{"id":43974,"date":"2026-08-24T14:49:00","date_gmt":"2026-08-24T14:49:00","guid":{"rendered":"https:\/\/www.iprofesional.com\/tecnologia\/462922-por-que-las-empresas-deben-ser-ia-nativas-para-no-quedar-afuera-del-mercado"},"modified":"2026-08-24T14:49:00","modified_gmt":"2026-08-24T14:49:00","slug":"el-cambio-cultural-necesario-para-que-los-empleados-adopten-la-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/latecordoba.com\/index.php\/2026\/08\/24\/el-cambio-cultural-necesario-para-que-los-empleados-adopten-la-inteligencia-artificial\/","title":{"rendered":"El cambio cultural necesario para que los empleados adopten la inteligencia artificial"},"content":{"rendered":"\n
<\/div>\n

La era de la experimentaci\u00f3n aislada con inteligencia artificial<\/a> <\/strong>en el entorno corporativo ha quedado definitivamente atr\u00e1s. Hoy, el desaf\u00edo que enfrentan las compa\u00f1\u00edas no es simplemente incorporar tecnolog\u00eda, sino redise\u00f1ar su modelo operativo para que la IA forme parte del n\u00facleo estrat\u00e9gico, permitiendo escalar resultados sin perder el control sobre la informaci\u00f3n ni la seguridad de los datos.<\/p>\n

Seg\u00fan datos de MIT Nanda<\/a>, la brecha entre la expectativa y la realidad operativa es profunda: apenas el 5% de las organizaciones logra escalar sus implementaciones. Para comprender c\u00f3mo superar la fragmentaci\u00f3n tecnol\u00f3gica y gestionar el cambio cultural necesario, iProfesional<\/strong> entrevist\u00f3 a Sabrina Tocho<\/strong>, gerenta regional de ofertas de FRIDA de la empresa inform\u00e1tica Softtek. Tocho analiz\u00f3 por qu\u00e9 el \u00e9xito no depende de “comprar soluciones”, sino de construir una capacidad estrat\u00e9gica que transforme procesos, decisiones y la manera en que el talento humano interact\u00faa con la tecnolog\u00eda.<\/p>\n

-La etapa de experimentaci\u00f3n con inteligencia artificial qued\u00f3 atr\u00e1s y las organizaciones buscan integrar en sus procesos sin perder el control sobre la informaci\u00f3n, la operaci\u00f3n y los resultados. \u00bfCu\u00e1les son los primeros pasos cr\u00edticos que debe dar una empresa tradicional para redise\u00f1arse y colocar esta tecnolog\u00eda en el n\u00facleo de su estrategia?<\/em><\/h3>\n

-El primer paso, y el m\u00e1s dif\u00edcil, es dejar de pensar la IA como una herramienta m\u00e1s que se suma al stack y empezar a verla como una capacidad estrat\u00e9gica de la compa\u00f1\u00eda<\/span>. Eso cambia completamente el enfoque: ya no se trata de elegir qu\u00e9 soluci\u00f3n comprar, sino de redise\u00f1ar el modelo operativo para que la IA pueda meterse en los procesos cr\u00edticos y no quede como un anexo. En paralelo hay que modernizar la arquitectura tecnol\u00f3gica, porque si los sistemas de base no est\u00e1n preparados, cualquier iniciativa de IA se choca contra la realidad tarde o temprano.<\/p>\n

Y hace falta establecer una gobernanza de datos s\u00f3lida<\/strong>, que permita usar la informaci\u00f3n de forma segura y escalable, porque sin eso no hay forma de crecer con confianza. Al final el objetivo no es sumar m\u00e1s soluciones sueltas, sino lograr que la IA forme parte de c\u00f3mo la empresa toma decisiones y opera todos los d\u00edas.<\/p>\n

-\u00bfA qu\u00e9 atribuye la brecha entre la expectativa de las empresas acerca de la IA y su realidad operativa?<\/em><\/h3>\n

-La brecha aparece porque muchas empresas compraron la promesa antes que la capacidad. <\/span>Se lanzaron pilotos y pruebas de concepto vistosas, pero sin tocar lo que realmente sostiene un caso de uso en producci\u00f3n: datos ordenados y confiables, procesos que puedan absorber el cambio, y gente preparada para trabajar distinto. La expectativa se arma en un powerpoint, la realidad se construye en la arquitectura, en la calidad del dato y en la gesti\u00f3n del cambio, que son las partes menos glamorosas pero las que determinan si algo escala o se queda en demo.<\/p>\n

