Un informe del Instituto Tecnológico de Massachusetts (MIT) revela que, a pesar de que las empresas estadounidenses han destinado entre 35,000 y 40,000 millones de dólares a iniciativas de inteligencia artificial (IA), hasta un 95% de ellas obtiene poco o ningún retorno de inversión. Esta desconexión entre expectativas y resultados reales ha llevado a ejecutivos a calificar a la IA como un posible caballo de Troya si no se implementa una estrategia sólida de gobernanza y seguridad.
Costos operativos: el primer factor de riesgo
Uno de los principales problemas es la dependencia de la nube para cada interacción, lo que genera un drenaje constante de capital a través de suscripciones. Aunque inicialmente accesibles, estos costos se vuelven insostenibles a medida que escala el uso, restando eficiencia a la inversión tecnológica global de la compañía.
Marcos Grilanda, vicepresidente y gerente general de Databricks en Latinoamérica, explica que muchas empresas incentivaron a sus empleados a usar IA sin establecer "barreras de contención" o límites claros, lo que provocó que los costos "vuelen". Según el MIT, la clave para el éxito no es solo ejecutar los mejores modelos, sino optimizar la organización de los datos.
Control de costos y sostenibilidad
Grilanda señala que el control de costos permite, por ejemplo, enviar una consulta sobre clientes a un modelo más económico, mientras que una planeación estratégica se reserva para un modelo de última generación. "Esta capacidad de elección y direccionamiento es lo que garantiza que la IA sea sostenible a largo plazo", comenta.
Seguridad: la gran brecha sin solución
Satya Nadella, CEO de Microsoft, advierte que al usar modelos se paga dos veces: "primero con dinero y luego con algo aún más valioso: el conocimiento especializado que hay que revelar. Cuanto mejor se quiera que funcione el modelo, más conocimiento hay que proporcionarle".
Cuando los empleados utilizan modelos públicos o abiertos sin capacitación, pueden entregar involuntariamente activos críticos y bases de datos confidenciales a terceros. Santiago Cardona, líder de la división de cómputo de Qualcomm en Latinoamérica, afirma: "Un usuario puede tomar toda esta información que tiene digitalizada y la sube a uno de estos modelos de IA, que básicamente toma esa data para nutrirse sin ninguna protección. Básicamente el proveedor puede tomar tu data porque tú le entregaste toda tu información de manera inadvertida".
IA local como solución
Cardona recomienda un enfoque estratégico que se aleje de la dependencia absoluta de la nube pública y se centre en la IA local, procesando algoritmos y modelos de lenguaje directamente en el hardware de la empresa. "Si tienes la capacidad suficiente para poder correr modelos de lenguaje localmente con los datos de tu empresa, eso cambia el juego total", apunta. "Permite generar respuestas basadas en información histórica y digitalizada de la propia compañía para tomar decisiones de negocio de manera eficiente y sin salir a la nube".
Este enfoque no solo mejora la seguridad, sino que también reduce costos al eliminar suscripciones externas, transformando un gasto operativo recurrente en una inversión en activos propios de alto rendimiento y bajo consumo energético.
Desafíos de la IA local
El camino hacia la IA local requiere un paso previo crítico: digitalizar la información histórica de la empresa —desde contratos legales hasta patrones de comportamiento de ventas— para entrenar modelos privados y cerrados. Esto implica inversiones en renovar equipos de cómputo y capacitar al personal para evitar que el factor humano sea el eslabón débil por donde el "caballo de Troya" pueda filtrar datos sensibles.
