Su empresa compró la IA. Ahora viene la parte más difícil.
El CEO de NTT DATA AIVista dice que la mayoría de los proyectos de IA empresarial 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 salvaguardas reales.
Puntos clave
- La mayoría de los proyectos de IA empresarial fracasan durante la implementación, no porque el modelo subyacente sea débil, sino por una integración deficiente, falta de conocimiento del dominio y una responsabilidad poco clara.
- Bratin Saha, CEO de NTT DATA AIVista, dice que gastar dinero solo en adquirir un modelo de frontera deja sin reclamar la mayor parte del rendimiento financiero.
- El ajuste fino, el proceso de reentrenar un modelo con nuevos datos, se clasificó en último lugar en la última encuesta de VentureBeat sobre prioridades de selección de modelos empresariales.
- NTT DATA AIVista utiliza una mezcla de modelos de frontera y de código abierto, reservando el razonamiento más costoso para decisiones donde un error tiene un costo grave.
- Saha dice que las tres cosas que las empresas necesitan simultáneamente son tecnología, experiencia de dominio y gestión del cambio, 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 queda sin contar: 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 de TI del mundo, habló sobre exactamente ese problema en VB Transform 2026. Su argumento es directo. Comprar un modelo de IA capaz es la parte fácil. Lo difícil es todo lo que lo rodea.
"No es solo un modelo", dijo Saha. "Estás construyendo un sistema alrededor del modelo".
¿Por qué se estancan tantos proyectos de IA empresarial?
Se estancan porque los modelos de frontera, los sistemas de IA más poderosos disponibles hoy en día, como GPT-5.5 o Claude Opus 4.8, se entrenan con conocimiento general. Los flujos de trabajo empresariales reales son cualquier cosa menos generales.
Saha utilizó reclamaciones de seguros multinacionales como ejemplo. Esos formularios contienen escritura a mano, docenas de casillas de verificación y reglas normativas que varían según el país. Un modelo de propósito general los lee mal. La precisión es 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 fundacional capaz e integrarlo en tres capas. Primero, los datos y el contexto propios de la empresa, proporcionados 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 computacionales se mantengan manejables. Tercero, salvaguardas especializadas, verificaciones automatizadas que detectan errores y fuerzan una revisión antes de que una respuesta incorrecta llegue a un cliente o a un regulador.
"El mayor rendimiento por inversión proviene de la especialización y luego de estas salvaguardas especializadas", dijo Saha.
¿Cuánto cuesta esto y quién paga qué?
| Capa | Qué es | Quién típicamente es responsable |
|---|---|---|
| Modelo fundacional | La IA principal (GPT-5.5, Claude, 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 de código abierto más económicos | Integrador |
| Salvaguardas | Capa automatizada de verificación de errores | Integrador + empresa |
| Gestión del cambio | Capacitación del personal, reescritura de procesos | Empresa |
La tarifa de licencia del modelo suele ser la línea más pequeña de ese presupuesto. El "conocimiento tribal" no documentado, lo que los trabajadores veteranos saben pero nunca escribieron, es lo que más cuesta capturar. Saha dice que el equipo de NTT lo hace sentándose con trabajadores humanos y preguntándoles, claramente, cómo hacen realmente su trabajo.
"La única razón es porque vamos y hablamos con esos trabajadores humanos", dijo.
¿Qué significa esto para las empresas que evalúan una inversión en IA?
Simple: presupuesta para todo el sistema, no solo la suscripción del modelo.
Saha dice que la secuencia también importa. Comienza incorporando 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 el medio. Una vez que se construye la confianza y aparecen resultados, el rediseño más profundo se vuelve posible, y es ahí 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 señala, convenientemente, hacia la contratación de un integrador experimentado. Muchas empresas más pequeñas no necesitarán una firma de ese tamaño. El principio subyacente, sin embargo, se mantiene independientemente de quién haga el trabajo: el modelo es lo básico, y el flujo de trabajo es el premio.
Conclusión: Antes de firmar cualquier contrato de IA, mapea el flujo de trabajo que deseas cambiar de principio a fin. Si no puedes describir qué cambia en cada paso y quién es responsable del resultado, el presupuesto de tecnología te está adelantando al plan.
