La inteligencia artificial ha dejado de ser una mera promesa teórica y hoy forma parte de la estrategia prioritaria de la mayoría de las organizaciones. Un estudio de NETSCOUT, compañía global especializada en soluciones de ciberseguridad y observabilidad, realizado durante el evento Cisco Live 2026 con cerca de 950 profesionales de TI, revela que el 82.8% de las empresas ya se encuentra discutiendo, probando, planificando o implementando proyectos basados en IA y modelos de lenguaje de gran tamaño (LLM). Sin embargo, a pesar de esta rápida adopción, muchas organizaciones aún encuentran serias dificultades para traducir estas iniciativas en resultados operativos confiables.

El estudio pone de manifiesto una brecha crítica: el interés y la aceleración de la tecnología avanzan a un ritmo superior a la preparación de las empresas. Aunque la IA se percibe como un motor clave para incrementar la eficiencia y automatizar procesos, la falta de confianza en la calidad de los datos y en la visibilidad de la infraestructura continúa siendo el principal obstáculo para su escalamiento definitivo.

“Nuestra investigación demuestra que el interés por la inteligencia artificial crece más rápido que la madurez operativa necesaria para adoptarla de forma segura. Sin datos confiables y de alta calidad, resulta muy complejo dar el salto de las fases de prueba a entornos de producción críticos”, señala Eileen Haggerty, AVP de Marketing de Productos y Soluciones de NETSCOUT.

La adopción avanza, pero la madurez sigue siendo desigual

Los resultados reflejan que la IA se ha consolidado en la agenda ejecutiva, aunque el nivel de madurez varía considerablemente. Mientras un grupo de empresas pioneras ya opera con modelos en producción, una proporción significativa continúa evaluando casos de uso o se encuentra en etapas iniciales de desarrollo.
Este escenario demuestra que implementar inteligencia artificial es solo el primer paso. El verdadero reto operativo radica en asegurar que los sistemas de IA se alimenten de información precisa y contextualizada para generar resultados consistentes y explicables.

La confianza: El principal cuello de botella

La investigación identificó que las principales barreras para ampliar el uso de la IA no residen necesariamente en los algoritmos o modelos en sí, sino en el entorno de datos. Las organizaciones reportan desafíos apremiantes en:

• Calidad de los datos: Telemetría fragmentada o con demasiado “ruido”.
• Falta de visibilidad: Brechas de monitoreo en entornos híbridos y de nube.
• Integración de herramientas: Flujos de trabajo desconectados que complican la validación.
• Incertidumbre en las respuestas: Poca explicabilidad en los resultados o recomendaciones de la IA.

Estos factores confirman que el éxito de iniciativas como AIOps o AgenticOps no es fundamentalmente un problema de IA, sino un problema de observabilidad y fundamentos de datos.

La visibilidad es indispensable para la automatización autónoma

Un 65% de los profesionales encuestados considera que el monitoreo y la observabilidad de los procesos de IA son altamente valiosos o críticos para la continuidad del negocio.
En la práctica, las organizaciones buscan evitar operar la IA como una “caja negra”. Para confiar en decisiones automatizadas, o en agentes que ejecutan acciones de forma autónoma, los equipos de TI necesitan auditabilidad y contexto en tiempo real.
A mayor visibilidad sobre el tráfico y la infraestructura de TI, mayor será la certeza para delegar operaciones de misión crítica a la IA.

Datos confiables: El factor diferenciador (Ground Truth)

Muchas organizaciones dependen de métricas, eventos, registros y trazas (MELT) tradicionales que solo muestran síntomas parciales del estado de la red. Sin una base de datos completa, contextualizada y actualizada en tiempo real, la inteligencia artificial pierde precisión, degrada su efectividad y puede generar falsos positivos.

Por ello, más allá de invertir únicamente en nuevos modelos de IA, las empresas deben garantizar una infraestructura de datos de alta fidelidad basada en la inspección directa del tráfico de red.