La inteligencia artificial se convirtió en el tema número uno en las salas de reunión, pero pocas empresas saben cómo pasar del discurso a la práctica
La transformación digital se convirtió en tema obligatorio en las reuniones de estrategia de las grandes empresas. No importa el sector, el tamaño de la operación o la geografía: todo el mundo quiere entender cómo la inteligencia artificial puede acelerar resultados, reducir costos y abrir nuevos frentes de crecimiento. Pero entre el deseo de adoptar AI y la realidad de hacer que esta tecnología funcione en el día a día existe un abismo que mucha gente todavía no sabe cómo cruzar.
Irfan Khan, presidente y director de productos de SAP Data and Analytics, detectó algo curioso dentro de algunas de las mayores organizaciones del mundo: existe mucha más ansiedad que acción cuando se trata de hacer que la inteligencia artificial realmente funcione en el cotidiano de los negocios. Según él, esto aplica para empresas grandes, medianas y pequeñas. El panorama es parecido en todas ellas.
Y el villano de esta historia casi siempre es el mismo: datos dispersos por sistemas diferentes, sin estructura, sin contexto y difíciles de acceder. Información crítica para el negocio queda atrapada en silos organizacionales, duplicada en hojas de cálculo que nadie actualiza y almacenada en plataformas legadas que no se comunican entre sí. Este panorama convierte cualquier intento de implementar inteligencia artificial en un ejercicio de frustración.
La situación es seria. Una encuesta reciente de SAP reveló que apenas el 33% de los líderes empresariales confía en sus propios datos. Esta falta de confianza crea una brecha enorme entre intención y ejecución. Y más: las organizaciones que ya maduraron su infraestructura de datos están tres veces por delante en términos de preparación para AI, según el mismo estudio.
Y a medida que 2026 avanza, esta brecha va a separar a las empresas en dos grupos bien distintos:
- Las que construyeron una base sólida para operar, competir y crecer con AI
- Las que se quedaron solo en el discurso y van a enfrentar consecuencias reales por eso
La buena noticia es que se puede cambiar este panorama ahora. Khan delineó cuatro movimientos prácticos que cualquier empresa puede empezar a aplicar hoy para prepararse para la era de la inteligencia artificial. 👇
Por qué la mayoría de las empresas todavía se traba a la hora de usar AI
Antes de entrar en los pasos en sí, vale la pena entender por qué tantas empresas siguen patinando en esta transición. La respuesta no está en la falta de tecnología disponible, ni en la falta de voluntad de los líderes. Lo que traba a la mayoría de las organizaciones es algo mucho más básico y, al mismo tiempo, mucho más difícil de resolver: la calidad y la accesibilidad de los datos que ya poseen.
Sistemas legados que no se comunican entre sí, información duplicada en hojas de cálculo repartidas por departamentos diferentes y procesos que nunca fueron pensados para alimentar una capa de inteligencia artificial forman una combinación que paraliza cualquier iniciativa antes de que salga del papel. Los datos existen, y en volúmenes enormes, pero están fragmentados de una forma que los vuelve prácticamente inútiles para modelos de AI que necesitan información consistente, contextualizada y accesible en tiempo real.
Khan suele decir que la AI es tan buena como los datos que la alimentan, y esa frase resume bien el problema central que las empresas enfrentan hoy. No sirve de nada contratar los mejores modelos de lenguaje, invertir en infraestructura de cloud de punta o armar un equipo de científicos de datos si la materia prima, es decir, los propios datos de la empresa, llega sucia, incompleta o contradictoria al sistema. El resultado es predecible: salidas poco confiables, decisiones basadas en ruido y una desconfianza creciente en los resultados que la tecnología presenta.
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.
Este ciclo de desconfianza es especialmente peligroso porque se autoalimenta. Cuando los líderes no confían en los datos, dejan de invertir en mejorar su calidad. Cuando la calidad no mejora, la AI sigue entregando resultados cuestionables. Y cuando los resultados son cuestionables, la percepción de que la tecnología no funciona para ese negocio se consolida, aunque el problema real nunca haya sido la tecnología en sí. Romper este ciclo exige un enfoque estructurado, y es exactamente lo que los cuatro pasos a continuación proponen.
Los 4 pasos para hacer que tu empresa esté lista para AI ahora
Abrazar la nube híbrida sin marginar los datos
A pesar de años de migración a la nube, muchas empresas todavía no son totalmente cloud-native y probablemente no lo serán pronto. Entre costos ya invertidos en sistemas legados y restricciones regulatorias, los ambientes híbridos son una realidad inevitable. Y está bien con eso, siempre y cuando la empresa sepa lidiar con esta complejidad de la forma correcta.
La clave, según Khan, es que la AI no exige necesariamente una ruptura total con los sistemas on-premises. Lo que realmente importa es si la empresa puede acceder a sus datos de forma consistente y segura, independientemente de dónde estén almacenados o dónde ocurra el procesamiento. En sus palabras, necesitas poder acceder a los datos de manera independiente de dónde ellos o el entorno de ejecución operen.
