Su empresa invirtió en IA. ¿Está obteniendo todo el retorno?

El desafío dejó de ser adoptar Inteligencia Artificial

Las dos primeras series de artículos que publiqué recientemente tuvieron como objetivo comprender la transformación por la que están pasando las operaciones modernas de TI. Empezamos investigando por qué tantas organizaciones siguen enfrentando dificultades para responder rápidamente a los incidentes, incluso rodeadas de herramientas de monitoreo, automatización y observabilidad.

A lo largo de esa reflexión, concluimos que reducir el tiempo de resolución no depende solo de la velocidad de los equipos ni de la calidad de las tecnologías empleadas, sino, principalmente, de la rapidez con que la operación logra construir una comprensión consistente del problema. Esa idea se desarrolló con más profundidad en el artículo “Por qué reducir el MTTR no significa resolver incidentes más rápido”, en el que defendimos que el mayor consumo de tiempo ocurre incluso antes de la recuperación técnica, durante el proceso de investigación y comprensión del incidente.

En la segunda serie, ampliamos esa discusión al papel de la Inteligencia Artificial. Argumentamos que los agentes especializados representan una evolución importante, pero que su capacidad de producir decisiones consistentes depende de la existencia de un contexto operacional compartido. Fue justamente esa conclusión la que nos llevó al artículo “La próxima generación de AIOps se construirá sobre plataformas de contexto operacional”, en el que propusimos que el verdadero diferencial de las operaciones inteligentes no estará en la cantidad de agentes disponibles, sino en la capacidad de construir y mantener una representación integrada de la realidad operacional de la organización.

Estas dos ideas establecen la base para la nueva etapa de nuestra reflexión.

Si comprendemos que reducir el MTTR depende de la velocidad con que construimos entendimiento y que ese entendimiento pasa a depender de un contexto operacional compartido, surge naturalmente una nueva pregunta. Al fin y al cabo, ¿cuál será el impacto de esta arquitectura sobre las inversiones que las empresas ya comenzaron a realizar en Inteligencia Artificial?

Esta cuestión gana importancia porque el mercado cambió rápidamente. Hace pocos años, la principal discusión giraba en torno a la conveniencia de adoptar o no soluciones basadas en IA. Hoy, esa etapa ya fue superada por la mayor parte de las grandes organizaciones. Agentes especializados, copilots, funcionalidades inteligentes incorporadas a las plataformas corporativas y proyectos propios de IA pasaron a formar parte de la realidad de empresas de los más diversos sectores. La inversión dejó de ser una posibilidad futura y pasó a integrar la agenda estratégica de los ejecutivos responsables de la transformación digital.

Este movimiento es confirmado por investigaciones recientes sobre adopción corporativa de Inteligencia Artificial. El estudio The state of AI: How organizations are rewiring to capture value (McKinsey, 2025) muestra que más de tres cuartas partes de las organizaciones ya utilizan IA en al menos una función de negocio y que la adopción de la IA generativa sigue creciendo rápidamente. Al mismo tiempo, la propia investigación destaca que la mayoría de las empresas todavía está en las etapas iniciales de captura de valor a escala, lo que indica que el desafío dejó de ser simplemente experimentar con la tecnología y pasó a ser transformar iniciativas puntuales en resultados sostenibles para el negocio.

Es exactamente en este momento cuando empieza a surgir una nueva preocupación. Después de invertir en Inteligencia Artificial, ¿cómo garantizar que esa inversión siga produciendo valor a lo largo del tiempo?

La respuesta a esta pregunta difícilmente estará en la adquisición continua de nuevos modelos o de nuevos agentes. A medida que esas tecnologías evolucionan, el factor decisivo deja de ser la cantidad de iniciativas existentes y pasa a ser la arquitectura capaz de conectarlas, permitiendo que todas trabajen sobre una misma comprensión de la operación.

Es este cambio de perspectiva el que orientará esta tercera serie de artículos. Si antes discutimos los desafíos de las operaciones modernas y, posteriormente, la arquitectura necesaria para que la Inteligencia Artificial produzca decisiones más consistentes, ahora volveremos nuestra atención a una cuestión esencialmente estratégica:

¿Cómo transformar las inversiones en Inteligencia Artificial en una capacidad operacional permanente, preservando y ampliando continuamente el valor generado para la organización?

El retorno de la inversión no crece a la misma velocidad que la inversión

Cuando una organización inicia su recorrido de adopción de la Inteligencia Artificial, es natural que los primeros resultados aparezcan rápidamente. La automatización de tareas repetitivas, la aceleración de la producción de contenido, la mejora de la experiencia de los usuarios o el apoyo a la investigación de incidentes suelen producir ganancias perceptibles en poco tiempo. Esa fase inicial suele reforzar la percepción de que ampliar la inversión en IA producirá, en la misma proporción, nuevas ganancias de productividad y eficiencia.

En la práctica, sin embargo, ese comportamiento tiende a cambiar a medida que nuevas iniciativas empiezan a coexistir dentro de la misma organización.

El primer proyecto normalmente resuelve un problema específico. A continuación, otras áreas pasan a desarrollar sus propios agentes, incorporan funcionalidades inteligentes a las plataformas ya existentes o adoptan soluciones especializadas para distintas necesidades del negocio. Poco tiempo después, la empresa pasa a convivir con un conjunto creciente de iniciativas que evolucionan de forma relativamente independiente, cada una produciendo valor dentro de su propio dominio de actuación.

