El estudio de Verkada expone la brecha de adopción de IA en la seguridad física

Verkada ha puesto de manifiesto un conflicto llamativo en el ciclo de noticias de Google News: los responsables de seguridad esperan que la IA transforme su trabajo, pero la adopción sigue siendo desigual y cautelosa.

El titular refleja un cambio más amplio en la seguridad física. Los proveedores están dejando atrás el video grabado para avanzar hacia sistemas que identifican eventos, priorizan alertas, reconstruyen incidentes e inician respuestas. Sin embargo, los compradores aún necesitan pruebas de que estas herramientas son precisas, gobernables y compatibles con sus operaciones actuales.

Esta brecha somete a Verkada y a otros proveedores de plataformas a presión. Deben convertir el interés por la IA en uso cotidiano sin restar importancia a las preocupaciones sobre privacidad, ciberseguridad, falsas alertas o dependencia del proveedor. Genetec, Ambient.ai y proveedores consolidados de gestión de video presentan propuestas competidoras sobre cómo debería producirse esta transición.

Por tanto, la noticia no es simplemente que los equipos de seguridad quieran IA. Llevan años manifestando ese interés. La verdadera historia es que las expectativas avanzan más rápido de lo que muchas organizaciones pueden rediseñar sus flujos de trabajo, políticas y estructuras de rendición de cuentas.

Lo que realmente cambia el titular de Verkada en Google News

La atención reciente desplaza el debate de si la IA importa a si los equipos de seguridad pueden utilizarla de forma fiable todos los días.

La publicación original de Google News dirige a los lectores a información sobre un estudio de Verkada y una brecha de adopción de IA. Google News es un agregador, por lo que su titular es una señal de descubrimiento y no evidencia primaria. Los materiales de la encuesta subyacente importan más que la propia publicación.

Por separado, Verkada ha promocionado un evento titulado “AI in Physical Security: What 2,700 Leaders Say Is Delivering Now and What’s Next.” Su webinar sobre seguridad con IA estaba programado para el 30 de julio de 2026 y planteaba el debate en torno a los resultados actuales de miles de responsables.

Ese enfoque es importante, pero la publicación pública del webinar ofrece una metodología limitada. No identifica la distribución geográfica de los encuestados, el tamaño de las organizaciones, las funciones laborales ni las preguntas exactas de la encuesta. Estos detalles condicionan hasta qué punto los lectores pueden generalizar con confianza cualquier hallazgo.

Un estudio anterior de Verkada aporta una referencia documentada. La empresa encargó a The Harris Poll una encuesta a 1.518 responsables de TI y seguridad física para su informe State of Cloud Physical Security de 2024.

Según el estudio sobre seguridad en la nube, el 92% de los encuestados estuvo de acuerdo en que el futuro de la seguridad física estaba en la nube. Entre las organizaciones que no habían completado la transición, el 86% planeaba avanzar hacia una implementación en la nube.

La misma investigación concluyó que el 75% esperaba realizar una transición a la nube en un plazo de 12 meses. El noventa y seis por ciento esperaba hacerlo en 18 meses. Estas intenciones mostraban un entusiasmo considerable por la modernización.

Sin embargo, las intenciones de compra no se convierten automáticamente en implementaciones finalizadas. La migración a la nube puede requerir sustituciones de cámaras, cambios de red, integración de identidades, planificación de la retención, formación del personal y nuevos procedimientos de respuesta a incidentes.

El informe de 2024 también halló que el 82% esperaba que la analítica de video basada en IA tuviera un impacto moderado o importante en la seguridad física. Ese resultado medía el impacto previsto, no una adopción operativa verificada.

La distinción es fundamental para la historia actual. Un responsable puede creer que la IA será importante sin confiar en ella para generar alarmas, identificar personas o activar una intervención.

Los equipos de seguridad también utilizan la palabra “IA” para capacidades diferentes. La clasificación básica de movimiento, el reconocimiento de matrículas, la búsqueda de video en lenguaje natural, la analítica predictiva y la respuesta autónoma implican riesgos muy distintos.

Un equipo que utiliza la detección de objetos para filtrar video grabado no necesariamente ha adoptado la IA para la toma de decisiones en tiempo real. Del mismo modo, una prueba en una ubicación no establece una implementación en toda la organización.

