Gen AI: del entusiasmo a la adopción real. ¿Qué frena a las empresas y qué podemos hacer al respecto?

Aunque muchas herramientas de Gen AI se presentan como "no code", lo cierto es que se necesita un conocimiento técnico profundo para integrarlas en procesos complejos, sin comprometer la seguridad ni la escalabilidad. Según el AI Index Report 2024 de la Universidad de Stanford, el 63% de las organizaciones menciona la escasez de talento en IA como principal obstáculo para pasar de pilotos a soluciones operativas. La demanda supera con creces la oferta, sobre todo en perfiles como arquitectos de soluciones, especialistas en MLOps o ingenieros de datos con experiencia en LLMs.

La Gen AI necesita datos. Muchos datos. Y bien organizados. Pero la realidad es que la mayoría de las empresas aún opera con silos departamentales, múltiples versiones de la verdad y sistemas desconectados. Sin una arquitectura de datos moderna —basada en principios de gobierno, interoperabilidad y trazabilidad— los modelos generativos carecen del combustible necesario para aportar valor. Esto es especialmente crítico en sectores regulados como banca, salud o energía.

Con la aprobación del AI Act en la Unión Europea y otros marcos normativos en desarrollo, muchas áreas de compliance han adoptado posturas de extrema cautela. El temor a los sesgos, la falta de trazabilidad en decisiones automatizadas o el uso indebido de datos sensibles ha llevado a congelar o ralentizar muchas iniciativas. Esta incertidumbre jurídica genera fricción especialmente en proyectos con implicaciones en derechos fundamentales o impacto reputacional.

Según el informe State of Generative AI in the Enterprise 2024 de Deloitte, muchas empresas reconocen que todavía están experimentando con IA generativa sin métricas claras de retorno, lo que dificulta tomar decisiones basadas en valor real generado. Esto está reflejando una realidad: muchas iniciativas están en fase exploratoria, con beneficios indirectos difíciles de cuantificar en términos financieros. La clave está en establecer marcos de medición adaptados a los nuevos modelos de productividad y eficiencia cognitiva, más allá de los costes tradicionales.

Según el BCG GenAI Pulse Check 2024, mientras que un 68% de startups tecnológicas ya usan GenAI de forma diaria en sus flujos de trabajo, solo el 21% de las grandes empresas ha logrado escalarla más allá de pilotos. La diferencia no es tecnológica, sino cultural. La adopción efectiva requiere tolerancia al error, ciclos de mejora rápida y una cultura de aprendizaje continuo. Tres ingredientes escasos en estructuras jerárquicas tradicionales.

La experiencia demuestra que los despliegues exitosos empiezan en áreas con alta fricción o falta de personal cualificado: atención al cliente, operaciones legales, control financiero o automatización documental. Estos entornos permiten probar valor sin impactar el corazón del negocio, generar quick wins y escalar desde la legitimidad interna.

• Azure Foundry: entorno visual, seguro y escalable para desarrollar aplicaciones con modelos propios (Azure ML) o fundacionales (GPT, Mistral, Phi). Ofrece RAG, Prompt Flow, Search y copilotos integrados.

• Microsoft Fabric: orquesta todo el ciclo de vida del dato (ingesta, transformación, análisis, visualización) y se integra nativamente con Copilot y Power BI.

• Databricks (Lakehouse) y Snowflake (AI Data Cloud): líderes en rendimiento y escalabilidad para pipelines complejos con IA.

• Amazon SageMaker y Google Vertex AI: opciones avanzadas para despliegue y entrenamiento de modelos a escala cloud.

La elección dependerá del stack tecnológico previo, los casos de uso y el grado de madurez de cada organización.

La Gen AI cambia qué tareas se hacen, quién las hace y cómo se mide el valor. Implica desaprender, automatizar, reasignar y supervisar con criterios nuevos. Las organizaciones que entiendan esto no solo serán más productivas: serán más adaptables.

