La conversación sobre inteligencia artificial ha cambiado de tono. Durante los últimos años, el debate se movió entre la fascinación tecnológica y la proliferación de pilotos que prometían transformar sectores enteros. Hoy el foco es otro. No se trata solo de innovar, sino de sostener esa innovación bajo métricas comparables a cualquier otra inversión estratégica.
SAS sitúa en 2026 ese punto de inflexión. No como una ruptura técnica, sino como una fase de exigencia económica. Un momento en el que la inteligencia artificial deberá medirse por su impacto operativo y económico.
Para entender qué implica ese giro en la práctica, conversamos en exclusiva para La Ecuación Digital con Amaya Cerezo, experta en inteligencia artificial y analítica avanzada en SAS. Su trabajo no se centra en el discurso de la promesa, sino en el tránsito más complejo: llevar sistemas basados en datos desde el laboratorio hasta procesos reales de negocio.
La síntesis que propone es directa:
«No es suficiente con tener un modelo en producción. El reto es que se despliegue de verdad y genere valor medible en el día a día.»
Del modelo activo al proceso integrado
La diferencia entre tener un modelo activo y tener un sistema integrado puede parecer semántica. No lo es.
Un modelo puede estar técnicamente desplegado y no alterar ninguna decisión relevante. Puede generar predicciones que nadie utiliza o recomendaciones que no se traducen en acción. La producción formal no equivale a integración operativa.
Aquí entra en juego el debate sobre los agentes de inteligencia artificial. Frente a modelos que clasifican o sugieren, los agentes introducen sistemas que actúan dentro de un flujo de trabajo, interactúan con otras aplicaciones y ejecutan decisiones bajo reglas definidas.
El cambio no es solo tecnológico. Es organizativo. Cuando un sistema actúa, la responsabilidad cambia. También la necesidad de trazabilidad y supervisión.
Durante los últimos meses, explica Cerezo, muchos proyectos se han concentrado en asistentes internos y automatización parcial de tareas. Son pasos relevantes, pero todavía contenidos. El salto real llegará cuando esos sistemas se integren de forma estructural en la cadena de valor y asuman decisiones con impacto directo en procesos críticos.
Medir la IA como cualquier otra inversión
Cuando la inversión deja de ser experimental y pasa a formar parte del presupuesto estructural, la conversación cambia de registro. “Al final tenemos que identificar qué KPI son los que realmente podemos medir, tanto de beneficio como de coste”, explica Cerezo. La exigencia ya no es técnica, es económica.
En los últimos años, muchas iniciativas de inteligencia artificial se justificaban por su potencial. Ahora el criterio es distinto. “Ahora es cuando ya se está empezando a ver cuáles son esos KPIs de medida con los que vamos a poder realmente comprobar si los casos de uso donde estamos usando agentes de inteligencia artificial son rentables o no”.
La formulación es directa y revela el cambio de fase. No se trata de si el modelo funciona en un entorno controlado, sino de si soporta la comparación con cualquier otra inversión estratégica. Coste por consulta, impacto energético, mejora en productividad o incremento de ingresos pasan a ser variables decisivas.
Durante años, experimentar con inteligencia artificial fue una señal de modernidad. Hoy, mantener proyectos sin retorno medible es difícil de sostener. El giro no implica freno tecnológico, sino mayor disciplina. La innovación deja de legitimarse por sí sola y empieza a evaluarse en términos de impacto sostenido.
España: madurez con fricciones estructurales
La conversación sobre impacto no puede desligarse del contexto nacional. El informe Impacto de la IA y los datos: la confianza como clave, elaborado por IDC para SAS a partir de una encuesta internacional a profesionales de distintos sectores, sitúa a España por encima de la media global en fases avanzadas de adopción de inteligencia artificial.
Según dicho estudio, un 48 % de las empresas españolas se encuentra en niveles integrados o transformadores, frente a un promedio internacional inferior. Además, un 53,4 % dispone de infraestructuras gestionadas u optimizadas para soportar iniciativas de IA, un dato que refleja un grado de madurez técnica significativo.
Sin embargo, Cerezo introduce un matiz relevante: “Que estemos en fases avanzadas no significa que todos los proyectos estén generando ya el impacto que se espera. Hay mucho trabajo todavía en cómo medimos y cómo escalamos”.
El patrón es interesante. España cuenta con menos organizaciones en fases iniciales y más en niveles de integración estructural. El ecosistema ha superado la curiosidad tecnológica. Pero esa madurez convive con fricciones internas. El propio informe identifica una mayor reticencia directiva a incrementar inversión en IA y costes superiores a la media global, lo que IDC denomina «retos suaves»: obstáculos organizativos más que técnicos.
“Muchas veces el freno no es tecnológico”, señala Cerezo. “Es cómo priorizas, cómo defines el caso de uso y cómo alineas a la dirección con los equipos técnicos”.