Por ello, el debate más reciente de Verkada crea una prueba de presión útil. Los proveedores deben definir qué se considera adopción y distinguir los experimentos del uso en producción.

Los clientes necesitan más que un inventario de funciones. Necesitan evidencia de si la IA mejora la detección, reduce el tiempo de investigación, limita las falsas alertas y respalda decisiones defendibles en condiciones operativas reales.

Sin esas definiciones, una encuesta amplia puede producir un titular impactante sobre una brecha de adopción sin revelar dónde se estanca realmente la implementación. La falta de detalle no es una razón para descartar el hallazgo. Es la razón para examinarlo con cuidado.

Los responsables de seguridad quieren IA antes de que sus operaciones estén preparadas

La brecha de adopción en la seguridad física es principalmente un problema operativo, no una escasez de algoritmos disponibles.

Los entornos de seguridad modernos generan más información de la que los operadores pueden revisar de forma continua. Las cámaras, los controladores de puertas, las alarmas, los intercomunicadores, los sensores ambientales y los sistemas de visitantes generan cada uno flujos de actividad independientes.

La IA promete filtrar esos flujos. Puede señalar a una persona que entra en una zona restringida, priorizar movimientos inusuales, vincular un evento de acceso con video o localizar grabaciones coincidentes entre cámaras.

Estas capacidades abordan una limitación real. Los operadores humanos no pueden prestar la misma atención a cada cámara o alarma. El objetivo práctico es dirigir su atención hacia los eventos que requieren criterio.

Sin embargo, un algoritmo que identifica un evento es solo un componente de un proceso de seguridad. Las organizaciones deben decidir quién recibe la alerta, con qué rapidez responde y qué evidencia conserva.

También necesitan reglas de escalamiento. Una persona detectada cerca de un área de carga puede indicar un robo, un empleado autorizado, un contratista o un simple error de clasificación.

Si los equipos no rediseñan los flujos de trabajo en torno a esas posibilidades, la IA solo produce otra cola. La tecnología aumenta el volumen de señales sin mejorar la decisión final.

El problema se vuelve más difícil en múltiples ubicaciones. Un minorista, una red hospitalaria, un sistema escolar o un fabricante pueden tener distintos niveles de personal, distribuciones, riesgos y obligaciones legales en cada instalación.

Un modelo que funciona de forma adecuada en un vestíbulo controlado podría tener dificultades en un estacionamiento concurrido. La iluminación, el clima, la ubicación de las cámaras, los uniformes y los cambios en los planos de planta pueden afectar los resultados.

Por ello, los responsables de seguridad deben evaluar los sistemas en su contexto. La precisión comunicada por un proveedor no demuestra precisión en todos los entornos de sus clientes.

La propiedad organizativa puede ser igual de poco clara. La seguridad física puede seleccionar las cámaras, mientras que TI gestiona las redes y los sistemas de identidad. Los equipos legales y de privacidad pueden controlar los usos aceptables del análisis facial o conductual.

Recursos humanos también puede intervenir cuando la analítica de video afecta a investigaciones laborales o a la supervisión de empleados. A continuación, compras debe evaluar el tratamiento de datos, los controles contractuales y la viabilidad a largo plazo del proveedor.

Esto genera una vía de aprobación más lenta que una simple prueba de software. La IA para seguridad física observa a personas reales en lugares reales, a menudo sin que esas personas tengan la oportunidad de excluirse.

Las consecuencias también pueden ser inmediatas. Un resumen erróneo de un documento puede corregirse más tarde. Un escalamiento de seguridad erróneo puede interrumpir el trabajo, involucrar a las fuerzas del orden o centrar injustamente la atención en una persona.

Esa diferencia explica por qué el entusiasmo y la implementación pueden coexistir en niveles muy distintos. Los responsables de seguridad ven un valor claro, pero también asumen responsabilidad por los errores.

La transición a la nube añade otra dependencia. Las funciones de IA suelen funcionar mejor cuando los dispositivos, los metadatos, los registros de identidad y las herramientas de gestión comparten una plataforma común.

El modelo de Verkada pone el énfasis en un sistema integrado gestionado desde la nube. La empresa combina seguridad por video, control de acceso, alarmas, intercomunicadores, sensores y gestión de visitantes dentro de su plataforma Command.