\"Sabrina<\/p>\n

Sabrina Tocho. Foto suministrada por Softtek.<\/p>\n<\/div>\n

-\u00bfPor qu\u00e9 resulta peligroso y limitante que las compa\u00f1\u00edas argentinas incorporen herramientas aisladas para distintos casos de uso en lugar de pensar en una estrategia integrada?<\/h3>\n

-Porque cada herramienta suelta resuelve un dolor puntual pero termina generando una nueva capa de fragmentaci\u00f3n<\/strong>: distintos proveedores, distintos modelos de datos, distintos niveles de seguridad, y nadie con visi\u00f3n de conjunto. A mediano plazo eso se traduce en islas de inteligencia artificial<\/a> que no se hablan entre s\u00ed, en gobernanza inconsistente (cada \u00e1rea define sus propias reglas de uso de datos) y en costos que crecen sin que crezca el valor de negocio en la misma proporci\u00f3n. <\/p>\n

Sin estrategia integrada, la empresa termina administrando un inventario de herramientas <\/strong>en vez de construir una capacidad que le permita alcanzar el pr\u00f3ximo nivel y as\u00ed estar un paso adelante frente a sus competidores.<\/p>\n

-\u00bfQu\u00e9 caracter\u00edsticas exactas definen a una empresa “IA nativa”?<\/em><\/h3>\n

-Una empresa IA nativa es aquella que fue dise\u00f1ada para operar a trav\u00e9s de la inteligencia artificial<\/strong>, no simplemente para usarla como un complemento. La diferencia est\u00e1 en que la IA no vive en un \u00e1rea o en un proyecto puntual, sino que est\u00e1 integrada de forma transversal en productos, procesos y operaciones.<\/p>\n

Las decisiones se apoyan en datos y no solo en intuici\u00f3n o experiencia acumulada<\/span>, los sistemas aprenden y se ajustan de forma continua en lugar de quedar est\u00e1ticos una vez implementados, y los equipos humanos trabajan codo a codo con agentes inteligentes, cada uno haciendo lo que mejor sabe hacer, para generar valor a una escala que ser\u00eda imposible de lograr solo con procesos manuales.<\/p>\n

-\u00bfC\u00f3mo se gestiona el cambio cultural interno para lograr que una organizaci\u00f3n evolucione a una empresa “IA nativa” sea exitosa?<\/em><\/h3>\n

-La transformaci\u00f3n tecnol\u00f3gica es la parte f\u00e1cil. Lo dif\u00edcil es el cambio de mindset, y ese arranca desde arriba<\/span>: si la direcci\u00f3n no cambia primero su forma de tomar decisiones, dif\u00edcilmente pueda pedirle al resto de la organizaci\u00f3n que lo haga. El error m\u00e1s com\u00fan es tratar la inteligencia artificial<\/a> como un proyecto de sistemas cuando en realidad es un proyecto de personas. <\/p>\n

Hay que invertir tanto en capacitaci\u00f3n y en generar espacios de experimentaci\u00f3n segura <\/strong>como en la tecnolog\u00eda misma, porque la resistencia no aparece por falta de herramientas sino por miedo, ya sea a perder el puesto, a no entender lo que est\u00e1 pasando o a perder el control sobre el propio trabajo.<\/p>\n

El cambio cultural funciona cuando se corre el eje de la conversaci\u00f3n: no es “la IA me va a reemplazar” sino “la IA me saca lo operativo para que yo pueda enfocarme en lo que agrega valor”. Eso requiere l\u00edderes que modelen el uso de la tecnolog\u00eda en el d\u00eda a d\u00eda<\/strong>, que celebren los errores de los primeros intentos como parte del aprendizaje y no como un fracaso, y que redefinan qu\u00e9 significa ser bueno en un rol cuando parte de las tareas las hace un sistema. Cuando la gente entiende que la IA potencia su criterio en vez de reemplazarlo, el cambio deja de imponerse y empieza a sostenerse solo.<\/p>\n

-\u00bfC\u00f3mo puede una empresa lograr que los distintos modelos de lenguaje trabajen utilizando su informaci\u00f3n privada y actualizada sin exponer datos sensibles fuera de su propio entorno?<\/em><\/h3>\n

