Un proyecto piloto de inteligencia artificial (IA) puede impresionar en una demostración controlada. Luego, los empleados intentan usarlo con registros reales de clientes, datos restringidos y sistemas que nunca formaron parte de la prueba. Para las empresas, ahí es donde comienza el trabajo más arduo: lograr que la IA sea lo suficientemente confiable para las operaciones diarias y lo suficientemente valiosa como para justificar su costo.

En la encuesta de Deloitte de 2026 sobre el estado de la IA en la empresa, solo el 25% de los encuestados afirmó haber implementado al menos el 40% de sus proyectos piloto de IA en producción. Un proyecto piloto puede evitar la fragmentación de datos, las restricciones de acceso y los procesos de aprobación que debe gestionar un sistema de producción. Estos requisitos pueden revelar problemas que el entorno de pruebas nunca evaluó.

Los costos pueden socavar la viabilidad comercial de un proyecto piloto a medida que aumenta su uso, especialmente cuando el uso del modelo o de la interfaz de programación de aplicaciones (API) es difícil de predecir.

Un chatbot también puede tener un buen desempeño en una demostración, pero ralentizar a los empleados si deben transferir información manualmente a los sistemas de gestión de relaciones con el cliente (CRM) o de planificación de recursos empresariales (ERP). El tiempo ahorrado, el trabajo completado y el costo por tarea ofrecen una evaluación más clara del valor comercial.

Paul Lunow, CTO de soluciones digitales en la empresa de desarrollo de software Vention, considera que el mayor error radica en confundir un prototipo creado desde cero con un sistema listo para funcionar dentro de una organización existente.

«Los proyectos de IA desde cero parecen engañosamente sencillos porque evitan la complejidad empresarial. En el momento en que la solución necesita operar dentro de una organización existente, reaparecen todas las limitaciones de ingeniería tradicionales», declaró.

Los obstáculos a menudo se encuentran fuera del equipo de ingeniería. «Incluso cuando los equipos de ingeniería pueden trabajar con rapidez, la organización puede carecer de la gobernanza, los flujos de trabajo y las estructuras de toma de decisiones necesarias para aprobar y poner en marcha lo que desarrollan», explicó Lunow.

Los resultados variables de la IA aumentan el desafío. Los equipos deben probar el rendimiento de un sistema ante diferentes solicitudes y condiciones, así como verificar si cumple con los requisitos de la organización en cuanto a acceso, fiabilidad y coste.

Las exigencias de producción también modifican la forma en que los equipos desarrollan software asistido por IA. En Vention, los ingenieros definen las funcionalidades del software, utilizan la IA para generar código y prueban el resultado en función de dichos requisitos. Los fallos les ayudan a perfeccionar tanto las especificaciones como el código.

Este proceso también requiere visibilidad sobre las funciones y el costo de los sistemas de IA. Los equipos deben poder detectar cambios en el rendimiento o el gasto cuando se actualiza un modelo u otro componente.

«La previsibilidad de costos es fundamental, además de la fiabilidad técnica. Un sistema puede ser capaz de producir software de calidad para producción, pero aun así resultar poco práctico si el uso de su modelo o el consumo de tokens es impredecible», afirmó Lunow.

Acceso gradual a la IA.

Antes de implementar la IA en todas las unidades de negocio, las empresas deben identificar los sistemas que utilizará, los datos a los que podrá acceder y las acciones que podrá realizar. Este trabajo comienza con el mapeo de las fuentes de datos, los permisos, las integraciones y los flujos de trabajo existentes. También requiere datos suficientemente limpios para la tarea prevista.

Un primer caso de uso específico permite a los equipos probar los controles de acceso con una tarea real. Si los controles impiden un trabajo útil, los empleados podrían volver a sus flujos de trabajo anteriores. Si los permisos son demasiado amplios, el sistema podría exponer datos o realizar acciones no deseadas.

La transparencia y la observabilidad deben ser fundamentales. Las empresas necesitan saber qué hacen los agentes, a qué datos acceden, qué acciones intentan realizar y por qué se les permite o bloquea el acceso, afirmó Lunow.

Los equipos pueden comenzar con permisos limitados, supervisar el funcionamiento del sistema y ampliar el acceso a medida que se comprende mejor su comportamiento.

De las herramientas de codificación de IA a los flujos de trabajo en equipo.

Generar código es solo una parte del desarrollo de software. Los equipos aún deben probarlo, integrarlo con los sistemas existentes e implementarlo.

Vention ha estado trabajando en un modelo en el que los ingenieros definen los requisitos y supervisan el trabajo generado por IA. Pasar del uso individual de herramientas de codificación a un proceso de equipo compartido ha resultado más difícil que simplemente dar acceso a las herramientas a los empleados.

Estandarizar las herramientas, compartir el conocimiento, integrar la IA en los flujos de trabajo y mantener la calidad de la ingeniería es mucho más difícil que simplemente dar acceso a las herramientas de IA a los desarrolladores, señaló Lunow.

Esta distinción es importante cuando los líderes esperan que las herramientas de IA hagan que los equipos de desarrollo sean diez veces más rápidos, a veces con menos personal. La generación de código por sí sola no puede demostrar tal ventaja. Una medida más útil es el tiempo y los recursos necesarios para llevar una idea a producción.

«Una generación de código más rápida tiene un valor limitado si las pruebas, la integración, la validación del cliente y la implementación siguen siendo cuellos de botella», dijo Lunow.

¿Cuándo desarrollar internamente y cuándo comprar?.

Las mismas interrogantes surgen cuando una empresa decide desarrollar una herramienta de IA o adquirir una ya existente. Si bien un producto listo para usar puede implementarse con mayor rapidez, la empresa debe evaluar cómo se integra con los sistemas actuales, cómo protege los datos y cuál será su costo a medida que aumente el uso. Por otro lado, el desarrollo interno conlleva sus propios desafíos en cuanto a mantenimiento, seguridad y personal.

«La IA permite generar una interfaz funcional con rapidez, pero las organizaciones deben tener en cuenta aspectos como el mantenimiento, la seguridad, las operaciones y la propiedad a largo plazo», advirtió Lunow.

Antes de tomar una decisión, las empresas deben determinar quién controla los datos, quién se encargará del mantenimiento del sistema y qué tan complejo resultaría cambiar de proveedor. Una herramienta fácil de lanzar puede acabar siendo costosa de operar o de reemplazar.