La inteligencia artificial empresarial empieza a entrar en una fase menos centrada en acceder al modelo más avanzado y más preocupada por lo que ocurre después. Datos propios, integración con procesos, agentes, costes, gobernanza y retorno económico ocuparon buena parte de las intervenciones de Microsoft, Salesforce, Inetum y SAP durante la primera jornada de Santander40, el Encuentro de la Economía Digital y las Telecomunicaciones organizado por AMETIC.
Las sesiones «El impacto de la IA en la competitividad de las organizaciones», de Microsoft; «Tu aliado en la IA: Maximiza el impacto económico a través de la colaboración», de Salesforce; e «IA, competitividad e innovación», protagonizada por Inetum y SAP, dejaron un diagnóstico bastante coincidente desde posiciones diferentes dentro del mercado tecnológico: desplegar el uso de inteligencia artificial no garantiza por sí mismo una ventaja competitiva. La diferencia empieza a depender de los datos que utiliza cada organización, de los procesos donde se integra, de cuánto cuesta operarla y de la capacidad para controlar las decisiones que empiezan a asumir los agentes.
El cambio modifica también la conversación empresarial sobre la IA generativa. Los primeros años estuvieron marcados por pilotos, asistentes y experimentación. Ahora, a medida que esas herramientas llegan a producción, aparecen preguntas más próximas a la gestión ordinaria de una compañía: qué retorno genera cada caso, cuánto cuesta mantenerlo, qué conocimiento propio puede utilizarse sin perder control sobre él y hasta dónde puede automatizarse una decisión.
Microsoft lleva la diferenciación al contexto empresarial
Paco Salcedo, presidente de Microsoft España, situó el mercado en esa transición. «Hemos pasado de estos pioneros, de pilotos, de iniciativas que marcaron una primera etapa, a un despliegue a escala», afirmó durante su intervención.
Microsoft utiliza su propia organización como ejemplo. Con más de 200.000 empleados, la compañía asegura disponer ya de más de 800.000 agentes funcionando internamente. El dato refleja una estructura en la que una misma persona puede trabajar con varios sistemas especializados y anticipa un modelo donde equipos humanos y agentes participan conjuntamente en los procesos empresariales.
Salcedo utilizó el concepto de «capital de IA» para describir la capacidad de computación que las organizaciones empiezan a combinar con el capital humano. Desde esa perspectiva, la empresa tiene que decidir qué tareas asigna a personas, cuáles puede trasladar a agentes y cuánto presupuesto dedica a cada parte.
El planteamiento procede de un proveedor que comercializa infraestructura y herramientas para estos despliegues, pero introduce una cuestión económica relevante: cuando una compañía incorpora decenas o cientos de agentes, el uso de IA deja de ser únicamente una herramienta individual de productividad y empieza a convertirse en una partida operativa que exige presupuesto, seguimiento y evaluación.
A medida que los grandes modelos están disponibles para un número creciente de organizaciones aparece además un problema de diferenciación. Si competidores de un mismo sector pueden acceder a capacidades similares, utilizar el último modelo disponible ofrece una ventaja cada vez menos exclusiva.
Microsoft sitúa entonces el valor en el contexto de cada compañía: sus datos, reglas, procesos, conocimiento y forma de operar.
«Un modelo bien entrenado con nuestra realidad es mucho más potente que un modelo, el último modelo, sin el contexto adecuado», sostuvo Salcedo.
La idea desplaza parte del valor hacia activos que las compañías ya poseían antes de la actual ola de IA. Históricos de operaciones, procedimientos, bases de conocimiento o información sobre clientes permiten adaptar una capacidad generalista a un problema específico.
También aumentan las exigencias de protección y evaluación. Los agentes necesitan permisos para acceder a sistemas y datos, pero esos accesos deben limitarse a lo necesario. Una vez desplegados, además, su comportamiento y su coste requieren seguimiento continuo.
La pregunta deja así de ser únicamente qué puede hacer un agente. También importa cuánto cuesta, qué información utiliza, qué decisiones puede ejecutar y qué mecanismos permiten corregirlo o detenerlo.
Salesforce introduce el problema del retorno
Ana Alonso, vicepresidenta senior y directora general de Europa Este y Mediterránea, Turquía, Israel y África de Salesforce, abordó la transición desde otra perspectiva: algunas organizaciones están empezando a comprobar que el retorno de sus inversiones en IA tarda más de lo esperado mientras los costes aumentan.
