Su empresa compró la IA. Ahora viene la parte difícil.
El CEO de NTT DATA AIVista afirma que la mayoría de los proyectos empresariales de IA fracasan no porque el modelo sea deficiente, sino porque nadie realiza el trabajo poco glamoroso de integrarlo en flujos de trabajo reales, datos reales y controles de seguridad reales.
Puntos clave
- La mayoría de los proyectos empresariales de IA fracasan durante la implementación debido a una integración deficiente, falta de experiencia en el dominio y una propiedad poco clara de los resultados.
- El CEO de NTT DATA AIVista, Bratin Saha, afirma que el gasto destinado únicamente a adquirir un modelo de frontera deja sin reclamar la mayor parte de la rentabilidad financiera.
- El ajuste fino, el proceso de reentrenamiento de un modelo con nuevos datos, ocupó el último lugar en la encuesta más reciente de VentureBeat sobre prioridades de selección de modelos en empresas.
- NTT DATA AIVista ejecuta una combinación de modelos de frontera y de código abierto, reservando el razonamiento más costoso para decisiones donde un error conlleva un costo grave.
- Saha afirma que las empresas necesitan tecnología, experiencia en el dominio y gestión del cambio en conjunto, y que la tecnología es el menor de los tres cuellos de botella.
Cada semana, otra empresa anuncia un gran presupuesto de IA. Y cada semana, una historia más silenciosa permanece sin contarse: el cheque se cobró, el modelo se implementó y casi nada cambió.
Bratin Saha, CEO de NTT DATA AIVista, la división de IA de una de las mayores empresas de servicios informáticos del mundo, habló precisamente sobre ese problema en VB Transform 2026. Su argumento es contundente. Comprar un modelo de IA capaz es la parte fácil. Todo lo que lo rodea es donde los proyectos triunfan o fracasan.
"No es solo un modelo", dijo Saha. "Estás construyendo un sistema alrededor del modelo".
¿Por qué se estancan tantos proyectos empresariales de IA?
Se estancan porque los modelos de frontera, los sistemas de IA más potentes disponibles actualmente como GPT-5.5 o Fable 5, se entrenan con conocimiento general. Los flujos de trabajo empresariales reales no tienen nada de generales.
Saha utilizó como ejemplo los siniestros de seguros multinacionales. Esos formularios contienen escritura manuscrita y reglas regulatorias que varían según el país. Un modelo de propósito general los lee mal. La precisión se mantiene demasiado baja para que una empresa regulada confíe en ella.
La solución no es simplemente comprar un modelo más grande. El equipo de Saha llama a la solución "especialización de última milla": tomar un modelo de base capaz e integrarlo en tres capas. Primero, los datos y el contexto propios de la empresa, introducidos para que el modelo entienda el negocio específico. Segundo, un conjunto de modelos, es decir, varios sistemas de IA trabajando juntos, para que los costos de computación se mantengan manejables. Tercero, controles de seguridad especializados, verificaciones automatizadas que detectan errores y fuerzan una repetición antes de que una respuesta incorrecta llegue a un cliente o regulador.
"El mayor beneficio proviene de la especialización y luego de estos controles de seguridad especializados", dijo Saha.
¿Cuál es el costo y quién paga qué?
| Capa | Qué es | Quién la posee típicamente |
|---|---|---|
| Modelo de base | La IA central (GPT-5.5, Fable 5, código abierto) | Proveedor del modelo |
| Contexto del dominio | Datos de la empresa, flujos de trabajo no documentados | Empresa + integrador |
| Conjunto de modelos | Mezcla de modelos de frontera y más económicos de código abierto | Integrador |
| Controles de seguridad | Capa de verificación de errores automatizada | Integrador + empresa |
| Gestión del cambio | Capacitación del personal, reescritura de procesos | Empresa |
La tarifa de licencia del modelo es a menudo la línea más pequeña de ese presupuesto. Capturar el conocimiento "tribal" no documentado, lo que los trabajadores veteranos saben pero nunca escribieron, cuesta lo más. Saha dice que el equipo de NTT lo aborda sentándose con los trabajadores humanos y preguntando, llanamente, cómo realizan realmente sus trabajos.
"La única razón es porque vamos y hablamos con esos trabajadores humanos", dijo.
La escasez de personas que pueden hacer este trabajo es real. Nuestra historia del 30 de julio sobre la brecha de talento en ingeniería reportó que se proyecta que la demanda de especialistas que conectan la IA con flujos de trabajo empresariales reales aumente un 2.100 por ciento. El argumento de Saha sobre que la experiencia en el dominio es el cuello de botella parece menos un argumento de venta y más un problema estructural.
¿Qué significa esto para empresas que consideran una inversión en IA?
Presupueste el sistema completo, no solo la suscripción al modelo.
Saha dice que la secuencia también importa. Comience integrando IA en flujos de trabajo existentes en lugar de rediseñarlos desde cero. Los trabajadores que ejecutan operaciones críticas no aceptarán que un proveedor elimine un proceso en mitad del vuelo. Una vez que se genere confianza y aparezcan resultados, el rediseño más profundo se vuelve posible, y ahí es donde se encuentran los mayores rendimientos.
Hay una advertencia honesta que vale la pena mencionar. Saha estaba hablando en una sesión patrocinada; NTT DATA AIVista pagó por la plataforma. Su consejo, convenientemente, apunta hacia contratar a un integrador con experiencia. Muchas empresas más pequeñas no necesitarán una firma de esa escala. El principio subyacente se mantiene independientemente de quién realice el trabajo: el modelo son los fundamentos, y el flujo de trabajo es el premio.
Conclusión: Antes de firmar cualquier contrato de IA, mapee el flujo de trabajo que desea cambiar de principio a fin. Si no puede describir qué cambia en cada paso y quién es responsable del resultado, el presupuesto de tecnología está adelantado al plan.