El resultado es un mercado técnicamente preparado, pero prudente en la escala de despliegue. En un entorno regulatorio europeo más exigente, esa prudencia puede convertirse en ventaja competitiva si se traduce en gobernanza sólida y ejecución disciplinada. Si no, puede ralentizar el impacto real que la tecnología promete.
Gobernanza, control y responsabilidad
Cuando se habla de agentes de inteligencia artificial, el foco suele ponerse en su capacidad de actuar de forma autónoma. Cerezo matiza esa idea desde la práctica. “Muchas veces hablamos de autonomía, pero en realidad lo importante es cómo controlas lo que está haciendo el sistema y cómo supervisas esas decisiones”.
Mientras un modelo sugiere o clasifica, un agente puede ejecutar acciones dentro de un proceso. Y cuando esas acciones afectan a clientes o ingresos, la tolerancia al error cambia radicalmente.
“Si el sistema está interactuando directamente con un cliente o tomando decisiones dentro de un flujo operativo, ya no puedes permitirte el mismo nivel de incertidumbre que en un piloto”, explica. La caída de un sistema deja de ser una incidencia técnica y pasa a convertirse en un problema de negocio.
Por eso insiste en que el despliegue no puede desligarse de la gobernanza. Observabilidad, auditoría, reglas claras de intervención humana. No como un añadido posterior, sino como parte del diseño desde el inicio.
En ese contexto, la inteligencia artificial empieza a ocupar un lugar distinto dentro de la organización. No es una herramienta periférica, sino un componente que influye en cómo se diseñan los procesos y cómo se toman decisiones. La tecnología deja de estar en la periferia del negocio y empieza a formar parte de su arquitectura interna.
Arquitectura, datos y eficiencia
El despliegue de agentes no es solo una cuestión de modelo. “Muchas veces nos centramos en el algoritmo, pero la clave está en la arquitectura que lo soporta”, señala Cerezo. La conversación se desplaza entonces hacia cómo se organizan los datos, dónde se ejecutan los procesos y bajo qué condiciones se garantiza el control.
En ese contexto, los datos sintéticos han dejado de ser un recurso provisional. “Cada vez los utilizamos más para poder probar escenarios, para entrenar modelos sin comprometer información sensible y para acelerar el desarrollo”, explica. Su valor no está solo en la disponibilidad, sino en la capacidad de simular entornos complejos sin depender exclusivamente del dato real.
Pero la escalabilidad tiene condiciones. “No puedes asumir que todo dato sintético es válido por definición. Tienes que validar, revisar y comprobar que no estás amplificando sesgos”, advierte. La eficiencia técnica no puede desligarse de la calidad y la trazabilidad.
A esa ecuación se añade una variable que hace unos años apenas aparecía en las reuniones estratégicas: el consumo energético. “Ahora también tenemos que mirar cuánto cuesta realmente ejecutar esos modelos”, apunta. El entrenamiento y la inferencia a gran escala dejan de ser un debate teórico y se convierten en una variable económica directa.
La eficiencia ya no es solo un argumento ambiental. Es un criterio que influye en la rentabilidad final de los proyectos. Y, por tanto, en su continuidad.
Más que tecnología, diseño organizativo
A lo largo de la conversación aparece una idea recurrente: el verdadero cuello de botella no está en el modelo, sino en la organización que lo rodea. La capacidad técnica sigue avanzando a gran velocidad. El problema no es si podemos construir sistemas más sofisticados, sino si sabemos integrarlos con rigor.
Cerezo lo plantea sin dramatismo, pero con claridad: “El reto no es solo desarrollar el modelo. Es cómo lo incorporas al proceso, cómo defines quién lo supervisa y cómo mides realmente el impacto”. El énfasis no está en la potencia del algoritmo, sino en la arquitectura de decisiones que se construye alrededor.
Ahí es donde la inteligencia artificial deja de ser un proyecto y empieza a convertirse en infraestructura. No en el sentido técnico, sino en el sentido organizativo: un componente que altera flujos de trabajo, responsabilidades y criterios de evaluación.
Si 2026 consolida este giro, la conversación cambiará de eje. No se discutirá tanto qué modelo es más avanzado, sino qué organización es capaz de sostenerlo con disciplina. Qué empresa es capaz de integrar automatización sin diluir responsabilidades. Qué dirección es capaz de exigir métricas sin frenar la innovación.
En ese escenario, la ventaja no estará en experimentar antes que los demás, sino en ejecutar mejor. No en anunciar más pilotos, sino en demostrar impacto continuado.
El entusiasmo fue necesario para acelerar la adopción. Ahora empieza una etapa menos visible, pero más decisiva: la de convertir la inteligencia artificial en una capacidad estructural, medible y gobernada. Y ese terreno, más que tecnológico, es organizativo.