Para explicarlo recurrió a la electrificación. Las primeras empresas que instalaron bombillas pudieron trabajar durante más horas y obtener mejoras inmediatas. Esa ventaja perdió valor cuando sus competidores hicieron lo mismo. La transformación económica llegó cuando la electricidad permitió rediseñar procesos productivos completos.
«Estamos en la época de las bombillas», afirmó Alonso sobre la situación actual de la inteligencia artificial.
Su argumento es que repartir licencias o automatizar determinadas tareas puede generar productividad, pero esas mejoras serán difíciles de mantener como elemento diferencial cuando las mismas herramientas estén disponibles para todo el mercado. El siguiente salto requiere modificar procesos, organización y, en algunos casos, el propio modelo de negocio.
Ese paso añade una factura que también debe medirse.
Salesforce plantea que el consumo de tokens no puede utilizarse como indicador de éxito. Una organización necesita conocer qué caso de uso produce ese consumo y qué retorno obtiene. La cuenta incluye además integración de datos, conexión de agentes con los procesos y mecanismos para gobernar todos esos sistemas.
Cuanto mayor es el despliegue, menos útil resulta observar únicamente el coste del modelo. Importa cuánto cuesta incorporar un agente adicional, si los datos necesarios están accesibles y qué ocurre cuando cambia el proceso sobre el que trabaja.
El problema se traslada así desde la adquisición de tecnología hacia la arquitectura de la organización.
Inetum pide pasar de las pruebas a la cuenta de resultados
La intervención conjunta de Inetum y SAP reforzó esa misma dirección desde una posición especialmente próxima a los procesos de negocio.
Cuando una empresa llega a un comité de dirección pidiendo «inteligencia artificial», explicó Josep Aracil, responsable de estrategia, marketing, comunicación y asuntos públicos de Inetum para Iberia y Latinoamérica, la demanda que termina apareciendo es bastante más concreta: «productividad medible».
Aracil defendió que la IA ha dejado de ser un proyecto exclusivamente técnico y que determinadas decisiones deben subir al consejo de administración. El objetivo, sostuvo, es abandonar el «teatro de la innovación» asociado a pruebas de concepto sin continuidad y llevar la tecnología a actividades que afectan directamente al funcionamiento de la empresa.
Los ejemplos son menos llamativos que una demostración de un nuevo modelo, pero económicamente más relevantes: cerrar cuentas al final de mes, gestionar contratos con distribuidores, automatizar partes de un proceso de selección o reducir tareas administrativas.
Para Inetum, son precisamente los procesos estructurados y respaldados por datos consistentes los que permiten implantar IA con mayor facilidad y comprobar después si existe un impacto tangible en la cuenta de resultados.
El planteamiento conecta con Salesforce, aunque desde otra posición en la cadena tecnológica. El reto deja de ser mostrar que la herramienta funciona y pasa a demostrar que modifica una variable empresarial que merece la inversión.
También cambia quién debe decidir. Si la IA afecta a costes, productividad, estructura de procesos y uso del tiempo de los profesionales, su implantación deja de estar limitada al departamento tecnológico.
SAP renuncia a competir por el modelo y apuesta por el dato de negocio
Jorge Morillo, Head of Government Affairs and Public Policy de SAP España, introdujo una decisión estratégica que resume bien ese desplazamiento del mercado: SAP no pretende desarrollar su propio modelo fundacional.
La compañía opta por integrar modelos de distintos proveedores y concentrarse en las capas donde considera que dispone de una ventaja propia: conocimiento sectorial, aplicaciones empresariales y datos de negocio.
La distinción es relevante. Para SAP, no todos los datos aportan el mismo valor a un sistema de inteligencia artificial. Los ERP contienen transacciones, operaciones y relaciones propias de cada organización, información que sus competidores no poseen y que proporciona contexto a los agentes.
Cuanto más específico sea ese contexto, sostuvo Morillo, más precisas pueden ser las decisiones tomadas por un sistema.
La estrategia consiste en incorporar IA dentro de las aplicaciones donde los usuarios ya trabajan, en lugar de obligarlos a desplazarse hacia una herramienta separada. Sobre esa base, SAP plantea una combinación entre datos empresariales, aplicaciones, agentes y una capa de orquestación que coordine su funcionamiento.
La apuesta vuelve a situar la diferenciación fuera del modelo generalista. El activo difícil de replicar pasa a ser la información que describe cómo funciona realmente la empresa y el contexto que permite interpretarla.
Ese principio también afecta a los agentes. Un sistema capaz de ejecutar acciones sobre un ERP puede acceder a información financiera, comercial, logística o de personal y tomar decisiones con consecuencias directas sobre la organización. Cuanto más útil resulta, mayor es también la necesidad de establecer controles.
