La inteligencia artificial no solo ofrece soluciones a nivel empresarial, sino que también plantea desafíos importantes. En este sentido, las organizaciones enfrentan obstáculos estructurales que van desde la complejidad de normalizar datos heterogéneos hasta la escasez de talento especializado, sin mencionar el fenómeno de las “alucinaciones” de los modelos de IA, que generan información incorrecta con aparente convicción. Este contexto complica la materialización del retorno de inversión esperado.

En este sentido, un reporte del MIT afirma que el 95% de los proyectos piloto de IA generativa en entornos corporativos no logran trascender la fase experimental. Por su parte, McKinsey señala que, aunque el 80% de las organizaciones ya adoptó tecnologías de IA de última generación, ese mismo porcentaje no experimentó mejoras significativas en su rendimiento operativo.

¿Qué explica esta brecha entre la expectativa y realidad? La respuesta radica en que cada organización enfrenta desafíos de negocio particulares y requiere resultados específicos, no soluciones genéricas. En consecuencia, durante 2026 las empresas se enfocarán en modelos de IA más pequeños, diseñados para casos de uso concretos y medibles.

Frente a este escenario, el primer paso debería ser automatizar procesos, lo que también permitirá entrenar a los colaboradores y destinarlos a proyectos de IA más innovadores. Al mismo tiempo, será clave trabajar en la normalización de los datos: revisarlos, “limpiarlos” y optimizar su calidad. Una vez concluida esta etapa, las empresas deberían definir los casos de uso prioritarios, y establecer indicadores de evolución precisos.

Entre las aplicaciones de IA que están ganando tracción destacan los agentes conversacionales con reconocimiento de voz para elevar la calidad de la atención al cliente; plataformas de capacitación de personal que optimizan el flujo de información organizacional y la implementación y refinamiento de procesos internos con asistencia de IA. Completan el listado, la gestión predictiva de proyectos basada en el análisis de iniciativas previas y los sistemas de detección y prevención de fraude en operaciones financieras.

Durante el próximo año, los agentes de IA (también denominados “Agentic AI”) alcanzarán un rol protagónico. Estos sistemas, capaces de ejecutar procesos complejos con comprensión contextual, representan un salto cualitativo respecto a la automatización tradicional. Gartner proyecta que hacia fines del próximo año, el 40% de las aplicaciones empresariales integrarán agentes de IA especializados por tarea, en contraste con menos del 5% en 2025.

Estos agentes operan con datos rigurosamente gestionados, en cumplimiento de marcos regulatorios y normativas regionales. Por tanto, la normalización de datos se convierte en un requisito impostergable para cualquier empresa que busque resultados exitosos.

Para apoyar estas innovaciones, Red Hat propone soluciones como Ansible, para automatización inteligente, y OpenShift, una plataforma abierta y flexible que permite a las compañías definir los aceleradores de software según cada caso de uso.

Al seguir estos pasos y trabajar sobre plataformas abiertas, estándar e híbridas (combinando modelos on-premise y en la nube), los desarrollos de IA empresariales tienen muchas más posibilidades de alcanzar el éxito.

-Alejandro Raffaele, Director Senior de Ventas Enterprise para Latinoamérica de Red Hat.