La implementación de la inteligencia artificial en entornos corporativos ha provocado una fragmentación de las competencias técnicas necesarias para su despliegue. Hasta hace poco, la ciencia de datos se concentraba en perfiles generalistas encargados del análisis estadístico y la creación de modelos. Sin embargo, la transición hacia sistemas de producción ha consolidado tres figuras clave con responsabilidades diferenciadas.
El ingeniero de IA se centra en la integración de modelos existentes en aplicaciones funcionales, priorizando la eficiencia del software y la conectividad. El científico aplicado, por su parte, busca adaptar la investigación teórica y los avances en machine learning a problemas empresariales concretos, transformando el potencial del modelo en una solución técnica viable. Finalmente, el ingeniero de despliegue avanzado actúa como el puente crítico entre la capacidad técnica del modelo y la realidad operativa del cliente, gestionando las restricciones de hardware y los permisos de acceso a datos propietarios.
Esta evolución marca el fin de la era en la que el modelo era el activo principal. Anteriormente, el valor residía en la arquitectura del modelo o en el volumen de datos de entrenamiento. Actualmente, el valor se ha desplazado hacia el diseño del flujo de trabajo y la calidad de los datos específicos de cada industria. La capacidad de un sistema para integrarse en un proceso operativo real es ahora más determinante que el benchmark del modelo subyacente.
El análisis de 136 casos de uso implementados en un periodo de 20 días revela que la IA ha salido de la interfaz de chat para convertirse en infraestructura física. Un ejemplo destacado es el de Narayana Health en Bengaluru, que utiliza la IA para coordinar el despacho de drones de la empresa Airbound. Este sistema ha completado más de 1.000 vuelos, transportando muestras diagnósticas en trayectos de aproximadamente 4 kilómetros en unos siete minutos. Esta optimización reduce un tiempo de transporte terrestre que solía oscilar entre las tres y cinco horas debido a la congestión urbana y la necesidad de agrupar muestras.
La integración es tan profunda que el nuevo Hospital Banashankari de la misma entidad ha sido diseñado sin laboratorio de diagnóstico ni banco de sangre interno. La arquitectura del edificio ha cambiado para depender totalmente de una red de drones que conectan el centro con instalaciones centralizadas. Este caso demuestra que la IA aplicada no solo optimiza un proceso, sino que redefine la infraestructura física de los servicios públicos, eliminando la necesidad de espacios técnicos redundantes dentro de los centros hospitalarios.
En el sector del transporte, Frito-Lay ha desplegado 41 camiones autónomos a través de la tecnología de Gatik. Estas unidades operan en Dallas, Phoenix y el noroeste de Arkansas. El despliegue comenzó con rutas fijas de menos de 16 kilómetros y ha evolucionado hacia rutas dinámicas con múltiples paradas que cubren hasta 640 kilómetros. La estrategia no ha consistido en crear un vehículo inteligente general capaz de navegar cualquier entorno, sino en automatizar rutas específicas cuya predictibilidad permitía una implementación segura y eficiente.
Este enfoque de automatización estrecha contrasta con los intentos previos de lograr una autonomía total en entornos urbanos complejos. Al centrarse en rutas valiosas y predecibles, Gatik ha logrado generar 600 millones de dólares en ingresos contratados, priorizando la viabilidad operativa sobre la versatilidad del software. El éxito reside en reducir la variabilidad del entorno para que la IA pueda operar con un margen de error mínimo.
Google Research y NATS, el proveedor de servicios de tráfico aéreo del Reino Unido, desarrollan actualmente la Operación Blue Skies. Este proyecto de 30 meses busca utilizar pronósticos meteorológicos basados en IA para rediseñar las rutas de vuelo sobre el Atlántico Norte y evitar la formación de estelas de condensación, que contribuyen al calentamiento global. El ensayo prevé cubrir unos 10.000 vuelos anuales en el espacio aéreo de Shanwick.
La diferencia fundamental de este proyecto respecto a otros sistemas de optimización aérea es la implementación de un bucle de retroalimentación física. El sistema utiliza observaciones satelitales para verificar si las rutas modificadas evitaron efectivamente la creación de las estelas. Este proceso de predecir, cambiar la ruta y verificar el resultado mediante datos externos reales otorga una validez empírica que supera la de los paneles de control basados en ahorros estimados.
En el ámbito de la maquinaria pesada, Caterpillar ha implementado el asistente de IA de Cat. Esta herramienta permite a los técnicos de campo consultar procedimientos de reparación e identificar piezas mediante comandos de voz. La ventaja competitiva de Caterpillar no reside en la interfaz de voz, sino en el acceso a 16 petabytes de datos estructurados procedentes de 1,6 millones de máquinas conectadas.
El sistema debe resolver problemas de contexto operativo complejos: determinar qué manual es aplicable a cada máquina específica, identificar la ubicación exacta del técnico y validar qué acciones puede ejecutar según su nivel de permiso. Caterpillar utiliza además gemelos digitales y agentes de IA para el desarrollo y prueba de software, integrando la herramienta en los flujos de trabajo ya existentes de los operadores para evitar la fricción en la adopción tecnológica.
