Adopción de IA generativa: ¿de arriba hacia abajo o de abajo hacia arriba?

Imagen: Susan Q Yin | Unsplash

La experimentación de base y la ambición ejecutiva están convergiendo a medida que las organizaciones trabajan para convertir el uso disperso de IA generativa en un impacto comercial estratégico.

por David Barry

A medida que las herramientas de inteligencia artificial (IA) generativa como ChatGPT ganan terreno, surge una pregunta fundamental en las organizaciones: ¿se está adoptando la IA como una estrategia comercial coordinada o simplemente la utilizan de manera informal los empleados que intentan ahorrar tiempo?

Los ejecutivos suelen hablar con confianza sobre la “transformación de la IA”, pero en la práctica, la situación es más fragmentada. Un informe técnico de SAS revela que muchos empleados ya han  integrado herramientas como ChatGPT en sus flujos de trabajo diarios  (para redactar correos electrónicos, resumir informes, generar código o generar ideas), a menudo sin orientación, gobernanza ni supervisión formales. 

Esta experimentación ascendente, si bien valiosa, presenta desafíos en cuanto a consistencia, seguridad y escalabilidad. Como resultado, existe una brecha cada vez mayor entre la ambición y la ejecución de la IA. Algunas empresas están avanzando con decisión al integrar la IA en sus sistemas internos, lanzar iniciativas de capacitación e integrarla en soluciones orientadas al cliente. Otras se encuentran en una situación de espera, sin saber cómo evaluar el retorno de la inversión en IA, desarrollar planes de acción o gestionar el riesgo.

La transición de la experimentación aislada a la integración empresarial ya está en marcha. Según una encuesta reciente de EY , 

• El 48% de los ejecutivos de tecnología informan que están adoptando o implementando IA agente.
• El 50% espera que la mayoría de sus implementaciones de IA sean autónomas en los próximos dos años.
• El 81% cree que la IA les ayudará a alcanzar sus objetivos comerciales en un plazo de 12 meses.
• El 70% está invirtiendo en talento a través de la capacitación y el 68% a través de contrataciones externas.

Entonces, ¿es la IA generativa una iniciativa empresarial de arriba hacia abajo o un experimento de abajo hacia arriba que cobra fuerza? Cada vez más, la respuesta es: ambas. Y la línea entre ambas se difumina rápidamente.

Un punto de inflexión de GenAI en el lugar de trabajo

A medida que empresas como OpenAI y Anthropic lanzan generaciones sucesivas de grandes modelos de lenguaje (LLM), se ha hecho evidente una tendencia: los indicadores de rendimiento están convergiendo. Si bien los LLM actuales siguen siendo potentes, las mejoras en los modelos brutos están produciendo rendimientos decrecientes, especialmente en el razonamiento.

La creación de mayor valor ahora depende más de cómo se utilizan los modelos que de los modelos mismos. Las técnicas avanzadas de estimulación, como el razonamiento en cadena, el diálogo multi-turno y el aprendizaje por refuerzo, son cada vez más esenciales para generar resultados fiables.

“Estamos llegando a un punto en el que las ganancias marginales de los modelos más nuevos comienzan a estabilizarse”, afirma Nimisha Mehta , ingeniera de DevOps en Confluent. “Para impulsar el rendimiento significativamente, probablemente necesitaremos un verdadero avance. Hasta entonces, el éxito dependerá de la creatividad con la que usemos lo que ya tenemos”.

GenAI y el factor de complejidad

A pesar de la avalancha de nuevos productos de IA —algunos impresionantes, otros más novedosos que prácticos—, el verdadero reto reside en convertir las capacidades en valor empresarial. Muchas organizaciones están empezando a reconocer que la IA es más eficaz cuando se trata no como elemento central, sino como un asistente entre bastidores.

En la práctica, los ejemplos más inmediatos incluyen la automatización de flujos de trabajo de baja complejidad: resumir hilos de Slack, gestionar tickets de soporte al cliente o generar documentación rutinaria. En estos contextos, los LLM destacan por acelerar proyectos, redactar contenido y reducir el trabajo manual.

Sin embargo, al aplicarse a entornos complejos con múltiples sistemas, como los de las grandes empresas, los LLM presentan deficiencias. Pueden malinterpretar la lógica del sistema, perder contexto o generar resultados basados ​​en suposiciones erróneas.