Del gobierno de los datos al gobierno de las decisiones
Inetum llevó esa cuestión un paso más allá al plantear que la siguiente fase de la gobernanza empresarial puede desplazarse desde el control de los datos hacia el control de las decisiones.
Hasta ahora, buena parte de la discusión sobre IA corporativa se ha concentrado en dónde reside la información, quién puede acceder a ella o bajo qué jurisdicción se procesa. Esas cuestiones continúan siendo importantes, especialmente en administraciones y sectores regulados, pero los agentes añaden un problema adicional: pueden actuar sobre esa información.
Aracil planteó que las organizaciones tendrán que definir qué puede decidir un agente, hasta dónde llegan sus atribuciones, a quién responde y en qué situaciones debe elevar una decisión a una persona.
Su comparación fue tratar al agente como un «empleado nuevo»: determinar qué puede firmar, qué responsabilidades tiene, cuándo debe pedir ayuda y bajo qué condiciones puede revocarse su capacidad de actuar. Las decisiones automatizadas, defendió, necesitan ser trazables y controlables.
Ese problema adquiere especial importancia en el sector público. Un agente podría intervenir en la gestión de documentos, procedimientos administrativos o concesión de ayudas. En ese escenario, la eficiencia del sistema importa, pero también la posibilidad de reconstruir cómo se llegó a una decisión y quién conserva la responsabilidad final.
El paso hacia agentes con mayor autonomía convierte la gobernanza en una condición operativa, no únicamente regulatoria.
La soberanía entra en el diseño tecnológico
SAP e Inetum introdujeron además la soberanía como otra variable de arquitectura.
Morillo defendió una interpretación abierta del concepto y advirtió de que no debería traducirse automáticamente en abandonar servicios cloud para regresar a infraestructuras exclusivamente locales. Para SAP, la soberanía tiene una dimensión estratégica relacionada con datos, operaciones, seguridad, jurisdicción y capacidad de decisión.
La compañía reclama también una mayor armonización europea para evitar que diferentes interpretaciones nacionales añadan complejidad al despliegue de estas tecnologías.
Inetum trasladó esa discusión al diseño de proyectos concretos. En administraciones y sectores regulados, cuestiones como dónde residen los datos, quién opera la plataforma, qué capacidad existe para cambiar de proveedor o cómo se garantiza la interoperabilidad ya forman parte de la arquitectura desde el comienzo.
La soberanía deja así de aparecer únicamente como un debate geopolítico y entra en decisiones técnicas y contractuales que afectan a clientes y proveedores.
Una nueva fase de la IA empresarial
Microsoft, Salesforce, Inetum y SAP participan en mercados distintos y tienen incentivos comerciales propios, por lo que sus planteamientos no deben interpretarse como una evaluación independiente del impacto de la inteligencia artificial.
La coincidencia entre sus intervenciones resulta, sin embargo, relevante para entender hacia dónde se está desplazando la oferta tecnológica.
Microsoft sitúa la diferenciación en el contexto y conocimiento propios de cada organización. Salesforce advierte de que las ganancias iniciales pueden diluirse si no existe una transformación más profunda y reclama medir los costes asociados a los agentes. Inetum lleva la conversación a productividad y cuenta de resultados. SAP opta por no competir en modelos fundacionales y concentra su estrategia en los datos empresariales, las aplicaciones y la orquestación de agentes.
El punto común es que el modelo empieza a ser solo una de las capas.
A medida que la IA se integra en operaciones reales, adquieren más peso la calidad de los datos, la estructura de los procesos, el coste de la computación, la protección del conocimiento interno, la capacidad de integrar agentes y los mecanismos para gobernar las decisiones que estos sistemas pueden tomar.
También cambia el indicador utilizado para valorar una implantación. El número de licencias desplegadas o de pruebas iniciadas dice poco sobre su efecto económico. Productividad, coste por proceso, tiempo liberado, calidad de las decisiones y capacidad para escalar ofrecen referencias más próximas al funcionamiento real de una empresa.
Santander40 dejó así una conversación empresarial menos centrada en demostrar lo que puede hacer la IA y más preocupada por decidir dónde merece la pena utilizarla. Cuando el acceso a los modelos se generaliza, la ventaja se desplaza hacia activos y capacidades bastante menos intercambiables: los datos que una empresa ha acumulado, los procesos que ha construido y su capacidad para convertirlos en resultados sin perder el control sobre costes y decisiones.
