La IA empresarial obliga a los ejecutivos a equilibrar velocidad y control

Google News destacó una opinión de Calcalist que aborda un conflicto al que ahora se enfrentan muchos ejecutivos: la IA empresarial exige urgencia, pero su adopción exitosa sigue siendo obstinadamente gradual.

La publicación de Google News presenta el propio proceso como el problema central de gestión. Ese enfoque desafía un conocido manual ejecutivo basado en plazos, programas centralizados y despliegues rápidos en toda la empresa.

Los proveedores de IA describen cada vez más un futuro más veloz basado en asistentes y agentes autónomos. Los compradores empresariales, sin embargo, siguen enfrentándose a datos fragmentados, retornos inciertos, resistencia de los empleados, revisiones de seguridad y flujos de trabajo diseñados mucho antes de la llegada de la IA generativa.

Este no es otro debate sobre si las empresas deberían adoptar IA. La pregunta relevante es cómo pueden los ejecutivos avanzar con rapidez sin convertir la experimentación en un riesgo operativo descontrolado.

La respuesta que surge de los datos actuales de adopción no es solo cautela ni solo aceleración. Las empresas necesitan un modelo operativo por etapas que amplíe la autoridad únicamente después de que un sistema se gane la confianza mediante un rendimiento medido.

Google News convierte un ensayo de gestión en una advertencia más amplia

El cambio importante no es el lanzamiento de un nuevo modelo, sino una definición más precisa del problema ejecutivo.

El titular de Calcalist describe la IA empresarial como un proceso gradual y pide a los ejecutivos que la gestionen en consecuencia. Ese argumento llega mientras las empresas pasan de la experimentación de los empleados a sistemas conectados con datos internos y herramientas operativas.

La adopción temprana de IA generativa fue relativamente fácil de contener. Un empleado podía resumir un documento, redactar un correo electrónico o generar código, manteniendo la responsabilidad sobre el resultado final.

Esas interacciones producían resultados visibles sin exigir a la empresa rediseñar un proceso completo. También permitían a los ejecutivos tratar la IA como otra función de software, en lugar de como una nueva capa operativa.

Ese límite está desapareciendo. Los nuevos sistemas empresariales pueden buscar en repositorios internos, recuperar registros de clientes, activar aplicaciones, redactar decisiones y coordinar varios pasos a lo largo de un flujo de trabajo.

Un agente de IA es un software que persigue un objetivo definido mediante múltiples acciones, a menudo utilizando modelos, fuentes de datos y herramientas externas. Su valor crece con el acceso, pero también su capacidad de causar daños.

Este cambio convierte la adopción de IA de una cuestión de compras en una cuestión de gestión. Elegir un modelo importa menos cuando el desafío más profundo implica autoridad, rendición de cuentas y diseño de flujos de trabajo.

Un modelo puede producir una respuesta impresionante durante una demostración controlada. Los sistemas de producción también deben respetar permisos, conservar registros, gestionar excepciones y comportarse de manera coherente en miles de solicitudes habituales.

Esa diferencia explica por qué las empresas pueden informar de un uso generalizado de IA mientras muestran un impacto financiero limitado a nivel empresarial. La productividad individual no se traduce automáticamente en una mejora del resultado operativo.

La encuesta de IA de 2025 de McKinsey reveló que solo el 39 por ciento de los encuestados informó de un impacto de la IA en las ganancias a nivel empresarial. La transición de pilotos a valor a escala seguía incompleta en la mayoría de las organizaciones.

La brecha no demuestra que todos los pilotos hayan fracasado. Muestra que las herramientas útiles pueden extenderse más rápido que los cambios organizativos necesarios para convertirlas en un rendimiento empresarial medible.

Google News importa aquí como capa de descubrimiento, no como originador del argumento. Eleva un ensayo de gestión a un flujo más amplio de lanzamientos de modelos, anuncios de financiación y afirmaciones sobre adopción.

Ese contraste resulta instructivo. Las nuevas capacidades de los modelos atraen atención, pero los resultados ejecutivos dependen de los sistemas que rodean al modelo.

Un asistente útil puede ahorrar a un empleado varios minutos. Un flujo de trabajo de producción debe demostrar si esos minutos mejoran los ingresos, los costes, la calidad, el riesgo o la experiencia del cliente.

Por tanto, los ejecutivos deben distinguir tres logros diferentes. El acceso significa que los empleados pueden utilizar IA. La adopción significa que la utilizan de forma repetida. La integración significa que la tecnología cambia cómo fluye el trabajo dentro de la empresa.