La integración puede reducir el trabajo necesario para conectar una alarma con las grabaciones relevantes. También puede otorgar a un único proveedor un papel mayor dentro de la arquitectura de seguridad de un cliente.

Para los compradores, esto es tanto una ventaja como una fuente de cautela. Un sistema unificado puede simplificar las operaciones, pero la migración y el cambio de proveedor adquieren mayor relevancia.

Por eso la brecha de adopción no puede cerrarse añadiendo otro botón de IA. Las organizaciones necesitan gobernanza, planificación de integración, formación de operadores y criterios de aceptación medibles.

Estos requisitos ralentizan la implementación, pero también protegen a la organización de ampliar un proceso poco fiable. En seguridad física, una adopción deliberada no es necesariamente una adopción fallida.

El conflicto principal es la ambición de los proveedores frente a la confianza de los compradores

Verkada vende un modelo de seguridad más proactivo, mientras que los compradores aún necesitan controlar cómo las máquinas influyen en las respuestas humanas.

Históricamente, las plataformas de seguridad física ayudaban a las organizaciones a registrar eventos e investigarlos después. Los proveedores de IA sostienen ahora que los sistemas pueden detectar riesgos antes y coordinar acciones antes de que un incidente escale.

Verkada ha descrito esta dirección como una transición de la supervisión reactiva hacia la seguridad proactiva. Su estrategia de producto incluye búsqueda de video en lenguaje natural, alertas conectadas, herramientas de disuasión y cronologías de incidentes unificadas.

La búsqueda en lenguaje natural permite a un operador describir a una persona, un vehículo o un evento utilizando palabras corrientes. El sistema intenta entonces localizar las grabaciones coincidentes sin exigir que el usuario revise cada cámara manualmente.

Una cronología unificada reúne las grabaciones relacionadas en orden cronológico. Esto puede reducir el trabajo manual necesario para reconstruir movimientos entre varias cámaras.

La disuasión impulsada por IA va más allá. Conecta la detección con una intervención, como una advertencia de audio u otra respuesta configurada. Esto reduce la distancia entre la clasificación y la acción.

Cada paso añade valor operativo, pero cada paso también eleva el coste de un error. Un mal resultado de búsqueda desperdicia tiempo. Una mala respuesta automatizada puede afectar a una persona de inmediato.

Esa progresión convierte la confianza en el requisito decisivo del producto. Los compradores deben entender qué detecta el sistema, cómo clasifica la confianza y en qué puntos los humanos conservan la autoridad.

Verkada no está sola en la búsqueda de este mercado. El informe State of Physical Security 2026 de Genetec recogió respuestas de 7.368 profesionales de seis regiones globales.

La empresa determinó que el interés por la adopción de IA entre los usuarios finales se había más que duplicado respecto al año anterior. La IA también se situó junto al control de acceso y la videovigilancia como una prioridad principal de proyectos.

Al mismo tiempo, el 70% expresó preocupación por la forma en que se diseñaban e implementaban los sistemas de IA. Los encuestados mencionaron específicamente el uso de datos y la comprensión de cómo funciona la IA.

Estos hallazgos de la encuesta global refuerzan la tensión tras el titular de Verkada. La demanda aumenta, pero la preocupación no desaparece a medida que los productos mejoran.

Genetec también informó de que más del 70% de los encuestados utilizaba sistemas unificados o integrados. El sesenta por ciento identificó la integración de nuevas capacidades como su principal razón para sustituir tecnología heredada.

Esa evidencia sugiere que los compradores sí quieren consolidación. No significa que todas las organizaciones quieran una arquitectura exclusivamente en la nube o un único proveedor que controle cada capa.

Genetec enfatiza implementaciones flexibles que abarcan entornos locales, en la nube e híbridos. La identidad de Verkada está más estrechamente vinculada a hardware y software gestionados desde la nube que operan conjuntamente.

Esto crea una elección estratégica importante. Una vía prioriza una plataforma de proveedor estrechamente integrada. Otra prioriza la flexibilidad arquitectónica y los modelos de despliegue mixtos.