Es por eso que SAP ha invertido fuertemente en data fabric, una capa crítica que conecta fuentes brutas de datos con las aplicaciones de inteligencia artificial. Este enfoque ayuda a proporcionar el contexto de negocio que los agentes de AI necesitan para funcionar de verdad, sin exigir que la empresa abandone de un día para otro toda la infraestructura que ya posee.
Un ejemplo práctico viene de Yamaha, una corporación que opera en segmentos tan diversos como instrumentos musicales y deportes motorizados. Esta variedad de productos crea un ecosistema de datos enormemente complejo. Con SAP Business Data Cloud, Yamaha logró conectar información de productos, operaciones de cadena de suministro, finanzas y datos de clientes en una capa unificada, ganando agilidad para moverse con rapidez en la era de la inteligencia artificial.
Construir una base de datos diseñada específicamente para AI
Las bases de datos tradicionales simplemente no fueron construidas para el tipo de razonamiento e inferencia que la AI exige. Por eso, las empresas necesitan actuar para implementar una base de datos que esté genuinamente preparada para inteligencia artificial. En la visión de Khan, una base de datos lista para AI necesita soportar múltiples modelos de datos simultáneamente, ya sea vectorización, grafos de conocimiento, procesamiento en tiempo real o cualquier combinación entre ellos.
Esta es la razón por la cual SAP adoptó un enfoque de diseño multimodal. Con él, las empresas no necesitan preocuparse por el volumen o la temperatura de sus datos. En cambio, quedan libres para usar sistemas de AI que consultan los datos directamente, sin la necesidad de copiarlos o duplicarlos. Khan destaca que la federación de datos es una capacidad intrínseca y fundamental de cualquier oferta de datos basada en inteligencia artificial.
La empresa chilena Martinez and Valdivieso, que opera en el suministro de insumos agrícolas, es un buen ejemplo de cómo esto funciona en la práctica. Al implementar SAP HANA Cloud, una base de datos multimodal que forma parte de SAP Business Data Cloud, la empresa equipó a sus vendedores de campo con una solución basada en AI que permite personalizar cotizaciones en tiempo real. La solución triangula información de múltiples fuentes on-premises y en la nube, permitiendo que los vendedores ofrezcan cotizaciones más inteligentes en cualquier lugar, mejorando la experiencia del cliente y la rentabilidad al mismo tiempo.
Enfocar los esfuerzos donde realmente mueven el negocio
Con la presión para implementar AI en todos los frentes, muchas empresas terminan dispersando sus esfuerzos de manera muy diluida. Khan advierte que esto es un error. En lugar de intentar resolver todo al mismo tiempo, las organizaciones deben empezar por el nivel del caso de uso, identificando las áreas del negocio donde la incertidumbre y el riesgo son mayores y, a partir de ahí, implementar inteligencia artificial de forma significativa y dirigida.
Las cadenas de suministro son un ejemplo clásico de área con potencial enorme para resultados medibles. La mayoría de las empresas tiene dificultad para prever oferta y demanda para anticiparse a picos o disrupciones. Este es un problema hecho a medida para AI. Como Khan explica, ya no se trata de esperar para predecir que algo está pasando, sino de genuinamente sentir cuándo algo va a pasar, antes de que se materialice.
Esta misma lógica se aplica a finanzas, planificación de fuerza laboral, operaciones y otras áreas críticas del negocio. Al combinar modelos predictivos con esta capacidad de sensado en tiempo real y, luego, automatizar la respuesta, las empresas pueden pasar de una postura reactiva a una postura proactiva. En lugar de reaccionar a los problemas después de que ocurren, pasan a anticipar escenarios y actuar preventivamente.
Repensar equipos y modelos operativos para un mundo AI-native
La inteligencia artificial está cambiando rápidamente la forma en que se hace el trabajo, y Khan afirma que las empresas necesitan actuar con velocidad para alinear sus modelos operativos a esta nueva realidad. En el corto plazo, él visualiza una especie de modelo de dupla, donde humanos y agentes de AI trabajan codo a codo de forma cercana. El agente asume tareas repetitivas como pruebas o aseguramiento de calidad, mientras el humano se enfoca en creatividad y supervisión.
A largo plazo, la transición hacia AI puede poner aún más presión en los modelos operativos existentes. Equipos de desarrollo de software que tradicionalmente operan con metodologías en cascada o incluso ágiles, por ejemplo, necesitarán adaptarse para generar resultados de forma dinámica. Esta necesidad de velocidad y adaptabilidad lleva a Khan de vuelta a su punto original: las empresas necesitan cortar las pérdidas con sistemas de gestión de datos que ya no sirven e implementar una infraestructura basada en la nube o híbrida que permita esa agilidad.
El mensaje final de Khan es directo y potente: si todavía estás buscando un business case para justificar la adopción de AI, vas a terminar sepultado por lógica de business case mientras el mundo sigue adelante, a un ritmo mucho más rápido. Las empresas necesitan abrazar la mentalidad de experimentar rápido, fallar rápido, aprender e iterar, tratando la AI como algo que se construye en la práctica y no solo en los decks de presentación.