Muchas organizaciones han alcanzado la primera etapa. Menos han completado la segunda, mientras que la tercera exige decisiones sobre funciones, controles, datos e incentivos.

El proceso gradual comienza por reconocer esas distinciones. Sin ellas, los líderes confunden la activación de cuentas con la adopción, y la adopción con la transformación.

Ese error fomenta un despliegue amplio antes de que los equipos sepan qué significa el éxito. También crea una cartera de experimentos desconectados que compiten por datos, financiación y soporte técnico.

Por ello, el lenguaje moderado del titular es más trascendental de lo que parece. La adopción gradual no significa una adopción pasiva. Significa aumentar el alcance basándose en evidencia explícita.

Una empresa puede avanzar con rapidez dentro de cada etapa y, al mismo tiempo, negarse a saltarse las puertas entre etapas. Ese enfoque mantiene la urgencia sin otorgar a un modelo más autoridad de la que la organización puede supervisar con seguridad.

La presión recae sobre los líderes operativos, no solo sobre los CIO

La IA empresarial hace responsables a los líderes de negocio de rediseñar el trabajo, incluso cuando los equipos tecnológicos son propietarios de la plataforma.

Los directores de información suelen establecer modelos aprobados, controles de seguridad, conexiones de datos y estándares de proveedores. Esas responsabilidades siguen siendo esenciales, pero no pueden definir cómo debería cambiar cada proceso empresarial.

Un líder de ventas sabe qué recomendaciones de cuentas requieren revisión humana. Un ejecutivo de siniestros entiende cuándo un caso inusual necesita una escalada. Un líder jurídico puede identificar decisiones que exigen razonamientos documentados.

Son juicios operativos, no configuraciones de infraestructura. La adopción de IA empresarial se estanca cuando los líderes de negocio los delegan por completo en los equipos tecnológicos.

La presión también alcanza a los directores financieros. Las empresas necesitan líneas de base antes de poder calcular si un sistema de IA mejora el rendimiento.

Un piloto podría reducir el tiempo de redacción y, al mismo tiempo, aumentar el tiempo de revisión. Otro sistema podría cerrar casos más rápido, pero generar más apelaciones o quejas de clientes.

Ninguno de los dos resultados es visible únicamente mediante estadísticas de uso. Los ejecutivos necesitan métricas de resultados que reflejen el proceso, no solo el modelo.

IBM informó que el 65 por ciento de los CEO encuestados priorizaba los casos de uso de IA según las expectativas de retorno. Su estudio de CEO también concluyó que el 68 por ciento afirmó que sus organizaciones contaban con métricas claras de retorno de la innovación.

Estas cifras reflejan la intención ejecutiva, no resultados auditados de forma independiente. Aun así, muestran que la responsabilidad financiera se está acercando al centro de la estrategia de IA.

La presión se extiende a recursos humanos porque la adopción cambia los puestos de trabajo antes de eliminar o crear cargos formales. Los empleados pueden dedicar menos tiempo a producir primeros borradores y más a revisar, corregir y combinar información.

Esa transición exige nuevas expectativas. Un trabajador que supervisa resultados de IA necesita conocimiento del área, hábitos de verificación y autoridad para rechazar una respuesta rápida pero poco fiable.

La formación no puede detenerse en ejemplos de prompts. Los empleados deben comprender los datos aprobados, los usos prohibidos, las reglas de escalada y las consecuencias de aceptar un resultado incorrecto.

Los directivos también necesitan una forma de identificar el trabajo oculto. Los sistemas de IA pueden reducir el tiempo visible de producción al tiempo que desplazan el esfuerzo hacia la comprobación de fuentes, la corrección de formatos o la resolución de fallos inusuales.

Si esas tareas siguen sin medirse, los ejecutivos pueden sobrestimar la productividad. También pueden provocar agotamiento al asumir que cada minuto ahorrado se convierte en capacidad disponible.

Los líderes de seguridad y cumplimiento se enfrentan a un desafío relacionado. Un chatbot independiente presenta un perfil de riesgo, mientras que un agente conectado a datos de clientes y sistemas operativos presenta otro.

El segundo sistema puede exponer información mediante una recuperación incorrecta, permisos excesivos o acciones mal controladas. También puede crear registros que la organización debe conservar y auditar.

Por eso, la forma en que los ejecutivos gestionan la IA no puede reducirse a elegir un comité directivo. La rendición de cuentas debe acompañar a cada flujo de trabajo desplegado.

