistemas centrales de la empresa.
• La segunda es la información contextual de socios, proveedores y fuentes externas que ayuda a explicar por qué ocurren los eventos.
• La tercera es la consciencia operativa en tiempo real, las señales que muestran lo que está pasando en el momento.

La mayoría de las organizaciones ha avanzado mucho en la gestión de la primera capa. Mucho menos ha encontrado una forma efectiva de combinar las tres. Una fabricante global con la que trabajamos enfrentó un desafío similar. Sus modelos de IA podían predecir fallos de equipo, pero información crítica sobre programas de producción, retrasos de proveedores y actividades de mantenimiento descansaba en distintos sistemas. Conectar esas fuentes les dio la contexto necesario para identificar riesgos antes, reducir tiempos de inactividad y tomar decisiones operativas mejores.

Como resultado, la IA a menudo opera con una visión incompleta de la realidad. Puede entender qué ocurrió ayer, pero no qué está ocurriendo ahora. Puede tener acceso a registros internos, pero carece del contexto externo necesario para emitir una recomendación con confianza.

Aquí es donde empieza a emerger el desafío de la última milla.

El efecto ecosistema

El auge de la IA también está cambiando la forma en que las organizaciones piensan sobre el intercambio de datos. Durante años, la mayoría de las empresas se centraba principalmente en sus propios sistemas internos. Hoy, muchas de las decisiones que importan dependen de información que se sitúa más allá de los límites organizativos.

Un fabricante que responde a una interrupción de la cadena de suministro necesita visibilidad hacia proveedores y socios logísticos. Un banco que intenta detectar fraude se beneficia de señales externas tanto como de datos internos de clientes. Las organizaciones del sector público suelen necesitar información de múltiples agencias para mejorar servicios y resultados.

El hilo común es que la inteligencia fluye cada vez más a través de un ecosistema, más que dentro de una única empresa. Los resultados de IA confiables dependen de un acceso confiable a los datos dondequiera que residan.

Los líderes tecnológicos, por tanto, se enfrentan a un acto de equilibrio: hacer que los datos sean accesibles a través de entornos distribuidos manteniendo gobernanza, seguridad y propiedad. Sin esa base, incluso los modelos más avanzados lucharán por entregar resultados consistentes.

Cerrando la última milla

Si hay una lección emergente de la primera ola de adopción de IA empresarial, es que el éxito depende menos de desplegar otro modelo y más de crear las condiciones que permitan a la IA operar eficazmente.

Comienza con datos confiables. Los usuarios de negocio deben tener confianza en que la información que alimenta a los sistemas de IA es precisa, está actualizada y gobernada de forma consistente. El reto también es hacerla disponible de una manera que la IA pueda utilizar sin crear nuevos silos ni añadir complejidad. La IA necesita acceso a sistemas centrales, datos del ecosistema externo y señales operativas en tiempo real. Si permanecen desconectados, la calidad del resultado siempre estará limitada.

Por qué entender importa

Sin embargo, los datos por sí solos rara vez cuentan la historia completa. La IA necesita no solo entender los datos en sí, sino el contexto empresarial que los rodea: de dónde provienen, cómo se relacionan con otras informaciones y las políticas que regulan su uso. Ese contexto es a menudo lo que separa una recomendación útil de una engañosa. Sin él, incluso datos precisos pueden llevar a malas decisiones.

Ahí es donde entra el contexto activo. Proporciona a la IA la comprensión más rica necesaria para interpretar la información correctamente, conectarla con el entorno empresarial más amplio y tomar decisiones fundamentadas, relevantes y bien gobernadas.

Convirtiendo la insight en acción

El paso final es donde muchas organizaciones aún tienen dificultades. Los insights deben convertirse en acciones. Con demasiada frecuencia, la IA genera recomendaciones que se quedan en tableros, informes o aplicaciones aisladas. El mayor valor llega cuando la inteligencia se integra directamente en los flujos de trabajo operativos, ayudando a las personas a tomar decisiones más rápido o automatizando procesos rutinarios por completo. Ahí es donde la IA comienza a superar la experimentación y a entregar resultados comerciales medibles.

Para los líderes tecnológicos, una prueba útil es hacerse unas preguntas simples.

• ¿Puede la IA acceder a la información a medida que ocurre como eventos, o depende de datos de ayer?
• ¿Puede combinar fuentes internas y externas para construir una imagen completa?
• ¿Se aplican políticas de gobernanza de forma consistente en diferentes entornos?
• ¿Las personas confían en los resultados lo suficiente como para actuar?

Si la respuesta a alguna de esas preguntas es no, la próxima inversión probablemente deba centrarse en la base de datos más que en el propio modelo.

De dónde provendrán las próximas ganancias

Las organizaciones que generan mayores retornos con IA no son necesariamente las que despliegan la tecnología más nueva. Con mayor frecuencia, son aquellas que han encontrado la forma de conectar datos confiables, contexto empresarial y procesos operativos.

En la banca, eso podría significar reducir pérdidas por fraude mientras se acelera la incorporación de nuevos clientes. En la fabricación, identificar interrupciones antes y reducir tiempos de inactividad. En el sector público, mejorar servicios a los ciudadanos mediante una mejor colaboración entre departamentos. En cada caso, el valor no proviene del modelo, sino de integrar la inteligencia en las decisiones y flujos de trabajo operativos.

Eso es la última milla de la IA. Para muchas organizaciones, sigue siendo la mayor barrera para el éxito. También puede ser la mayor oportunidad.

Hemos destacado el mejor chatbot de IA para negocio.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si estás interesado en contribuir, obtén más información aquí: https://www.techradar.com/pro/perspectives-how-to-submit