La cultura importa tanto como la tecnología
Tecnología sin cultura no va a ningún lado. De nada sirve tener la mejor plataforma de cloud, los datos mejor organizados y los modelos de AI más sofisticados del mercado si las personas dentro de la organización no confían en lo que los sistemas muestran y siguen tomando decisiones basándose en intuición o en información paralela que circula por correo electrónico. Construir una cultura de confianza en los datos es un proceso que empieza por la transparencia: los equipos necesitan entender de dónde vienen los números, cómo se calculan y por qué son confiables.
Un elemento esencial en esta construcción es la gobernanza de datos. Esto implica definir quién es responsable de cada conjunto de información dentro de la empresa, cuáles son los criterios de calidad que deben cumplirse, cómo se identifican y corrigen los errores, y cómo se comunican las actualizaciones a quienes dependen de esos datos para trabajar. Cuando existe un proceso claro de gobernanza, las personas pasan a ver los datos como algo confiable y gestionado, y no como algo que puede estar desactualizado o equivocado sin que nadie lo sepa.
La transformación cultural también pasa por la capacitación. Personas que entienden cómo funciona la AI, cuáles son sus límites y cómo interpretar los resultados que presenta son mucho más propensas a confiar en la tecnología y a usarla de forma eficaz que aquellas que ven la inteligencia artificial como una caja negra mágica. Invertir en alfabetización de datos y en capacitaciones prácticas para los equipos no es un costo extra en el camino de la transformación digital, es parte fundamental del recorrido.
Herramientas que usamos a diario
Medir resultados e iterar con consistencia cierra el ciclo
Lanzar una solución de inteligencia artificial y esperar que siga funcionando bien indefinidamente sin ajustes es una ilusión. Tanto el entorno de negocios como los propios datos que alimentan los modelos cambian constantemente. Las empresas que entienden esto crean ciclos regulares de evaluación de resultados, identificación de desvíos y actualización de modelos, tratando la AI como un activo dinámico que necesita mantenimiento y evolución continua.
Definir métricas de éxito antes de lanzar cualquier iniciativa de AI es esencial para que esta evaluación sea posible. Estas métricas necesitan estar conectadas a los objetivos de negocios que la solución se propone abordar: reducción de tiempo en determinado proceso, aumento en la precisión de previsiones de demanda, disminución de errores en operaciones específicas, crecimiento en la satisfacción de los clientes. Números concretos, medibles y vinculados al impacto real en el negocio son lo que separa una iniciativa de AI con propósito de una iniciativa hecha solo para figurar en informes.
La infraestructura de cloud desempeña un papel importante en esta etapa, porque permite que las empresas escalen o reduzcan recursos de acuerdo con lo que los resultados muestran, sin necesitar de grandes inversiones fijas en hardware. Esta flexibilidad es especialmente valiosa en el proceso de iteración, porque permite probar hipótesis, ajustar enfoques y experimentar nuevas configuraciones sin el peso financiero que este tipo de experimentación tendría en entornos tradicionales. Las empresas que combinan medición rigurosa con infraestructura flexible tienen muchas más posibilidades de transformar sus iniciativas de AI en ventajas competitivas sostenibles.
Lo que separa a las empresas que lo logran de las que se quedan atrás
Al final del día, la diferencia entre las organizaciones que consiguen hacer que la AI trabaje a su favor y las que siguen atrapadas en la fase de planificación no está en el presupuesto disponible, en el tamaño del equipo de tecnología o en el acceso a las herramientas más avanzadas del mercado. Está en la disposición de encarar el problema desde la raíz, que empieza siempre por la calidad y la organización de los datos, y en la capacidad de conectar cada decisión tecnológica a un resultado concreto de negocios.
La cloud democratizó el acceso a las herramientas que antes eran privilegio de solo las mayores corporaciones del mundo. Hoy, empresas de todos los tamaños pueden acceder a infraestructura escalable, plataformas de análisis avanzado y modelos de AI de última generación sin necesitar construir nada desde cero. Lo que todavía es escaso, y por eso se convirtió en el verdadero diferencial competitivo, es la capacidad de usar todo esto de forma estratégica, conectada y orientada por datos confiables.
Las cuatro etapas descritas por Khan, abrazar la nube híbrida, construir bases de datos diseñadas para AI, enfocarse en los casos de uso con mayor impacto y repensar los modelos operativos, forman una hoja de ruta probada en las mayores organizaciones del mundo. No son una fórmula mágica, pero son el camino más consistente para salir del ciclo de ansiedad y entrar de lleno en el ciclo de acción.
2026 se está convirtiendo en el año en que las apuestas suben y las diferencias entre empresas preparadas y empresas que se quedaron atrás empiezan a aparecer en los resultados financieros con mucha más claridad. El momento de actuar es ahora. 🚀