Cada caso de uso en producción necesita un responsable de negocio, un responsable técnico y un responsable de riesgos. Una persona puede ocupar más de una función, pero las responsabilidades deben seguir siendo visibles.

El responsable de negocio define el resultado deseado y las excepciones aceptables. El responsable técnico gestiona el comportamiento del sistema, las integraciones, la supervisión y la recuperación.

El responsable de riesgos determina los controles y revisiones necesarios. Juntos, deciden si el sistema se ha ganado un alcance más amplio.

Esta estructura también evita que el patrocinio ejecutivo se vuelva simbólico. Un líder sénior no debería limitarse a anunciar un programa de IA y esperar estadísticas de adopción.

El líder debe resolver los conflictos entre velocidad y control. Eso incluye decidir qué flujos de trabajo merecen inversión, qué riesgos exigen aprobación humana y qué experimentos deberían terminar.

Detener proyectos débiles forma parte de una gestión competente. Un proceso gradual se vuelve costoso cuando todos los pilotos sobreviven sin importar su rendimiento.

La disciplina de cartera importa porque la IA empresarial genera costes recurrentes en modelos, integración, evaluación, seguridad y soporte a empleados. Esos costes pueden permanecer ocultos mientras los equipos operan con presupuestos experimentales.

Por ello, los ejecutivos deberían revisar las iniciativas de IA como cambios operativos, en lugar de como proyectos tecnológicos aislados. Cada iniciativa necesita un proceso definido, una línea de base, un responsable, un plan de control y un resultado medible.

Ese estándar eliminará algunas demostraciones atractivas. También concentrará los recursos en sistemas capaces de producir valor duradero.

La verdadera disputa es entre autoridad por fases y transformación instantánea

La estrategia de IA empresarial más sólida amplía la autoridad del sistema por etapas, en lugar de tratar un piloto exitoso como permiso para una autonomía en toda la empresa.

La primera etapa es la asistencia personal. Los empleados piden a la IA que resuma, redacte, compare, clasifique o recupere información, mientras siguen siendo responsables de cada acción.

Esta etapa ofrece aprendizaje a bajo coste. Revela tareas comunes, carencias de datos, preocupaciones de los empleados y diferencias entre el uso ocasional y el valor repetible.

También conlleva una limitación. Las ganancias de productividad personal pueden quedar atrapadas en el nivel individual porque el flujo de trabajo circundante no cambia.

La segunda etapa introduce conocimiento compartido. La IA se conecta con fuentes internas aprobadas, respetando las reglas de acceso y conservando enlaces al material subyacente.

La generación aumentada por recuperación, a menudo denominada RAG, proporciona documentos relevantes a un modelo cuando responde a una solicitud. Puede mejorar el fundamento de las respuestas, pero no garantiza su corrección.

La calidad de la recuperación depende de la cobertura de las fuentes, los permisos, la indexación y la actualidad de los documentos. Una respuesta pulida aún puede omitir pruebas críticas o combinar registros incompatibles.

Las empresas en esta etapa necesitan conjuntos de evaluación basados en preguntas reales de los empleados. Deberían comprobar si el sistema recupera la fuente correcta antes de evaluar el estilo de su respuesta.

Una base de conocimiento con capacidad de búsqueda puede respaldar este trabajo cuando la propiedad y el acceso a la información se mantienen claros. Por sí sola, no puede solucionar procesos sin documentar ni políticas contradictorias.

La tercera etapa incorpora la IA a un flujo de trabajo definido. Un sistema puede preparar una respuesta al cliente, clasificar una solicitud o reunir evidencia para una decisión humana.

Aquí, la empresa debe medir todo el proceso. Las métricas relevantes incluyen el tiempo de finalización, las tasas de corrección, las escaladas, los resultados para los clientes y el esfuerzo de los revisores.

Los ejecutivos deben resistirse a las afirmaciones generales sobre horas ahorradas. El tiempo tiene valor económico solo cuando la organización sabe cómo los empleados utilizan la capacidad liberada.

La cuarta etapa otorga ejecución acotada. El sistema puede completar acciones específicas dentro de límites predeterminados y deriva las excepciones a un responsable humano.

La ejecución acotada difiere de la autonomía abierta. El sistema recibe herramientas definidas, permisos limitados, límites de transacción y condiciones explícitas para detenerse.

Este es el punto en el que la autoridad por fases cobra mayor importancia. Un modelo que redacta una respuesta no equivale a un sistema que la envía, modifica un registro o compromete recursos.

