Los pilotos de IA quedaron atrás. Ahora, el foco está en procesos y precios
La inteligencia artificial ya demostró que funciona. Eso ya no es novedad para nadie que siga el mercado de tecnología corporativa. Los pilotos se ejecutaron, los resultados aparecieron y la euforia se apoderó de las salas de reuniones en todo el mundo. Pero después vino la resaca: y ahora, ¿qué hacemos con todo esto?
Desde la llegada de la IA generativa a finales de 2022, organizaciones de todos los tamaños y sectores se sumergieron en experimentos con la tecnología. Atención al cliente, desarrollo de software, procurement, marketing, operaciones internas — prácticamente toda área de negocio tuvo algún proyecto piloto con modelos de lenguaje o automatización inteligente. Los primeros esfuerzos se enfocaron en demostrar que la tecnología podía ejecutar tareas específicas. ¿Podría responder preguntas de clientes? ¿Asistir a agentes de soporte? ¿Generar contenido? ¿Ayudar a los colaboradores a trabajar con más eficiencia?
La respuesta a todas esas preguntas fue sí. Y fue justo ahí donde el problema real empezó a aparecer. 🤔
La pregunta que nadie planeó responder
La semana pasada, dos empresas de rincones muy diferentes de la industria tecnológica llegaron a la misma conclusión, cada una por su camino. Levelpath, una plataforma de procurement que ayuda a las organizaciones a gestionar compras, contratos y gastos con proveedores, y NiCE, que se preparaba para la edición anual de la Customer Contact Week, hicieron la misma pregunta: ¿qué pasa después de que un piloto de IA tiene éxito?
Parece una pregunta sencilla, pero está frenando a organizaciones enteras alrededor del mundo. Escalar un proyecto de IA no es apretar un botón y esperar que los resultados se multipliquen solos. Es un cambio estructural que toca personas, flujos de trabajo, responsabilidades, presupuestos y, cada vez más, la forma en que los contratos se negocian y se fijan los precios.
Lo que emergió de ambas conversaciones es que un nuevo conjunto de preguntas está dominando las agendas corporativas. ¿Quién es responsable de los resultados que entrega la IA? ¿Cómo se debe medir el éxito? ¿Cuánta visibilidad necesitan realmente las organizaciones sobre uso, costos y rendimiento? Las respuestas a estas preguntas pueden determinar el futuro del uso de IA a escala en las empresas.
Los números que están asustando a los líderes de procurement
Levelpath realizó recientemente una encuesta entre compradores de software empresarial y los resultados son reveladores. Nada menos que el 57% de los encuestados reportó haber enfrentado al menos un problema relacionado con gastos en IA en los últimos seis meses. ¿El problema más común? Facturas que llegaban por encima de lo presupuestado. Enseguida venían equipos alcanzando los límites de uso y organizaciones teniendo que redirigir presupuesto de otras prioridades para cubrir los costos de inteligencia artificial.
Estos números colocan la fijación de precios de IA en el centro de una conversación que antes era predominantemente técnica. De nada sirve que el modelo funcione a la perfección si el CFO no puede predecir cuánto va a costar la cosa el mes que viene.
Lo más consistente que estamos escuchando de líderes de procurement, en diferentes industrias y tamaños de empresa, es que la brecha de gobernanza los toma desprevenidos, dijo Stan Garber, presidente y cofundador de Levelpath.
Esa declaración resume bien el momento. Las organizaciones no estaban preparadas para gestionar la IA como un rubro presupuestario continuo y variable. Trataron el piloto como un experimento aislado y, cuando llegó la hora de escalar, descubrieron que no tenían los mecanismos necesarios para controlar costos, monitorear el uso y garantizar que la inversión estaba generando retorno real.
La transparencia se volvió prioridad — y los límites de gasto quedaron en segundo plano
Un dato particularmente interesante de la encuesta de Levelpath muestra cómo los compradores están reaccionando a esta nueva realidad. Los encuestados fueron el doble de propensos a negociar mayor transparencia sobre uso y gastos con IA que a imponer límites rígidos de gasto. En la práctica, el 32% presionó a los proveedores por reportes más detallados de uso, mientras que solo el 16% implementó topes de gasto.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Esto es significativo porque muestra un cambio de enfoque. En vez de simplemente recortar, las empresas quieren entender. Quieren saber exactamente a dónde va el dinero, qué funcionalidad está consumiendo más recursos, qué departamento está usando más y, principalmente, si ese uso está generando el valor que se prometió en la fase de piloto.
Además de la transparencia, los compradores también están incorporando flexibilidad en los contratos. La encuesta mostró que el 39% agregó cláusulas de salida o transición, mientras que el 36% acortó los plazos de los contratos. Estas decisiones sugieren que las organizaciones son reacias a hacer compromisos a largo plazo mientras los modelos de precios, proveedores y tecnologías de IA siguen evolucionando rápidamente.
