La inteligencia artificial generativa se ha consolidado como una herramienta estratégica para empresas de todo el mundo. Según McKinsey, el 65% de las organizaciones ya la utiliza regularmente, casi el doble que hace solo diez meses. Además, más del 72% de las empresas han integrado alguna forma de inteligencia artificial en al menos una función de negocio, reflejando un interés global sin precedentes en esta tecnología.

Sin embargo, este crecimiento vertiginoso no siempre se traduce en un uso profundo o amplio. La misma investigación revela que, aunque muchas empresas han logrado implementarla en uno o dos escenarios específicos —como marketing, desarrollo de productos o servicio al cliente—, muy pocas han escalado la tecnología a múltiples áreas operativas. De hecho, solo una pequeña fracción de las organizaciones reporta que la IA generativa impacta significativamente en su rentabilidad, lo que pone en evidencia las dificultades para llevar estas soluciones más allá de las pruebas iniciales.

Los desafíos para escalar la IA generativa son significativos. Problemas como la calidad y gobernanza de los datos, la falta de talento especializado, y los riesgos asociados a la privacidad y la inexactitud de los resultados limitan el alcance de la tecnología. Además, muchas empresas aún no han imaginado sus procesos para aprovechar completamente las capacidades de esta herramienta, lo que las deja atrapadas en implementaciones superficiales y dependientes de modelos genéricos.

A pesar de estos retos, el potencial sigue siendo enorme. Las empresas que han logrado integrarla de manera efectiva reportan beneficios concretos: reducción de costos operativos, aumento de ingresos y una mayor capacidad para responder a las demandas del mercado. Pero el mensaje es claro: para desbloquear el verdadero valor de la IA generativa no basta con adoptarla; es necesario escalarla estratégicamente, rediseñando procesos, formando equipos y mitigando riesgos desde el principio.

IA generativa: hablemos de un caso de éxito
En PiP Latam, un proyecto de inteligencia artificial generativa comenzó con una curiosidad surgida en la dirección general: ¿Qué podemos hacer con la IA? La pregunta, sencilla pero ambiciosa, llevó a Carlos Solorio, director de desarrollo de software, y su equipo a explorar las capacidades de esta tecnología en un contexto empresarial.

El equipo, integrado por miembros de las áreas de tecnología y áreas de negocio, comenzó identificando problemas operativos concretos que pudieran beneficiarse de esta herramienta. En particular, detectaron un desafío recurrente relacionado con la calidad de los datos extraídos de documentos financieros clave, como prospectos y contratos. Estos documentos contenían información no estructurada esencial para evaluar instrumentos financieros, pero errores de captura, como comas o puntos mal ubicados, estaban afectando la precisión de los procesos.

“Sabíamos que muchos proyectos de inteligencia artificial fracasan porque no se seleccionan bien los casos de uso,” comenta Carlos. Con esto en mente, optaron por un enfoque disciplinado, asegurándose de que el problema seleccionado cumpliera con tres criterios: ser significativo, estar bien definido, y contar con datos históricos suficientes para entrenar y validar los modelos.

Al identificar el caso de uso, el equipo comenzó su investigación probando diferentes modelos de lenguaje, desde ChatGPT hasta soluciones en plataformas como AWS Bedrock. La clave fue la experimentación práctica: alimentaron los modelos con datos históricos para evaluar su capacidad de extraer información crítica con precisión. En ese sentido, la participación del usuario de negocio fue fundamental. Tonatiuh Hurtado, Subdirector de Operaciones, y su equipo jugaron un rol relevante en la elaboración de los prompts adecuados para extraer la información de forma clara y precisa de los prospectos de inversión. El involucramiento del usuario final creó así un círculo virtuoso que generó rápidamente confianza y reforzó el patrocinio de la dirección general.

