IA generativa y el nuevo ciclo de transformación empresarial

Por: Jorge Torres, subdirector de Desarrollo y Organización Académica, área de Ciencias de la Computación y Tecnología, UNIR.

La inteligencia artificial generativa se ha convertido en uno de los motores más visibles de cambio organizacional. Según estudios del Foro Económico Mundial publicados en enero de 2025, el 75% de las empresas encuestadas a escala global están invirtiendo en herramientas basadas en este tipo de tecnología. Esta tendencia marca un giro en la forma en que las compañías piensan sus procesos, estructuras y capacidades futuras.

A diferencia de modelos tradicionales de inteligencia artificial, que dependían de equipos técnicos especializados y desarrollos complejos, la IA generativa permite trabajar con modelos previamente entrenados. Esta condición habilita funciones que antes requerían años de construcción técnica. La consecuencia inmediata es que equipos de negocio, áreas operativas o usuarios no técnicos pueden trabajar con capacidades que antes estaban fuera de su alcance.

El interés por estos modelos se vincula directamente con los beneficios que produce. Las compañías buscan hacer sus procesos más fluidos, reducir gastos operativos y abrir espacios para crear productos o servicios distintos.

Por ejemplo, en el mundo del software, hoy en Europa, si se desarrollan mil líneas de código, el 45% es creado por IA generativa. Los desarrolladores utilizan estas tecnologías para acelerar su capacidad de producción. Esto trae beneficios como acelerar las tareas de un ingeniero de software, lo que eleva su productividad, implica menores costos, mayor velocidad para atender nuevos proyectos y disminuye el coste de producción del software. Por lo tanto, aunque la integración de estas tecnologías representa una inversión, los beneficios son múltiples, y esta es la motivación para adoptarlas.

La incorporación de tecnologías de IA suele apoyarse en metodologías que examinan procesos con alto impacto económico para decidir dónde intervenir. Cuando una función consume tiempo, recursos humanos y espacio operativo de manera desproporcionada, es común preguntarse si un sistema automatizado puede hacerse cargo. El ejemplo de una llamada telefónica dentro de un proceso comercial ilustra bien este punto. Si esa actividad concentra una parte importante del costo, puede analizarse la posibilidad de que un modelo se encargue de ella, liberando tiempo para atender a más clientes y generar ingresos. Estas decisiones requieren conocimiento del negocio, por lo que la participación de especialistas internos es importante pues son quienes entienden dinámicas, restricciones, prioridades y puntos de dolor.

Los obstáculos en estos procesos no suelen provenir de la arquitectura técnica. La tecnología disponible hoy permite construir soluciones robustas, integradas y funcionales. La dificultad aparece cuando se intenta aplicar estos modelos en tareas que aportan poco o cuya importancia es marginal. También aparece cuando el cambio genera dudas en las personas sobre el valor de su propio trabajo. La transformación tecnológica despierta inquietudes profesionales y emocionales que, de no ser atendidas, se convierten en resistencia. Las organizaciones que han logrado integrar IA con mayor naturalidad invierten en comunicación, formación y acompañamiento, permitiendo que los equipos comprendan qué tipo de oportunidades se abren cuando parte del trabajo es asistido por sistemas automatizados.

Un factor determinante en este proceso es la gobernanza de los datos. Toda aplicación de IA se construye a partir de información, y las empresas necesitan políticas que definan cómo se utilizan, quién accede y con qué finalidades. Existen preocupaciones legítimas sobre la posibilidad de que la información usada para entrenar modelos sea almacenada, transferida o replicada fuera de los límites organizacionales. Un sistema de gobernanza ayuda a establecer reglas, prevenir fugas, dividir responsabilidades y proteger los activos de información sin afectar la operación. Porque de lo que se trata es diseñar una estructura que permita que los datos tengan un propósito claro.

El surgimiento de estas tecnologías ha transformado también los perfiles profesionales. Hoy se observa una expansión de roles especializados en análisis de datos, machine learning, visión por computadora, robótica o arquitectura de datos. Cada uno tiene un lugar dentro de un sistema de trabajo que se vuelve más técnico y exigente. De forma paralela, aparecen perfiles híbridos en sectores que antes no se vinculaban directamente con tecnología. Profesionales de finanzas, marketing, educación, ingeniería o salud trabajan con modelos predictivos, análisis de comportamiento, producción de contenido automatizado o diagnósticos asistidos. Incluso sectores asociados a sostenibilidad y energía incorporan datos para simulaciones y monitoreo.

Además de los roles técnicos, se requiere una capa de dirección que oriente decisiones. Funciones como Chief Data Officer o responsables de gobierno del dato definen políticas, procesos, estándares y relaciones entre tecnología y negocio. La tecnología amplía posibilidades, pero necesita decisiones que ordenen responsabilidades y asignen recursos. La formación profesional debe combinar educación formal, práctica, especialización y experiencia.

En este entorno, cabe la pregunta sobre la estructura organizacional adecuada para gestionar tecnologías que atraviesan áreas enteras de la empresa. No existe un modelo universal. Algunas compañías concentran la capa tecnológica en un área centralizada; otras la dividen entre equipos distribuidos. La decisión dependerá de factores como tamaño, industria, disponibilidad de recursos o relación con operaciones globales. La única constante es la necesidad de coordinar funciones que antes trabajaban de manera aislada.

La inteligencia artificial generativa no solo introduce herramientas nuevas. Reconfigura tiempos, tareas, responsabilidades y expectativas. Cambia la pregunta sobre qué hacen las personas en el trabajo y cómo se organiza ese trabajo cuando existen sistemas capaces de producir, interpretar y decidir. Las empresas que logren entender esa dinámica no estarán simplemente adoptando tecnología; estarán diseñando una forma distinta de operar y aprender.