Ninguno de los enfoques elimina la gobernanza de la IA. Un sistema abierto o híbrido puede introducir complejidad de integración. Una plataforma cloud unificada puede aumentar las preocupaciones por la concentración y el cambio de proveedor.

Los compradores deben decidir qué riesgos les resultan más fáciles de gestionar. Un equipo pequeño podría valorar una sola consola y actualizaciones automáticas. Una empresa regulada podría requerir mayor control sobre la ubicación de los datos y los límites del sistema.

La confianza a largo plazo también va más allá de la precisión del modelo. Genetec descubrió que el 73% de los usuarios finales consideraba importante la estabilidad del proveedor al evaluar soluciones.

Los indicadores de rendimiento del producto y precio le siguieron con un 45% y un 43%. Esa clasificación refleja la vida útil de la infraestructura de seguridad física.

Las cámaras y los sistemas de acceso no son aplicaciones desechables. Las organizaciones esperan que funcionen durante años, se integren con los procesos del edificio y sigan recibiendo soporte ante cambios en políticas y tecnología.

La IA complica esa expectativa porque los modelos y los servicios cloud pueden cambiar más rápido que el hardware instalado. Los clientes necesitan saber qué funciones se ejecutan localmente, cuáles requieren procesamiento en la nube y qué ocurre cuando cambian los servicios.

También necesitan vías de exportación para grabaciones, historiales de eventos y datos de identidad. Una plataforma de seguridad se vuelve difícil de reemplazar cuando las operaciones dependen de sus flujos de trabajo propietarios.

Por tanto, la principal competencia no es Verkada frente a un competidor concreto. Es la promesa del proveedor de automatización proactiva frente al requisito del comprador de contar con un control responsable.

Los proveedores que tratan la cautela como mera resistencia malinterpretarán el mercado. Los compradores no solo preguntan si la IA funciona. Preguntan si pueden justificar su uso.

Lo que las cifras de adopción aún no demuestran

El entusiasmo de las encuestas no puede establecer precisión, seguridad ni valor empresarial sin una metodología clara y evidencia operativa independiente.

El titular de google news da visibilidad pública a la brecha de adopción, pero no resuelve varias preguntas básicas de medición.

En primer lugar, el término «adopción» necesita un umbral. ¿Significa comprar una cámara con IA, activar una función analítica, realizar un piloto o utilizar IA en todas las instalaciones?

Una definición amplia puede hacer que la adopción parezca elevada. Una definición estricta de producción puede hacer que el mismo mercado parezca inmaduro.

En segundo lugar, la adopción no mide la frecuencia. Una empresa podría utilizar la búsqueda en lenguaje natural durante investigaciones poco frecuentes y mantener desactivada la detección en tiempo real.

En tercer lugar, la adopción no mide la calidad de los resultados. Una organización puede desplegar IA sin reducir incidentes, tiempos de respuesta, falsas alarmas o carga de trabajo investigativa.

En cuarto lugar, los encuestados podrían no saber qué funciones utilizan aprendizaje automático. La IA puede operar dentro de filtros de movimiento, herramientas de búsqueda, coincidencia de identidades o priorización de alertas sin aparecer como un producto independiente.

Esta incertidumbre ha aparecido en investigaciones anteriores del sector. Una encuesta de Pro-Vigil de 2024 incluyó a líderes de sectores como la construcción, el comercio minorista, la fabricación, los servicios públicos y los concesionarios de vehículos.

Solo el 6% de los encuestados afirmó saber que su estrategia de seguridad utilizaba IA. El setenta y uno por ciento dijo que no, mientras que el 23% no estaba seguro.

El estudio también descubrió que el 57% no sabía si la IA podía ayudar a detener incidentes de seguridad física. Esos hallazgos sobre adopción mostraron cómo el conocimiento limitado puede distorsionar el uso declarado.

Esa encuesta procedía de un proveedor de seguridad con un interés comercial en una adopción más amplia. Verkada y otros proveedores también se benefician cuando sus investigaciones respaldan la modernización.

El patrocinio comercial no invalida un estudio. Sí hace que la metodología, la redacción de las preguntas y las tablas de datos completas sean especialmente importantes.