Tiene sentido. El panorama cambia cada trimestre. Surgen nuevos modelos, los costos de inferencia bajan, las alternativas open source ganan fuerza. Firmar un contrato de tres años en este contexto es un riesgo que pocos están dispuestos a correr sin mecanismos de protección. 📊
El piloto que puso a prueba más que la tecnología
Stan Garber, de Levelpath, hizo una observación que vale la pena destacar. Según él, las organizaciones que están logrando más avances son aquellas que pusieron a prueba más que la tecnología durante la fase de piloto.
Los líderes que están acertando trataron el piloto como una prueba de concepto para el modelo operativo, no solo para la tecnología, afirmó Garber.
Esta es una distinción fundamental. La mayoría de las empresas usó el piloto para responder una pregunta sencilla: ¿la IA funciona? Las más preparadas usaron el piloto para responder preguntas mucho más complejas: ¿cómo vamos a gestionar esto en el día a día? ¿Quién va a supervisar? ¿Cómo vamos a medir resultados? ¿Qué procesos necesitan cambiar? ¿Cuánto va a costar a escala real?
Cuando el piloto se trata como prueba de concepto del modelo operativo, la transición a producción ocurre de forma mucho más fluida. Los desafíos de gobernanza, responsabilidad y costo ya fueron identificados — y, en muchos casos, ya fueron parcialmente resueltos — antes de que la empresa comprometiera presupuesto y recursos a escala.
Cuando la IA sale del laboratorio y entra en la operación de atención
Los desafíos de gobernanza que describen los líderes de procurement no desaparecen cuando se firma un contrato. Reaparecen — muchas veces amplificados — cuando las organizaciones comienzan a integrar IA en procesos de negocio y operaciones orientadas al cliente. Es exactamente ahí donde entra la perspectiva de NiCE.
La empresa, que recientemente concluyó su conferencia anual Interactions y se preparaba para la Customer Contact Week, reporta que las conversaciones con clientes han cambiado significativamente en los últimos dieciocho meses.
Hace dieciocho meses, la mayoría de las conversaciones con clientes estaba anclada en pilotos enfocados en casos de uso puntuales como chatbots o asistencia a agentes, dijo Dan Belanger, presidente de NiCE Americas.
Belanger dice que las discusiones ahora se centran en cómo la IA encaja en las operaciones de atención al cliente y en flujos de trabajo más amplios del negocio.
Los clientes que lideran en este espacio se alejaron de implementaciones aisladas hacia la orquestación de punta a punta. Eso significa conectar la intención del cliente, los flujos de trabajo y la resolución en un solo sistema, completó Belanger.
Este cambio es profundo. Ya no se trata de tener un chatbot que responda preguntas frecuentes. Las organizaciones ahora quieren saber si la IA puede autenticar a un cliente, actualizar un pedido, procesar un reembolso, agendar una visita técnica o resolver un problema completo — sin crear trabajo adicional en otro punto del sistema. La IA dejó de ser un experimento paralelo y se convirtió en parte del flujo operativo real.
El caso de Fabletics: de la conversación a la resolución
NiCE señala a clientes como Fabletics para ilustrar esta evolución. La empresa de moda fitness fue más allá de los tradicionales bots basados en reglas que podían responder preguntas, pero no completar tareas. La implementación de IA de Fabletics ahora soporta autenticación de clientes, gestión de pedidos y otros flujos de trabajo que permiten que las interacciones evolucionen desde la conversación hasta la resolución completa del problema.
No empezamos este proyecto para agregar IA al contact center. Empezamos para darles a nuestros clientes una atención más rápida y flexible, y para ver qué pasa cuando la IA realmente puede tomar decisiones en interacciones reales con clientes, dijo Jack Roberts, director sénior global de tecnología y aplicaciones GMS de Fabletics.
Esta declaración es reveladora porque muestra una inversión de prioridades. Fabletics no partió de la tecnología — partió del problema del cliente. La IA fue el medio, no el fin. Y cuando una empresa adopta esa mentalidad, la implementación tiende a generar resultados mucho más consistentes porque está anclada en necesidades reales, no en fascinación tecnológica.
El caso también ilustra el tipo de orquestación de punta a punta que mencionó Belanger. En vez de tener la IA funcionando como una capa superficial que responde preguntas genéricas, está integrada al sistema de forma que puede ejecutar acciones concretas — autenticar, consultar, modificar, resolver. Es una diferencia enorme en términos de valor entregado y complejidad de implementación. ✨
El mismo desafío visto desde ángulos diferentes
Lo que hace interesante esta historia es que los líderes de procurement y los líderes de atención al cliente están abordando la IA desde direcciones completamente diferentes, pero ambos enfrentan la misma realidad: demostrar que la tecnología funciona es más fácil que construir los procesos necesarios para gestionarla a lo largo del tiempo.