El concepto de copiloto empieza a quedarse corto. El futuro se orienta hacia “digital teammates”: agentes que no solo responden, sino que proponen, corrigen, ejecutan y aprenden del contexto. Esto cambia el modelo de trabajo y, por tanto, el modelo de negocio. Ya no se trata de vender horas o tareas, sino valor generado en colaboración con sistemas autónomos.

Esto tendrá consecuencias en áreas como la fijación de precios, que dejará de basarse únicamente en el tiempo o el esfuerzo humano invertido, para pasar a valorar el impacto generado por sistemas híbridos humano-IA. En muchos casos, los servicios pasarán a tarificarse según resultados obtenidos, precisión del modelo, o eficiencia operativa lograda. También afectará la forma de medir el rendimiento o incluso en la manera de estructurar los equipos humanos.

La medición del impacto debe evolucionar. Más allá del ahorro de costes, hay que evaluar:

• Velocidad de entrega de decisiones.

• Precisión y reducción de errores.

• Satisfacción interna y experiencia de cliente.

• Capacidad de adaptación organizativa.

KPIs adaptados a proyectos de IA pueden ayudar a visualizar el progreso más allá de las métricas financieras tradicionales.

El liderazgo en la era Gen AI exige competencias nuevas. No se trata de ser tecnólogo, sino de entender las dinámicas del trabajo híbrido humano-máquina. El CEO del futuro debe:

• Identificar dónde un agente puede aportar más valor que una persona, y viceversa.

• Promover culturas de aprendizaje continuo y experimentación.

• Ser capaz de diseñar arquitecturas de decisiones distribuidas.

• Comunicarse eficazmente con sistemas inteligentes.

La figura del CEO evolucionará desde el "director de personas y recursos" hacia un orquestador de capacidades humanas y digitales, con responsabilidades que incluirán ética algorítmica, gobernanza de datos y diseño de sistemas productivos híbridos.

La Gen AI es poderosa, pero también plantea riesgos reales: deepfakes, manipulación de identidades, sesgos algorítmicos, ataques a la privacidad… No es ciencia ficción. El Foro Económico Mundial ha alertado de que la mayoría de los usuarios ya tiene dificultades para distinguir entre contenidos reales y generados por IA. En su artículo 4 ways to future-proof against deepfakes in 2024 and beyond, destacan la urgencia de adoptar medidas preventivas, como la trazabilidad de modelos, la gobernanza proactiva y la supervisión ética integrada desde el diseño.

Por eso es imprescindible:

• Establecer comités de ética y riesgos.

• Documentar cómo se entrenan y validan los modelos.

• Aplicar principios de AI explainability, gobernanza y seguridad.

Europa tiene una ventaja si apuesta por una IA centrada en derechos, transparencia y confiabilidad.

La IA generativa no está sobrevalorada. Su potencial es enorme, pero su adopción exige mucho más que entusiasmo. Requiere madurez tecnológica, visión estratégica, apertura cultural y —sobre todo— una comprensión clara de qué problemas se quieren resolver. Pensar que basta con implementar un chatbot o una integración de API es un error común que puede salir caro. Las organizaciones que sepan alinear casos de uso con valor de negocio real, que construyan sobre datos bien gobernados, y que formen a sus equipos para trabajar codo a codo con la IA, serán las que lideren esta nueva etapa de transformación.

En AÓNIDES, ayudamos a las organizaciones a transitar ese camino, conectando tecnología, personas y propósito. La Gen AI no es una moda: es el nuevo lenguaje de la productividad, la creatividad y la estrategia empresarial.

No se trata de si adoptarás Gen AI, sino de cuándo, cómo y con qué valores lo harás.

👉 Si ya estás superando estos obstáculos y quieres escalar la Gen AI con visión estratégica, te invitamos a leer nuestra guía práctica sobre cómo convertirla en un motor real de ventaja competitiva: Lee el artículo completo aquí.