Por tanto, los lectores deben distinguir entre tres tipos de evidencia. Las encuestas de proveedores miden actitudes declaradas. La telemetría del producto mide el uso real de las funciones. Los estudios operativos controlados miden los resultados.

Una afirmación creíble sobre adopción debería explicar qué categoría representa. Combinarlas puede hacer que una transición de mercado parezca más completa de lo que es.

La validación independiente es más importante para capacidades de alto impacto. La coincidencia facial, la detección de armas, el análisis conductual y la escalada automatizada requieren pruebas cuidadosas en condiciones realistas.

Los falsos negativos pueden dejar una amenaza sin detectar. Los falsos positivos pueden sobrecargar a los operadores o provocar intervenciones innecesarias.

El rendimiento también puede variar entre grupos demográficos, entornos y configuraciones de cámara. Un único porcentaje de precisión puede ocultar esas diferencias.

La privacidad introduce otra dimensión sin resolver. La IA de seguridad física puede inferir patrones sobre empleados, visitantes, clientes, estudiantes, pacientes o residentes.

Una organización podría comenzar con monitoreo de seguridad y más tarde utilizar los mismos datos para analizar la productividad. Esa ampliación cambia el propósito de la recopilación y las expectativas que la rodean.

La gobernanza debe abordar quién puede buscar en el vídeo, qué atributos pueden buscarse, cuánto tiempo permanecen disponibles los metadatos y cuándo puede compartirse la información.

El marco de riesgos de IA del National Institute of Standards and Technology ofrece una estructura general para gobernar, mapear, medir y gestionar los riesgos de la IA.

No es una certificación de producto ni prescribe una arquitectura concreta de seguridad física. Sin embargo, ofrece a los compradores un mejor punto de partida que basarse en la descripción de funciones de un proveedor.

La ciberseguridad es otra razón para la cautela. Las cámaras conectadas a internet y los sistemas de acceso se sitúan en el límite entre las redes digitales y los espacios físicos.

Una intrusión puede exponer grabaciones, controles de dispositivos, información de identidad o flujos de trabajo de acceso a edificios. La gestión centralizada puede mejorar la aplicación de parches, pero también crea un objetivo valioso.

Los compradores deben examinar el cifrado, la autenticación, el registro administrativo, las actualizaciones de software, la respuesta a vulnerabilidades y las pruebas de terceros. El rendimiento de la IA no puede compensar una seguridad de plataforma deficiente.

Las organizaciones también deben prepararse para cambios en los modelos. Un proveedor puede mejorar o sustituir un modelo analítico mediante una actualización de software.

Esa actualización podría cambiar el volumen de alertas o el comportamiento de clasificación. Los equipos de seguridad necesitan información sobre las versiones, procedimientos de prueba y formas de supervisar cambios inesperados.

La interpretación escéptica no es que la IA carezca de valor. La evidencia muestra una fuerte demanda y muchos usos prácticos.

La incertidumbre se refiere a la rapidez con que esos usos pueden convertirse en procesos institucionales fiables. Un producto puede ser técnicamente capaz antes de que una organización esté preparada operativamente.

Esa es la brecha de adopción que el sector debe medir. Se sitúa entre activar una función y aceptar la responsabilidad por las decisiones que siguen.

La IA de seguridad física pasa de la búsqueda a la respuesta

La siguiente fase conectará observaciones generadas por IA con acciones, lo que hará que la gobernanza sea más importante que el número de funciones.

Los primeros análisis de vídeo a menudo se centraban en la detección de movimiento, la clasificación de objetos o las búsquedas en grabaciones. Esos usos ayudaban a los operadores a encontrar material relevante después de un evento.

Los sistemas más nuevos combinan vídeo con registros de acceso, señales de alarma, intercomunicadores y datos ambientales. Esto permite a un operador investigar un evento en varios sistemas.

El valor es fácil de apreciar en una empresa con múltiples sedes. La apertura inusual de una puerta puede vincularse con vídeo, el movimiento de una persona y alarmas posteriores.

Un operador puede entonces revisar una secuencia conectada en lugar de alternar entre varias consolas. La IA puede ayudar a clasificar las pruebas y reducir el tiempo dedicado a reunirlas.

El comercio minorista ofrece otro caso práctico. Los equipos pueden investigar actividad fuera del horario laboral, eventos en zonas de carga, sospechas de robo o movimientos inusuales en varias tiendas.

