IA Now: del piloto eterno al negocio, la IA ya reconfigura estrategia, talento y regulación

En el primer panel de IA NOW: Plan de Acción para la Transformación, evento organizado por Simalco en Ciudad de México, el tema principal que se abordó fue cómo la inteligencia artificial dejó de ser experimento y hoy es arquitectura de negocio.

Bajo la moderación de Sofía Pérez Gasque, directora general de AMITI, el panel “Disrupción: hacia un modelo de negocio basado en conocimiento” reunió a Guillermo Saynez, Head of Data de Grupo AlEn; Alejandro Ramsés D’León, director de IA & Innovación de Banorte y Renzo Molina, managing director – Strategy, Hybrid Cloud, Data & AI Transformation en IBM para responder a una pregunta central: ¿cómo pasar del POC (Proof of Concept) perpetuo al impacto operativo y financiero?

La IA como parte integral del negocio
Pérez Gasque enmarcó el debate con una advertencia y una invitación. Subrayó que “la IA está de moda, pero no es algo de moda; ya no le podemos decir ni siquiera nueva tecnología” y que la conversación debe moverse del área de sistemas al corazón de la operación porque “la estrategia de IA ya no debe estar allá en el área transaccional de sistemas, sino embebida en el negocio”. La ejecutiva puso un foco rojo en prácticas informales dentro de las empresas: “aproximadamente el 80% de las personas que trabajan en nuestra empresa ya usan IA generativa; ojo, no pagada; le están metiendo datos de la empresa”, de ahí que alfabetización ejecutiva, gobierno de datos y ciberseguridad sean, más que un complemento, el punto de partida.

Datos como insumo esencial
Desde la trinchera de la industria de consumo, Saynez reforzó la premisa de datos primero: “la IA ya es parte de la estrategia de negocio; quien no lo tiene en el portafolio como un componente, va lento” y recordó que sin calidad y linaje “si le meto basura, el algoritmo va a alucinar”. Su receta para no perderse en la promesa tecnológica es comenzar por el dolor del negocio y retroceder hasta el diseño técnico: “la gobernanza de datos es poner las reglas del juego y ligarla al negocio a través de casos de uso… ¿qué te duele? caso de uso y de ahí hacia atrás”.

De la inteligencia artificial a la inteligencia aumentada
En banca, D’León propuso un cambio de marco mental: más que inteligencia artificial, inteligencia aumentada. “Si no democratizamos el uso y la educación… vamos a empezar a tener muchísimos problemas”, dijo, al tiempo que reencuadró la métrica de éxito: “si tu solución generativa se sigue ocupando tres meses después de que la desarrollaste, vamos por buen camino; la métrica debe ser la experiencia del cliente”.

También introdujo una reflexión ética y regulatoria de fondo: “otro punto bien importante es cómo hacer esta transición apoyando a la mayoría de las personas; cómo podemos lograr una inclusión financiera más sólida empoderada por temas de inteligencia artificial. El gran reto en la banca mexicana es la regulación: en México no tenemos una regulación propia de inteligencia artificial, nos basamos en buenas prácticas de Europa o Estados Unidos. Hoy cada caso de uso en que los datos de clientes transiten por la nube de un proveedor externo debe notificarse a la CNBV. Esto es insostenible, necesitamos modificar o flexibilizar la norma porque, de lo contrario, México se va a quedar atrás en temas financieros con IA”.

Del piloto al escalamiento con impacto medible
Molina llevó la conversación al talón de Aquiles de las organizaciones: escalamiento. “Tenemos más de 150 pruebas de concepto que no están escalando porque no hay una arquitectura de IA definida o capacidades de talento”, apuntó. El consejo es abandonar la obsesión por probar la tecnología —ya probada— y elegir casos de negocio con retorno explícito: “no es necesario hacer la prueba de concepto, sino escoger ese caso de negocio que te permite escalar, con KPIs de retorno en reducir OPEX, empezar a generar más ventas o mejorar CSAT”. Para ello, el “Change Management” clásico evoluciona a “Digital Change”, donde el mindset incorpora IA como habilitador transversal.

Ética, sesgos y regulación: un triángulo pendiente

El debate no esquivó los bordes éticos, de seguridad y regulatorios. D’León recordó que “hay una línea muy delgada entre segmentación y discriminación” y que la base de entrenamiento de muchos modelos arrastra sesgos eurocéntricos; de ahí la relevancia de impulsar datos y modelos con acento latinoamericano. Pérez Gasque puso el acento en ciberseguridad ante el rezago en adopción segura, mientras que en el frente normativo D’León fue tajante: “en México no tenemos una regulación de IA… y notificar a la CNBV cada caso de uso en nube es insostenible”, lo que exige ajustes que protejan datos sin frenar innovación.

Una hoja de ruta compartida

Del intercambio emerge una hoja de ruta compartida: definir el caso de negocio antes que el modelo, gobernar y asegurar los datos, diseñar arquitectura para escalar, medir éxito por uso sostenido y experiencia, y conformar equipos multidisciplinarios con human-in-the-loop. En palabras de Saynez, el mapa empieza por una pregunta incómoda pero imprescindible —“¿qué te duele?”— y avanza, como propone Molina, con KPIs que amarren la IA al resultado. Si la IA ya no es “nueva tecnología”, como afirmó Pérez Gasque, su verdadera novedad será dejar de ser un piloto eterno para convertirse en columna vertebral del crecimiento.

‍