Del lado del procurement, los desafíos son visibilidad de costos, previsibilidad presupuestaria, flexibilidad contractual y gobernanza de gastos. Del lado de la atención, los desafíos son integración con flujos existentes, medición de resultados, responsabilidad cuando la automatización falla y experiencia del cliente final.
Pero en el fondo, todos estos desafíos son variaciones de un mismo tema: la infraestructura organizacional que necesita existir para que la IA funcione de verdad, no como un proyecto de innovación aislado, sino como parte integral de la operación del negocio.
Precios: el nudo que nadie quería desatar
Si los procesos y la gobernanza ya son temas complejos, la fijación de precios es lo que más fricción está generando entre proveedores de IA y sus clientes corporativos. Durante la fase de piloto, los modelos de cobro suelen ser simples o incluso subsidiados — al fin y al cabo, todo el mundo quiere que la prueba de concepto funcione. El problema aparece cuando llega la hora de firmar un contrato a largo plazo para uso a escala.
Herramientas que usamos a diario
¿Cuántas llamadas a la API están incluidas en el plan? ¿Qué pasa cuando el volumen supera lo previsto? ¿Cómo puede el cliente predecir el costo mensual si el uso es variable? Estas preguntas parecen básicas, pero han frenado negociaciones enteras. Tanto Levelpath como NiCE identificaron que la falta de previsibilidad en los modelos de cobro es uno de los principales frenos para la adopción a escala.
La tendencia que empieza a ganar fuerza en el mercado es la migración hacia modelos de precios basados en valor o en resultados, en lugar de cobros por volumen de uso o por licencia. En este formato, la empresa paga proporcionalmente al beneficio que la IA entrega — ya sea en reducción de tiempo de atención, en contratos procesados o en ahorro generado. Esto alinea los incentivos de proveedor y cliente de forma mucho más saludable y facilita la justificación interna de la inversión. Todavía no es un modelo universal, pero se está volviendo cada vez más común en las conversaciones de renovación y expansión de contratos. 💰
Gobernanza no es burocracia — es infraestructura
Un punto que merece atención especial es la forma en que la gobernanza se está percibiendo en este nuevo momento. Durante mucho tiempo, la gobernanza fue tratada como sinónimo de burocracia — algo que retrasa proyectos e impide la innovación. Pero lo que los datos de Levelpath y las experiencias reportadas por NiCE muestran es justamente lo opuesto.
Las empresas que invirtieron en gobernanza desde el inicio del piloto están escalando más rápido y con menos dolor. Saben quién es responsable de cada decisión automatizada, tienen métricas claras de rendimiento, pueden auditar el comportamiento de los sistemas y cuentan con mecanismos de escalamiento cuando algo se sale de lo esperado.
En cambio, las que trataron la gobernanza como un detalle para resolver después están descubriendo que ese después cuesta muy caro. Decisiones tomadas por sistemas automatizados sin mecanismo de revisión, ausencia de registros auditables, falta de claridad sobre responsabilidades — estos problemas no aparecen en el piloto, pero explotan cuando llega la escala. Y cuando explotan, suelen costar más de lo que el proyecto ahorró. 😬
La transparencia también juega un papel importante dentro de las propias organizaciones. Los equipos que trabajan con herramientas de IA necesitan entender qué está haciendo el sistema, cuáles son sus límites y cuándo puede equivocarse. No significa que cada colaborador necesite entender los detalles técnicos de un large language model, pero sí significa que debe existir una capa de explicabilidad accesible, documentación clara y canales abiertos para reportar comportamientos inesperados.
Lo que viene después de los pilotos
Lo que Levelpath y NiCE están señalando, cada una con su contexto y sus desafíos específicos, es que el mercado de inteligencia artificial corporativa está entrando en una nueva fase de madurez. La tecnología en sí ya no es el principal diferencial competitivo. Lo que va a separar a las empresas que logran escalar la IA de las que se quedan atrapadas en pilotos eternos es la capacidad de construir estructuras sólidas de procesos, invertir en gobernanza real y tener conversaciones honestas sobre precios y transparencia.
Esto exige un cambio de mentalidad que va más allá del equipo de tecnología. Liderazgo ejecutivo, legal, finanzas, operaciones y recursos humanos necesitan estar en la mesa cuando se discute cómo la IA va a funcionar en el día a día de la empresa. No como una capa burocrática que frena la innovación, sino como una estructura que garantiza que la innovación ocurra de forma sostenible, responsable y con resultados que realmente se reflejen en el balance.
Las empresas que están descubriendo esto ahora todavía tienen tiempo de organizarse. Las señales del mercado son claras, los datos están sobre la mesa y los ejemplos prácticos — como el de Fabletics — demuestran que es posible ir más allá del piloto con éxito. Pero requiere planificación, diálogo entre áreas y disposición para tratar la IA no como un proyecto de tecnología, sino como una transformación de negocio.
El piloto fue solo el comienzo. La parte realmente interesante — y desafiante — está sucediendo ahora. 🚀