Las instalaciones de fabricación pueden supervisar zonas restringidas, equipos de seguridad, movimiento de vehículos o condiciones ambientales. Las escuelas pueden utilizar alertas conectadas para evaluar eventos en entradas y zonas comunes.

Los entornos sanitarios presentan limitaciones diferentes. Los equipos de seguridad podrían necesitar una reconstrucción rápida de incidentes mientras protegen la privacidad de los pacientes y limitan el acceso a grabaciones sensibles.

Estos ejemplos muestran por qué los proveedores quieren plataformas unificadas. Cuantas más señales contextuales haya disponibles, más útil puede ser un resultado analítico.

También muestran por qué el despliegue es difícil. Un sistema útil necesita datos precisos, nomenclatura coherente, relojes fiables, una ubicación adecuada de las cámaras y responsables claramente asignados.

La dirección de la tecnología pasa de la observación a la orquestación. Un sistema de IA no se limita a identificar un evento. Propone o inicia el siguiente paso.

Las predicciones de Verkada para 2026 describieron la IA agéntica como un socio activo para los operadores. La IA agéntica se refiere a sistemas diseñados para perseguir un objetivo mediante múltiples acciones, en lugar de producir una predicción aislada.

En seguridad, esto podría implicar identificar un evento, recopilar las grabaciones asociadas, notificar a un operador y recomendar una vía de escalada.

El término conlleva más ambición que evidencia consolidada. Las organizaciones deben tratar cada acción como un punto de control independiente.

Un modelo que localiza grabaciones de forma fiable no está automáticamente cualificado para decidir si debe contactarse con la policía. La segunda tarea implica políticas, contexto y consecuencias que van más allá de la clasificación visual.

Por tanto, la revisión humana sigue siendo esencial, pero «humano en el circuito» necesita un significado preciso. Un operador distraído que aprueba decenas de recomendaciones aporta poca supervisión sustantiva.

Los equipos deben saber qué información ve el operador, cuánto tiempo tiene disponible y si la interfaz fomenta un juicio independiente.

También deben medir el sesgo de automatización, la tendencia a deferir a una recomendación generada por una máquina. Un lenguaje de interfaz de alta confianza puede influir en los operadores incluso cuando el modelo subyacente sigue siendo incierto.

La formación debe incluir fallos, no solo demostraciones ideales. Los operadores deben practicar la gestión de detecciones ambiguas, contexto ausente, señales contradictorias e interrupciones del sistema.

Las organizaciones también necesitan procedimientos alternativos. La seguridad física no puede detenerse cuando deja de estar disponible una conexión cloud o un servicio de IA.

Un despliegue maduro debe definir qué dispositivos siguen funcionando localmente, qué alertas permanecen disponibles y cómo investigan los equipos los incidentes durante una interrupción.

Estos requisitos darán forma al mercado competitivo. Los proveedores que ofrezcan controles claros, registros de auditoría, herramientas de prueba y modos de contingencia eficaces pueden reducir la fricción de adopción.

Esas capacidades pueden resultar más importantes que otra función llamativa. Los responsables de seguridad necesitan sistemas que sigan siendo comprensibles durante eventos estresantes.

La adopción de IA también dependerá de la colaboración en la contratación. La seguridad física, TI, ciberseguridad, privacidad, legal y las operaciones de primera línea deben participar antes del despliegue.

Ese proceso lleva más tiempo que una compra departamental. También reduce la probabilidad de que un piloto técnicamente exitoso fracase durante la revisión de toda la organización.

El mercado entra en una fase en la que la calidad de integración separará las demostraciones de los sistemas duraderos. Las herramientas de búsqueda introdujeron a muchos equipos en el valor de la IA.

La automatización de respuestas determinará si esos equipos confían a la IA trabajo de mayor trascendencia. Esa transición será más lenta, estará más regulada y será más reveladora.

Tres señales mostrarán si la brecha se está cerrando

La evidencia más sólida provendrá de una metodología transparente, un uso sostenido de funciones y resultados operativos medidos de forma independiente.

La primera señal es la publicación completa de la metodología y los hallazgos del nuevo estudio de Verkada. El sector necesita más que el titular de los 2.700 líderes.