La quinta etapa implica una orquestación más amplia entre sistemas. Pocas organizaciones deberían comenzar allí, porque los fallos se vuelven más difíciles de detectar y revertir.

Un agente orquestador puede coordinar tareas entre departamentos, pero también cruza límites de datos y responsabilidades organizativas. Cada conexión amplía la superficie potencial de fallo.

El Work Trend Index de Microsoft informó que el 81 por ciento de los líderes encuestados esperaba incorporar agentes a sus estrategias de IA en un plazo de 12 a 18 meses. La investigación abarcó a 31.000 trabajadores de 31 países.

Esa expectativa genera presión para saltarse etapas. Los ejecutivos pueden temer que los competidores rediseñen primero las operaciones y establezcan una ventaja duradera.

Sin embargo, la velocidad surge de acortar un ciclo de retroalimentación disciplinado, no de eliminarlo. Un flujo de trabajo acotado puede pasar rápidamente de las pruebas a producción cuando los responsables y las métricas están claros.

El enfoque opuesto lanza varios programas amplios sin estándares comunes de evaluación. Parece ambicioso, pero genera revisiones lentas, integraciones duplicadas y responsabilidades sin resolver.

La autoridad por fases ofrece un compromiso práctico. Los sistemas reciben más acceso solo después de cumplir requisitos definidos de calidad, seguridad, adopción y valor económico.

Cada etapa debe tener una prueba de salida. La asistencia personal necesita evidencia de un comportamiento útil y repetido. El conocimiento compartido necesita calidad de recuperación y precisión de permisos.

La integración en flujos de trabajo necesita resultados de proceso fiables. La ejecución acotada necesita un manejo seguro de excepciones, capacidad de auditoría y procedimientos de recuperación probados.

Estas puertas de control deben reflejar las consecuencias del fallo. Una herramienta interna de lluvia de ideas puede tolerar más incertidumbre que un sistema implicado en decisiones crediticias, sanitarias, laborales o legales.

Por tanto, el recorrido gradual no es un calendario universal. Es una secuencia de permisos ganados y adaptados a cada caso de uso.

Un departamento puede alcanzar la ejecución acotada en pocos meses. Otro puede permanecer en la toma de decisiones asistida porque sus errores conllevan mayores consecuencias humanas o regulatorias.

La dirección ejecutiva debe proteger esa variación. Un mandato para toda la empresa puede estandarizar plataformas y controles sin obligar a cada proceso a adoptar el mismo nivel de autonomía.

Este enfoque también mantiene a los proveedores en perspectiva. Los proveedores de modelos, las empresas de nube y las plataformas de software compiten por convertirse en la capa de control empresarial.

Sus hojas de ruta enfatizan de forma natural una capacidad más amplia. El comprador debe decidir si esas capacidades resuelven un problema de proceso medido en condiciones aceptables.

La comparación relevante no es simplemente Google frente a Microsoft, OpenAI, Anthropic u otro proveedor de modelos. Las empresas suelen utilizar varios proveedores para distintas tareas.

La competencia más profunda se da entre filosofías de despliegue. Una trata la IA como una transformación que debe anunciarse. La otra trata la autoridad como algo que un sistema debe ganarse.

Lo que el recorrido gradual no resuelve

El despliegue por etapas reduce la exposición, pero no puede eliminar la incertidumbre sobre el comportamiento de los modelos, la adopción por parte de los empleados, la calidad de los datos o los retornos económicos.

Los ejecutivos deberían preguntarse primero si un piloto representa las condiciones de producción. Las demostraciones suelen utilizar datos seleccionados, usuarios atentos y acceso limitado a los sistemas.

La producción trae solicitudes incompletas, registros desactualizados, casos inusuales, demanda simultánea y usuarios que interpretan las instrucciones de forma diferente. Esas condiciones exponen fallos que las pruebas controladas no detectan.

Un equipo puede mejorar su proceso de evaluación recopilando tareas representativas y definiendo respuestas aceptables. También debería probar entradas dañinas, ambiguas y adversariales.

Aun así, ningún conjunto de evaluación cubre todos los eventos de producción. La supervisión y la recuperación siguen siendo necesarias después del lanzamiento.

La segunda incertidumbre se refiere a los datos. La IA empresarial depende de información que puede estar duplicada, desactualizada, restringida o almacenada sin una propiedad coherente.