“Más allá de cierto umbral de complejidad, los LLM tienen dificultades”, explicó Mehta. “Simplemente carecen de la visibilidad a nivel de sistemas ni de la conciencia contextual que los humanos aportan naturalmente”.

Mientras tanto, la IA agencial  está ampliando el alcance de GenAI. Estos sistemas también realizan acciones más autónomas, desde la ejecución de transacciones hasta la gestión de flujos de trabajo. Sin embargo, conllevan nuevos riesgos: falta de fiabilidad, dificultad para controlar el comportamiento y resultados que aún resultan artificiales o incompatibles con las expectativas del usuario.

A pesar de estas limitaciones, los líderes empresariales están apostando fuerte. Incluso pequeñas mejoras de productividad justifican la inversión, y el sector está evolucionando rápidamente. Las herramientas que ofrecen fiabilidad, simplicidad e integración segura se están consolidando como líderes.

“Aunque las herramientas de IA actuales sean imperfectas, vale la pena prestarles mucha atención”, dijo Mehta. “En plena fiebre del oro, la mejor decisión podría ser simplemente vender las palas”.

Lo que las cifras de adopción de IA no muestran

Si bien el 78% de las empresas globales informan que utilizan IA y el 71% dice haber implementado GenAI en al menos una función comercial, gran parte de este uso es superficial, afirmó Iliya Rybchin , director de BDO.

“En teoría, suena impresionante”, dijo Rybchin. “Pero en realidad, la mayor parte de esta ‘adopción’ se reduce a que los empleados usan ChatGPT para escribir correos electrónicos o intercambiar ideas, generalmente sin soporte de TI ni supervisión ejecutiva”.

La retórica de liderazgo a menudo supera la implementación real, sostuvo Rybchin. El resultado es lo que él llama el ” purgatorio de la prueba de concepto “, un estado donde los proyectos piloto se lanzan con entusiasmo, pero nunca se amplían, dejando a las empresas atrapadas entre la experimentación y la transformación.

«El auge de la IA ha creado un vacío de experiencia», explicó Rybchin. «Muchos se apresuran a llenarlo, armados con poco más que palabras de moda y títulos actualizados en LinkedIn».

Un popular hilo de Reddit capturó esta dinámica con una sátira mordaz, dijo Rybchin. «Se habrán dado cuenta de que empecé a ser un líder de pensamiento en IA el año pasado. Antes de eso, fui uno de los expertos más destacados en blockchain de mi empresa. Antes de eso, dirigí nuestra práctica de IoT…».

Más allá de las bromas, existen graves riesgos. Las soluciones sobrevaloradas y de bajo rendimiento están enturbiando el panorama, lo que dificulta el impulso de la innovación genuina, afirmó Arvind Narayanan , de Princeton . Mientras tanto, las presiones institucionales llevan a algunos CIO a rebautizar la automatización rutinaria como “agentes de IA”, mientras que los consultores presentan demostraciones que nunca llegan a producción.

En resumen: La IA no es solo un problema tecnológico. Es un problema organizacional. El éxito requiere repensar cómo interactúan las personas, los procesos y los datos, y garantizar que la IA apoye, y no interrumpa, los objetivos empresariales más amplios.

De arriba hacia abajo vs. de abajo hacia arriba: el problema de GenAI

Entonces, ¿de dónde proviene realmente la GenAI? «La GenAI es a la vez una iniciativa de arriba hacia abajo y un movimiento de abajo hacia arriba», afirmó Paul McDonagh-Smith , profesor titular de MIT Sloan Executive Education. «Eso es lo que la hace tan poderosa, y tan arriesgada».

Hoy en día, GenAI se integra tanto en las hojas de ruta de las juntas directivas como en los flujos de trabajo de base. Desde finanzas e investigación hasta recursos humanos y atención al cliente, los ejecutivos definen su potencial a largo plazo mientras los empleados prueban su utilidad en las tareas cotidianas.

Este modelo de doble adopción impulsa la creatividad y el aprendizaje rápido, pero también es descoordinado. Cuando la IA se utiliza sin supervisión, se producen errores. Estos errores pueden conllevar elevados costos: financieros, regulatorios y de reputación, afirmó McDonagh-Smith.