Un informe útil identificaría los roles de los encuestados, las regiones, los sectores, los tamaños de empresa y los tipos de despliegue. Publicaría las preguntas utilizadas para definir la adopción de IA.

El informe también debería separar los proyectos piloto de los despliegues en producción. Debería distinguir la búsqueda retrospectiva de la detección en tiempo real y la respuesta automatizada.

Si Verkada publica esos detalles, la afirmación sobre la brecha de adopción será más fácil de evaluar y comparar. Si se limita a estadísticas destacadas, persistirá la incertidumbre sobre la madurez del mercado.

La segunda señal es la evidencia de que los clientes mantienen activas las funciones de IA después de las pruebas iniciales. El uso sostenido importa más que la activación.

Los proveedores deberían informar métricas anonimizadas como el uso recurrente, la resolución de alertas, la finalización de investigaciones y las anulaciones humanas. Estas cifras requieren una cuidadosa protección de la privacidad y definiciones coherentes.

Los casos de estudio de clientes pueden ayudar, pero deberían incluir condiciones de referencia. Afirmar que las investigaciones se hicieron más rápidas significa poco sin explicar el proceso anterior y el intervalo medido.

La evidencia de varios sectores sería más sólida que la de un único cliente ideal. Los entornos de comercio minorista, educación, manufactura, salud y sector público imponen exigencias diferentes.

Si el uso operativo recurrente se expande en esos entornos, la brecha entre la ambición de los proveedores y la confianza de los compradores se está reduciendo. Si el uso sigue concentrado en búsquedas y proyectos piloto, la brecha continúa siendo considerable.

La tercera señal es cómo responden los competidores y los compradores centrados en estándares. Genetec ya informa un creciente interés por la IA junto con preocupaciones del 70% de los usuarios finales encuestados.

Observe si los proveedores compiten en explicabilidad, flexibilidad de despliegue, controles de auditoría y rendimiento documentado de los modelos. Estas áreas indican que las preocupaciones de los compradores están influyendo en el diseño de productos.

También observe los grandes documentos de contratación y los despliegues regulados. Los requisitos de registro, ubicación de los datos, pruebas, aprobación humana y operación de respaldo revelan qué consideran innegociable los clientes serios.

Un cambio hacia evaluaciones independientes reforzaría la confianza. Las encuestas patrocinadas por proveedores son útiles para identificar preguntas, pero las pruebas de terceros son más adecuadas para validar las respuestas.

Por lo tanto, los próximos uno a tres meses deberían producir más que anuncios adicionales sobre IA. Los avances significativos explicarán cómo funcionan los sistemas después del despliegue.

Los líderes de seguridad que evalúen la noticia en google news deberían hacer preguntas directas. ¿Qué flujo de trabajo exacto mejora la IA? ¿Qué decisión sigue siendo humana? ¿Cómo se miden los errores?

Deberían preguntar qué datos salen del sitio, durante cuánto tiempo permanecen disponibles los metadatos derivados y si el comportamiento del sistema cambia después de las actualizaciones.

También deberían definir el éxito antes de que comience un piloto. Las métricas útiles incluyen el tiempo de investigación, la tasa de alertas verificadas, la carga de trabajo de los operadores, la precisión de las escalaciones y la disponibilidad del servicio.

Un piloto debería incluir condiciones difíciles y casos de fallo conocidos. Debería probar la ubicación prevista en lugar de depender exclusivamente de una demostración preparada.

Lo más importante es que las organizaciones deberían evitar tratar la cautela y la adopción como opuestos. Una gobernanza cuidadosa puede respaldar un uso más amplio al aclarar las responsabilidades.

El titular del estudio de Verkada refleja una tensión real del mercado, aunque sus últimos detalles públicos sigan siendo limitados. Las capacidades de IA son cada vez más fáciles de comprar que de institucionalizar.

Los ganadores no se determinarán únicamente por quién lanza más funciones. Se determinarán por quién hace que esas funciones sean medibles, controlables y confiables.

Ese es el estándar que los lectores deberían aplicar cuando aparezca la próxima afirmación sobre IA para seguridad física en google news. Pida la metodología, examine el flujo de trabajo y mida el resultado antes de ampliar el sistema.