Integrar antes que escalar: claves y errores en la adopción de genAI para empresas

> Por Diego Garagorry, COO de Nearsure, una compañía de Nortal
La inteligencia artificial generativa (genAI, por su sigla en inglés) fue ganando espacio
rápidamente en las agendas corporativas. Su presencia ya se observa en aplicaciones que
van desde chatbots para atención al cliente hasta herramientas de generación de contenido
y apoyo a la toma de decisiones. Sin embargo, detrás de este entusiasmo creciente, es
posible identificar un patrón de errores que se repite entre las empresas que adoptan la
tecnología sin la preparación estratégica adecuada.
En lugar de preguntarse “¿qué puede hacer esta tecnología para mi empresa?”, muchas
compañías parten de la herramienta en sí, ignorando el problema que deberían resolver. El
resultado son soluciones desconectadas del negocio, con alto costo, bajo retorno y poca
adopción interna. Por lo tanto, implementar no es suficiente: es la integración lo que
garantiza impacto.
En este proceso, entre los errores más comunes se encuentran la ausencia de una prueba
de concepto, la elección apresurada de modelos personalizados y la falta de indicadores
claros para medir el éxito. Al mismo tiempo, muchas organizaciones subestiman los
desafíos relacionados con la gobernanza de datos, la privacidad y la seguridad. Los
modelos generativos sólo son eficaces cuando tienen acceso a datos organizados,
relevantes y protegidos; y eso requiere tiempo, estructura y estrategia.
Las llamadas alucinaciones, por ejemplo, siguen siendo un desafío importante. Se
producen cuando el modelo genera información que parece correcta pero es falsa,
inventada o no está respaldada por fuentes o evidencias verídicas. Esta limitación se ha ido
mitigando con las actualizaciones más recientes, que incluyen modelos que consultan
bases de conocimiento utilizando técnicas como RAG.
Según un artículo publicado por ACM en mayo de 2024, la tabla de clasificación mantenida
por Vectara indicaba tasas de alucinación entre el 2,5 % y el 8,5 % en los principales
modelos de la época. Actualmente, estas cifras cayeron por debajo del 2% entre los
grandes proveedores de LLM. En particular, los nuevos modelos GPT-5, de OpenAI, y
Gemini 2.5 Pro, de Google, obtuvieron resultados menores a 1,5% de alucinaciones. Si bien
los resultados son positivos, aún se requieren mecanismos de mitigación cuando se trata de
aplicaciones críticas.
Desde Nearsure, una compañía de Nortal, publicamos este año un white paper sobre
aplicaciones de genAI en el que se abordan los principales obstáculos que podrían evitarse
a la hora de adoptar genAI. El primero es comenzar sin haber identificado un problema
empresarial que se quiera resolver, lo que conduce a soluciones genéricas y desconectadas
de resultados tangibles. En segundo lugar, muchas empresas prescinden de la prueba de
concepto (PoC), omitiendo la validación de requerimientos y arquitecturas antes de escalar.
El tercero es no preestablecer métricas claras de éxito, lo que dificulta medir el impacto en
productividad, costos o calidad. Para lograr una adopción exitosa, se deben definir métricas

y umbrales de decisión por etapa (PoC, MVP, producción, escalado) y una gobernanza que
aporte trazabilidad de extremo a extremo y visibilidad operativa. Con ello, se mantendrá un
ciclo de retroalimentación (feedback loop) que facilite aprender, corregir y avanzar con
evidencia.
Por último, la construcción de modelos personalizados innecesarios, como LLMs
desarrollados a medida desde cero sin antes evaluar opciones públicas combinadas con
técnicas como RAG, genera costos desproporcionados. Estos factores combinados
comprometen la eficacia y el rendimiento de los proyectos de genAI.
De hecho, según datos de Gartner, hasta finales de 2025 se prevé que alrededor del 30%
de los proyectos de genAI se abandonarán tras la PoC. Esto se atribuye a la baja calidad de
los datos, inadecuados controles de riesgo y falta de beneficios claros para el negocio.
Por lo tanto, una buena práctica consiste en empezar poco a poco y con un enfoque
específico, en lugar de escalar rápidamente. Casos de uso puntuales, como los agentes
jurídicos impulsados por IA, la automatización de la atención al cliente o la ayuda en la
selección de CVs, permiten probar hipótesis, generar resultados y madurar la arquitectura
tecnológica con menor riesgo.
Por ejemplo, los call centers que utilizan genAI para transcribir y resumir las llamadas
informaron de un ahorro medio de tiempo de entre 2 y 3 minutos por llamada, además de
ganancias en productividad y una mayor precisión en el seguimiento de los clientes. Según
un estudio de IDC, el uso de genAI en una operación de atención al cliente supuso un
aumento de la productividad del 25 %, con un ahorro de dos minutos por llamada.
Un factor adicional que vale la pena mencionar es la gestión del cambio: involucrar a los
usuarios, ofrecer formación y rediseñar procesos en conjunto. Para lograr mejoras reales en
la productividad, además de la tecnología necesitamos repensar nuevas formas de trabajo.
La adopción exitosa suele ser progresiva: inicialmente, con aplicaciones aisladas y de bajo
riesgo, como copilotos internos o generación de contenido. Luego, es posible avanzar hacia
integraciones con bases de datos y herramientas ya consolidadas. Los casos más
avanzados, a su vez, implican la conexión de genAI a sistemas centrales de la empresa y
flujos operativos críticos, con políticas de seguridad, control de acceso y gobernanza.
La genAI no es una solución plug-and-play. Requiere estrategia, contexto e integración. Las
empresas que la vean como una capa complementaria y no como sustituta tendrán mayores
posibilidades de éxito. Es necesario integrar antes de escalar, empezar pequeño antes de ir
lejos y resolver el problema antes de aplicar la herramienta. Solo así la genAI dejará de ser
una tendencia y se traducirá en valor tangible para el negocio.