-La respuesta de fondo es sencilla, aunque llevarla a la pr\u00e1ctica sea laborioso: hay que mirarlo al rev\u00e9s. En lugar de pensar en c\u00f3mo evitar mandar informaci\u00f3n a un modelo p\u00fablico, el enfoque correcto es traer el modelo a un entorno privado<\/strong>.<\/p>\n

Ah\u00ed me voy a poner un poco t\u00e9cnica, porque es dif\u00edcil explicarlo sin bajar al detalle, pero b\u00e1sicamente se logra combinando arquitecturas tipo RAG <\/strong>(recuperaci\u00f3n aumentada por generaci\u00f3n) sobre repositorios propios, con capas de gobernanza que definen qui\u00e9n puede acceder a qu\u00e9 dato y con qu\u00e9 prop\u00f3sito, y con despliegues en entornos privados o VPC cuando la sensibilidad del dato lo exige, en vez de depender exclusivamente de API p\u00fablicas.<\/p>\n

A eso se suma el control de logging y retenci\u00f3n<\/strong>: asegurarse de que la informaci\u00f3n no quede almacenada ni se use para reentrenar modelos de terceros sin autorizaci\u00f3n. En definitiva, es una combinaci\u00f3n de arquitectura, permisos y contrato, no una sola soluci\u00f3n m\u00e1gica.<\/p>\n

-\u00bfC\u00f3mo afecta la automatizaci\u00f3n de pruebas al ROI empresarial?<\/em><\/h3>\n

-La automatizaci\u00f3n de pruebas con IA impacta el ROI en dos frentes. Primero, reduce tiempo y costo de ciclos de QA <\/strong>que tradicionalmente son manuales y repetitivos, liberando horas de gente senior para tareas de mayor valor. Segundo, y esto es menos obvio pero m\u00e1s importante, reduce el costo de los errores que llegan a producci\u00f3n, que siempre es mucho mayor que el costo de detectarlos antes.<\/p>\n

-\u00bfQu\u00e9 otros riesgos adem\u00e1s de la seguridad frenan la IA?<\/em><\/h3>\n

-Yo pondr\u00eda en primer lugar la resistencia cultural y el miedo al reemplazo<\/strong>, que frena la adopci\u00f3n mucho m\u00e1s de lo que se reconoce puertas adentro. Despu\u00e9s est\u00e1 la calidad del dato: si la informaci\u00f3n de base es mala, la IA amplifica ese problema en vez de resolverlo.<\/p>\n

Tambi\u00e9n pesa la falta de gobernanza clara <\/strong>sobre qui\u00e9n es responsable de una decisi\u00f3n que toma o sugiere un sistema de IA, y el riesgo regulatorio, que en varios pa\u00edses todav\u00eda se est\u00e1 definiendo. Y hay un riesgo menos t\u00e9cnico y muy real: la falta de casos de uso bien priorizados, que hace que la energ\u00eda se disperse en decenas de pilotos sin que ninguno llegue a escala.<\/p>\n

-Cuando se trabaja con datos corporativos, el riesgo de las alucinaciones de los modelos de IA es una preocupaci\u00f3n constante que afecta la confianza. \u00bfQu\u00e9 capas t\u00e9cnicas o mecanismos de contextualizaci\u00f3n resultan indispensables para reducir este margen de error a cero al trabajar con informaci\u00f3n propia?<\/em><\/h3>\n

-Primero te har\u00eda una aclaraci\u00f3n honesta: a cero no se llega, ning\u00fan mecanismo elimina el riesgo por completo<\/span>, pero s\u00ed se puede reducir a un margen operativamente aceptable. Las capas que m\u00e1s ayudan son la contextualizaci\u00f3n mediante RAG bien curado, o sea que el modelo responda apoyado en documentos propios verificados y no solo en lo que aprendi\u00f3 en su entrenamiento, sistemas de citaci\u00f3n de fuentes que permitan trazar de d\u00f3nde sale cada afirmaci\u00f3n, validaci\u00f3n humana en los puntos cr\u00edticos del proceso (human in the loop), y guardrails o reglas de negocio que limiten al modelo a responder solo dentro de un dominio de conocimiento controlado. La combinaci\u00f3n de estas capas es lo que baja el riesgo, no una sola de ellas por separado<\/p>\n","protected":false},"excerpt":{"rendered":"\n

<\/div>\n

Una empresa IA nativa es aquella que fue dise\u00f1ada para operar a trav\u00e9s de la inteligencia artificial, no simplemente para usarla como un complemento.