El despliegue de la IA a gran escala ha trasladado la atención desde los benchmarks de software hacia la infraestructura física. Documentos presentados ante la SEC revelan que la capacidad de cómputo depende ahora de factores críticos como la refrigeración líquida y el suministro eléctrico. ChronoScale, por ejemplo, planea construir 50 megavatios de capacidad de cómputo en Norteamérica para Microsoft utilizando sistemas NVIDIA GB300 NVL72.
Este proyecto requiere una planificación exhaustiva de terrenos, cronogramas de entrega de hardware y sistemas de refrigeración líquida avanzados, ya que la densidad energética de los nuevos chips de NVIDIA hace que la refrigeración por aire sea insuficiente. La infraestructura física se ha convertido en el cuello de botella real, desplazando la importancia de la optimización del código hacia la gestión de la energía y la termodinámica de los centros de datos.
Existen también aplicaciones donde la potencia bruta es secundaria frente a la robustez y la autonomía. En Ucrania, se han desplegado portátiles con GPU reforzados, diseñados para funcionar sin conexión a internet, destinados a la detección de amenazas explosivas. Estos sistemas, adquiridos mediante subcontratos de aproximadamente 180.000 dólares que incluyen licencias de software y actualizaciones por tres años, demuestran que en entornos de alta criticidad la capacidad de procesamiento local y la resistencia física son más valiosas que el acceso a la nube.
La integración de la IA en la gestión corporativa ha llevado a empresas como Sysco a renombrar su Comité de Tecnología como Comité de Transformación de IA y Tecnología. Este órgano se reúne mensualmente para supervisar un programa de ahorro de costes de 100 millones de dólares apoyado en la automatización. No obstante, mientras el comité es una estructura real, los ahorros siguen siendo un objetivo proyectado y no un resultado auditado.
Paralelamente, Intapp ha implementado agentes expertos que utilizan ontologías industriales, memoria institucional y registros de auditoría para rastrear cada decisión tomada por la IA. La empresa ha integrado la gobernanza directamente en el producto mediante controles de permisos y registros de seguimiento de decisiones, evitando que la supervisión sea un trámite administrativo posterior al despliegue.
Sin embargo, la seguridad sigue siendo una preocupación latente. Analog Devices ha advertido formalmente en sus comunicaciones de riesgo que el código generado por IA puede introducir vulnerabilidades operativas o código malicioso. Esta advertencia sitúa la programación automatizada dentro del perímetro de riesgo formal de la empresa, obligando a los ingenieros de IA a mantener una supervisión humana rigurosa sobre el código producido por modelos generativos para evitar incidentes de ciberseguridad.
A pesar del optimismo, existe una brecha significativa entre los anuncios y los resultados medibles. De los 136 casos de uso analizados entre el 11 y el 30 de agosto, solo 38 reportaron resultados concretos. El desglose muestra que 47 sistemas están en producción, 34 son anuncios, 16 son pilotos y 9 han sido detenidos o revertidos. Esto significa que 98 casos no presentaron datos sobre el impacto real de la implementación.
Esta disparidad sugiere que gran parte de la retórica actual sobre la IA aplicada carece de evidencia empírica. Muchas organizaciones se encuentran en fases de anuncio o piloto sin métricas auditadas, y los datos reportados en los 38 casos exitosos provienen mayoritariamente de las propias empresas o proveedores, utilizando líneas base distintas y sin auditorías externas. Además, el hecho de que 50 de los 136 casos provengan del sector tecnológico indica un sesgo en los reportes, no siendo una muestra representativa de toda la economía.
La transición hacia la automatización total presenta desafíos éticos y operativos. Un caso en una tienda experimental de San Francisco gestionada por Luna ilustra los peligros de delegar decisiones de recursos humanos a la IA. El sistema procedió al despido de un empleado por llegadas tarde y abandono de turnos, pero los ingenieros descubrieron que la IA había ignorado el propio manual del empleado que ella misma había redactado.
El sistema no reconoció que el comportamiento del trabajador violaba las normas internas hasta que los humanos intervinieron y analizaron los patrones de pérdida económica, que ascendían a 40.000 dólares. Este incidente resalta que la capacidad de juicio y la adherencia a reglas normativas siguen requiriendo supervisión humana constante. La IA puede gestionar flujos de trabajo complejos, pero carece de la capacidad de aplicar el sentido común o la coherencia normativa en contextos de alta responsabilidad.
Para distinguir entre un anuncio de marketing y un caso real de IA aplicada, se ha propuesto un test de cuatro preguntas: ¿Qué flujo de trabajo exacto ha cambiado?, ¿Quién es el responsable cuando la IA comete un error?, ¿Qué puede ver, decidir y ejecutar el sistema? y ¿Qué ha mejorado exactamente en comparación con el estado anterior?
Si una organización no puede responder a estas cuestiones con datos medibles, el proyecto se clasifica como un anuncio y no como un caso de estudio. El futuro de la IA industrial dependerá de la capacidad de resolver los cuellos de botella físicos —energía, refrigeración y conectividad— y de la implementación de controles estrictos sobre verbos operativos críticos como aprobar, transaccionar o despedir, donde el error tiene consecuencias legales y económicas directas.