Lo más visto
No caigas en la estafa de la "caja misteriosa" de Shein
Seguridad
No caigas en la estafa de la "caja misteriosa" de Shein
Por Chiara Crescenzi
Cómo transferir playlists entre Spotify y Apple Music
Gadgets
Cómo transferir playlists entre Spotify y Apple Music
Por Adam Speight
WordPress quiere obligarte a aceptar que la pizza con piña es deliciosa
Negocios
WordPress quiere obligarte a aceptar que la pizza con piña es deliciosa
Por Chiara Crescenzi
Citi por fin se separa de Banamex: qué pasará con tu cuenta
Negocios
Citi por fin se separa de Banamex: qué pasará con tu cuenta
Por Fernanda González
En paralelo, surgió una oferta externa de un despacho italiano para implementar una solución basada en un modelo propietario. Sin embargo, el equipo interno decidió probar primero si podían desarrollar una solución propia. Crearon un prototipo sencillo, con una interfaz básica que permitía cargar documentos y realizar preguntas puntuales al modelo. Los resultados superaron las expectativas: un 95-96% de precisión en la extracción de datos clave. “Cuando vieron esto, la decisión fue clara: podíamos hacerlo nosotros mismos,” recuerda Carlos.

El desarrollo completo tomó aproximadamente cuatro meses, el mismo tiempo que habría requerido la solución externa. Para diciembre, el sistema ya era operativo, liberando entre 15 y 20 horas hombre por semana y reduciendo significativamente los errores de captura.

Lecciones y retos en el camino
El proyecto de PiP Latam destaca varios aprendizajes clave:

Selección de casos de uso: La claridad en los objetivos y la calidad de los datos iniciales fueron fundamentales para el éxito.
Iteración y prototipo: Un enfoque ágil permitió al equipo ajustar rápidamente el sistema basado en las necesidades del negocio.
Educación y adopción: Involucrar al equipo de negocio desde el inicio facilitó la aceptación y adaptación al nuevo sistema.
Exploración tecnológica: Probar diferentes modelos y plataformas ayudó a identificar las herramientas más adecuadas para el caso de uso.
Con el éxito del primer caso de uso, el equipo de PiP Latam ya está planeando expandir el sistema para manejar datos más complejos, como tablas, fórmulas e imágenes, y explorar nuevas aplicaciones, como asistentes para interactuar con bases de datos o validar información gráfica mediante machine learning. “Lo importante ahora es consolidar este expertise en el equipo y seguir demostrando cómo estas herramientas pueden transformar nuestra manera de trabajar", concluye Carlos. La historia de PiP Latam no solo demuestra el potencial de IA generativa, sino también el poder de un enfoque estratégico, colaborativo y basado en experimentación.

Transformación estratégica con IA generativa
La experiencia de PiP Latam resalta las claves para desbloquear el potencial de la inteligencia artificial generativa en las empresas: un enfoque centrado en problemas reales, experimentación práctica, e integración de equipos técnicos y de negocio. Estos elementos conectan directamente con las recomendaciones de McKinsey para las organizaciones que buscan implementar dicha tecnología de manera exitosa.

Los reportes de McKinsey señalan que, aunque más del 65% de las empresas la han adoptado, la mayoría no ha logrado escalar su uso más allá de uno o dos escenarios limitados. En contraste, PiP Latam demuestra cómo superar ese umbral con un enfoque disciplinado y centrado en casos de uso claros y relevantes. Siguiendo principios como priorizar la calidad de los datos, iterar con agilidad y desarrollar un framework de aprendizaje continuo, lograron generar valor tangible desde su primer proyecto.

McKinsey también subraya que el futuro de la IA generativa no radica únicamente en las capacidades tecnológicas, sino en cómo estas se integran en las operaciones cotidianas y transforman la manera en que las organizaciones trabajan. El caso de PiP Latam es un ejemplo vivo de esta idea: no se trató solo de implementar un modelo de lenguaje, sino de rediseñar procesos, liberar tiempo valioso y capacitar a equipos para aprovechar al máximo la tecnología.

Finalmente, tanto McKinsey como la experiencia de PiP Latam nos recuerdan que el camino hacia la transformación con esta herramienta no es lineal, ni genera resultados inmediatos. Requiere experimentar, iterar y, sobre todo, confiar en la capacidad de las personas para adaptarse y liderar en esta nueva era de innovación tecnológica. El reto ahora, tanto para PiP Latam como para otras empresas, es escalar estas soluciones, descubrir nuevos casos de uso y continuar avanzando en la creación de valor estratégico.