“Las organizaciones deben considerar no sólo el costo de corregir errores, sino el costo de no detectarlos por completo”, advirtió McDonagh-Smith.

Aun así, regular excesivamente la innovación de base corre el riesgo de frenar el progreso. La solución no es frenar la experimentación, sino alinearla con los objetivos empresariales.

“Las empresas que triunfen serán aquellas que conecten la innovación ascendente con la estrategia descendente”, afirmó McDonagh-Smith. “Así es como se convierten los esfuerzos dispersos en una ventaja sostenible”.

Cómo contrarrestar los riesgos de la adopción de IA

El éxito de la IA depende de una integración cuidadosa, no de la velocidad, afirmó Len Gilbert , vicepresidente ejecutivo y director de consultoría estratégica de Mod Op.

“No contar con un plan de IA bien comprendido y conectado con la estrategia empresarial dificulta garantizar que la IA sea beneficiosa”, afirmó Gilbert.

Los datos de S&P Market Intelligence muestran una tasa de fracaso del 42% para los proyectos de IA en 2025. Los culpables comunes son la mala calidad de los datos , las barreras regulatorias , la integración débil y las propuestas de valor poco claras.

Mod Op identifica cinco pilares fundamentales para una IA empresarial exitosa:

1. Estrategia y gobernanza:  La IA debe adoptarse desde arriba, con el apoyo de los líderes y normas para su uso legal y ético. Gilbert recomienda la formación de un Consejo de IA para supervisar su implementación.
2. Casos de uso claramente definidos:  enfoque sus esfuerzos donde más importan: la experiencia del cliente, la eficiencia operativa o la productividad de la fuerza laboral. Empiece con poco, triunfe rápidamente y escale con determinación.
3. Datos limpios y confiables:  los sistemas de IA son tan efectivos como los datos que los respaldan. 
4. Impacto medible:  Defina métricas de éxito desde el principio. Sin indicadores clave de rendimiento, incluso las herramientas de IA bien diseñadas corren el riesgo de convertirse en experimentos costosos.
5. Gestión del cambio:  la transformación de la IA también implica una transformación de las personas. Mod Op incorpora capacitación sobre ingeniería rápida, uso ético y principios fundamentales de la IA en cada interacción.

“Utiliza la IA para mejorar los resultados definidos en tu estrategia”, añadió Gilbert. “No te limites a experimentar, sino que alinea su uso con tus objetivos”.

Ya sea de arriba a abajo o de abajo a arriba, GenAI está transformando el entorno laboral digital. Sin embargo, si no se alinean con los objetivos empresariales, muchos esfuerzos corren el riesgo de fracasar. Las empresas que triunfen serán aquellas que combinen la experimentación desde la base con la claridad ejecutiva, creando estructura sin reprimir la innovación. El pragmatismo y la creatividad deben ir de la mano.

Nota del editor: Para obtener más información sobre las tendencias de adopción de GenAI:

• Las grandes tecnológicas apuestan miles de millones por la IA generativa, pero su adopción es lenta.  Empresas  como Microsoft, Google y Salesforce apuestan fuerte por la IA generativa, pero las tasas de adopción son muy inferiores a la inversión. Aquí explicamos por qué.
• Qué se necesita para que los proyectos piloto de GenAI escalen  : Alan Pelz-Sharpe, Rebecca Hinds y Craig Durr se unen a Three Dots para analizar por qué las ganancias de productividad individual con GenAI no se han extendido a toda la organización.
• Por qué Recursos Humanos y TI deben unir fuerzas para que la IA tenga éxito  : la asociación pasada por alto en el centro de la adopción real de la IA.

Acerca del autor

David es un periodista europeo con 35 años de experiencia que ha dedicado los últimos 15 años al seguimiento del desarrollo de las tecnologías en el lugar de trabajo, desde los inicios de la gestión documental, la gestión de contenido empresarial y los servicios de contenido. Actualmente, con el desarrollo de nuevos modelos de trabajo remoto e híbrido, cubre la evolución de las tecnologías que facilitan la colaboración, la comunicación y el trabajo, y recientemente ha dedicado mucho tiempo a explorar los amplios alcances de la IA, la IA generativa y la IA general.

Fuente: https://www.reworked.co/digital-workplace/generative-ai-adoption-top-down-or-bottom-up/