Conectar más fuentes puede hacer que un sistema parezca informado mientras aumenta las contradicciones. La calidad de recuperación no puede superar la capacidad de la organización para mantener su conocimiento.

Esto genera una incómoda inversión. Los programas de IA anunciados como soluciones para información fragmentada a menudo revelan cuán fragmentada ya estaba esa información.

Las empresas deberían tratar ese descubrimiento como evidencia operativa, no como una razón para ocultar un rendimiento deficiente. La falta de responsables y las políticas incoherentes requieren decisiones de gestión ajenas al modelo.

La tercera incertidumbre se refiere al comportamiento humano. Los empleados pueden ignorar una herramienta aprobada, utilizar alternativas no autorizadas o aceptar resultados con demasiada facilidad.

Los datos de adopción por sí solos no pueden distinguir entre una dependencia productiva y una dependencia descuidada. Un elevado número de interacciones puede reflejar valor real, curiosidad o intentos repetidos de corregir respuestas deficientes.

Los líderes necesitan comentarios cualitativos junto con las métricas del sistema. Deben preguntar dónde la IA elimina fricción, dónde añade trabajo de revisión y dónde los empleados la evitan por completo.

La cuarta incertidumbre se refiere a la rendición de cuentas. La revisión humana parece tranquilizadora, pero puede convertirse en una formalidad cuando los revisores afrontan grandes volúmenes o asumen que el modelo suele tener razón.

El sesgo de automatización se produce cuando las personas depositan una confianza excesiva en las recomendaciones automatizadas. Se vuelve más probable cuando los resultados parecen seguros y la revisión se vuelve repetitiva.

Una supervisión significativa requiere tiempo, evidencia y la autoridad para cuestionar al sistema. Una casilla de verificación no crea control humano.

La quinta incertidumbre es financiera. El uso de modelos representa solo una parte del coste.

Las empresas también pagan por preparación de datos, integración, seguridad, evaluación, supervisión, apoyo a los empleados y rediseño de procesos. Estos costes aumentan a medida que los sistemas se acercan a las operaciones principales.

Los ejecutivos deberían comparar la economía total del proceso antes y después del despliegue. Deberían incluir la gestión de errores, el esfuerzo de revisión y el coste de los incidentes.

Un proyecto puede seguir siendo valioso sin reducir la plantilla. Podría mejorar la calidad de respuesta, aumentar la capacidad, reducir la exposición al cumplimiento normativo o permitir que los especialistas se encarguen de un trabajo más complejo.

El caso de negocio simplemente debe indicar qué resultado importa. Las referencias vagas a la productividad hacen que la evaluación posterior sea casi imposible.

Los marcos de gobernanza pueden ayudar a las organizaciones a estructurar estas decisiones. El marco de riesgos de IA de NIST organiza el trabajo en torno a gobernar, mapear, medir y gestionar los riesgos de IA.

NIST también publicó un perfil de IA generativa en julio de 2024. Aborda riesgos específicos de los sistemas generativos y propone acciones que las organizaciones pueden adaptar a sus circunstancias.

Un marco no aprueba un caso de uso. Ofrece a los ejecutivos un lenguaje común para la propiedad, la medición, el tratamiento del riesgo y la revisión continua.

Ese lenguaje se vuelve más valioso a medida que distintos equipos adoptan diferentes modelos. Sin él, cada departamento puede desarrollar su propia definición de calidad y control aceptables.

El recorrido gradual tampoco garantiza que las empresas más lentas alcancen a los rivales más rápidos. La disciplina puede convertirse en demora cuando las revisiones carecen de plazos o responsables.

Los ejecutivos deberían definir niveles de servicio para las aprobaciones y poner controles reutilizables a disposición de los equipos de proyecto. Las herramientas de evaluación estandarizadas, los patrones de acceso y el registro pueden acelerar un despliegue seguro.

La gobernanza centralizada debe establecer límites, no diseñar manualmente cada flujo de trabajo. Los equipos de negocio necesitan margen para experimentar dentro de esos límites y vías claras para solicitar un acceso más amplio.

Por tanto, un modelo operativo sólido combina estándares centralizados con propiedad descentralizada de los casos de uso. Evita tanto la experimentación sin control como un cuello de botella permanente de aprobaciones.

La conclusión escéptica es sencilla. La adopción gradual no es inherentemente más segura, más barata ni más eficaz.

Produce mejores resultados solo cuando cada etapa genera evidencia y modifica la siguiente decisión. De lo contrario, gradual se convierte en otra palabra para una cartera interminable de pilotos.

Tres señales mostrarán si la IA empresarial está madurando

La siguiente fase debe evaluarse mediante resultados de los flujos de trabajo, autoridad controlada de los agentes y adopción medible por parte de los empleados, en lugar de por el volumen de anuncios.

La primera señal es un cambio de las métricas de uso a las métricas de proceso. Las empresas han pasado varios años contando licencias, prompts, usuarios activos y lanzamientos de pilotos.

Esas cifras ayudan a medir el acceso, pero no demuestran valor operativo. Los programas maduros informarán cambios en el tiempo de finalización, la calidad, los ingresos, el coste, las excepciones y los resultados para los clientes.

Los ejecutivos deberían buscar una medición coherente entre unidades de negocio. Si cada equipo define el valor de manera diferente, la dirección no podrá comparar inversiones ni detener proyectos más débiles.

La evidencia más sólida conectará el resultado de un sistema con una referencia establecida. También revelará el trabajo de revisión, las tasas de error y otros costes generados por el despliegue.

Si las empresas empiezan a informar internamente de estas medidas, el recorrido gradual ganará credibilidad. Si siguen enfatizando el acceso y la experimentación, el impacto empresarial seguirá siendo incierto.

La segunda señal es si los agentes reciben autoridad acotada con controles visibles. Los anuncios de productos seguirán prometiendo sistemas que planifican y actúan entre aplicaciones.

La madurez empresarial aparecerá cuando las compañías especifiquen qué puede hacer un agente, qué no puede hacer y cuándo debe detenerse. El diseño de permisos importará más que una etiqueta amplia de autonomía.

Preste atención a casos de producción acotados con límites de transacción claros, rutas de escalada y registros de auditoría. Esos despliegues ofrecen una evidencia más sólida que las demostraciones que abarcan muchas tareas definidas de forma imprecisa.

La gestión de incidentes será igual de reveladora. Las organizaciones maduras probarán procedimientos de reversión y definirán quién toma el control cuando un agente se comporta de forma inesperada.

Si los despliegues de agentes se expanden sin una inversión comparable en evaluación y recuperación, se intensificará el conflicto entre velocidad y control. Un incidente grave podría llevar a las organizaciones de vuelta a una asistencia restringida.

La tercera señal es si los empleados cambian los flujos de trabajo en lugar de limitarse a añadir otra interfaz. La adopción sostenible aparece cuando los equipos dejan de duplicar trabajo fuera del sistema aprobado.

Ese cambio requiere confianza, formación y acceso fiable al contexto adecuado. También exige que los gerentes rediseñen los roles en torno a la verificación, el juicio y la gestión de excepciones.

Los ejecutivos deberían examinar el uso repetido por equipos específicos, no los promedios de toda la empresa. Un flujo de trabajo exitoso suele comenzar con un grupo concentrado que afronta un problema claro y frecuente.

También deberían vigilar el abandono. La caída del uso tras un lanzamiento entusiasta suele indicar una precisión insuficiente, una integración deficiente o inquietudes no resueltas sobre cómo se evaluarán los resultados.

Google News seguirá mostrando previsiones optimistas, nuevas plataformas de agentes, advertencias de ejecutivos e historias de trabajadores que se adaptan a la IA. El volumen de cobertura no resolverá la cuestión de gestión.

La evidencia significativa procederá de las empresas que demuestren cómo se amplía la autoridad después de mejorar el rendimiento. Su ventaja será un sistema operativo para la adopción, no el acceso a un único modelo exclusivo.

Para los ejecutivos, la medida inmediata es elegir un flujo de trabajo relevante y documentar su rendimiento actual. Identifiquen a sus responsables de negocio, técnicos y de riesgos antes de seleccionar una arquitectura de IA más amplia.

Después, definan qué puede recomendar el sistema, qué puede ejecutar y qué condiciones exigen intervención humana. Midan el flujo de trabajo completo, incluidos los costes de revisión y de gestión de excepciones.

Este enfoque parecerá más lento que anunciar una transformación empresarial. Avanzará más rápido que reparar un sistema que llegó a producción sin una responsabilidad claramente definida.

El enfoque de Calcalist destacado a través de Google News acierta en el punto central: la IA empresarial es un recorrido. La conclusión más difícil es que los ejecutivos deben diseñar cada puerta de control a lo largo de la ruta.

Por tanto, la próxima discusión del consejo debería comenzar con una pregunta concreta: ¿qué sistema de IA se ha ganado una mayor autoridad y qué evidencia justifica concedérsela?