Esa evolución representa, sin duda, una señal de madurez en la adopción de la Inteligencia Artificial. Al mismo tiempo, introduce un nuevo desafío, muy diferente del enfrentado al inicio del recorrido. El problema deja de ser identificar oportunidades de aplicación de la IA y pasa a ser garantizar que todas esas inversiones contribuyan a ampliar, de forma coordinada, la capacidad operacional de la organización.

Es en este momento cuando muchas empresas empiezan a percibir un comportamiento aparentemente contradictorio. Aunque el número de iniciativas basadas en Inteligencia Artificial siga aumentando, el retorno marginal de cada nueva inversión tiende a disminuir. Los nuevos agentes siguen agregando funcionalidades importantes, las nuevas plataformas siguen ofreciendo recursos más sofisticados y los nuevos modelos pasan a ejecutar tareas antes consideradas inviables. Aun así, las ganancias pasan a crecer a un ritmo menor del esperado.

Esta percepción también aparece en estudios recientes sobre madurez de la IA en las empresas. En el informe Seizing the agentic AI advantage (McKinsey, 2025), los autores describen la llamada “paradoja de la IA generativa”. Aunque la adopción de la tecnología haya crecido rápidamente y la mayoría de las organizaciones ya reporte iniciativas en producción, pocas logran demostrar un impacto financiero relevante a escala corporativa. Según el estudio, el desafío dejó de ser solo tecnológico y pasó a involucrar arquitectura, integración, rediseño de procesos y capacidad de escalar el valor generado por las distintas iniciativas.

Esta desaceleración rara vez está relacionada con la calidad de las tecnologías adoptadas. Tampoco se debe a la falta de competencia de los equipos responsables de los proyectos de IA. En la mayoría de los casos, refleja una limitación arquitectural. Cada iniciativa sigue produciendo valor dentro del espacio para el cual fue concebida, pero la organización encuentra dificultades para transformar ese conjunto de capacidades individuales en una competencia operacional integrada.

Esta distinción es importante porque cambia por completo la naturaleza de la discusión. Durante mucho tiempo, ampliar el retorno significaba incorporar nuevas funcionalidades inteligentes al entorno. A partir de cierto punto, sin embargo, el factor decisivo deja de ser la cantidad de Inteligencia Artificial disponible y pasa a ser la capacidad de lograr que toda esa inteligencia trabaje de forma coordinada, compartiendo una misma comprensión de la operación.

Es en este punto donde muchas organizaciones empiezan a descubrir que el mayor retorno sobre sus inversiones futuras quizá no dependa de la próxima solución de IA que adquirirán, sino de la arquitectura que permitirá potenciar todas las que ya tienen.

El mayor retorno de la IA no está en el próximo agente

Es natural imaginar que ampliar las inversiones en Inteligencia Artificial signifique incorporar nuevas capacidades al entorno operacional. A medida que surgen agentes más especializados, modelos más sofisticados y plataformas capaces de ejecutar tareas cada vez más complejas, la tendencia es creer que el aumento de la productividad ocurrirá como consecuencia directa de esa evolución tecnológica. Desde esta perspectiva, siempre habrá un próximo agente capaz de resolver un problema que todavía permanece sin solución.

Esa lógica tiene sentido mientras analizamos cada iniciativa de forma aislada. Un agente especializado puede acelerar la investigación de incidentes, otro puede apoyar el análisis de cambios, un tercero puede auxiliar a los equipos de desarrollo y un cuarto puede producir documentación técnica en pocos segundos. Individualmente, todos representan avances importantes y justifican las inversiones realizadas.

Sin embargo, las operaciones corporativas rara vez funcionan como un conjunto de actividades independientes. Un incidente crítico difícilmente permanece restringido a la infraestructura, a las aplicaciones, a la red o a la base de datos. Del mismo modo, una decisión operacional casi nunca depende solo de la información producida por una única herramienta o por un único agente. A medida que los entornos se vuelven más distribuidos y los procesos más interdependientes, crece también la necesidad de relacionar información proveniente de distintos dominios tecnológicos para comprender lo que realmente está ocurriendo.

Y en este contexto, muchas organizaciones empiezan a percibir una diferencia importante entre agregar inteligencia y aumentar la inteligencia de la operación.

Agregar inteligencia significa incorporar nuevos agentes capaces de ejecutar tareas específicas con mayor eficiencia. Aumentar la inteligencia de la operación significa crear condiciones para que todo el conocimiento producido por esos agentes pueda interpretarse de forma integrada, considerando las relaciones existentes entre aplicaciones, infraestructura, servicios, procesos de negocio y cambios realizados en el entorno. Son objetivos complementarios, pero profundamente diferentes.

Esta distinción ayuda a explicar por qué organizaciones que tienen el mismo conjunto de tecnologías con frecuencia obtienen resultados tan distintos. No es raro encontrar empresas que utilizan plataformas semejantes de observabilidad, monitoreo, ITSM e Inteligencia Artificial, pero presentan capacidades muy diferentes para diagnosticar incidentes, coordinar equipos o tomar decisiones durante situaciones críticas. El factor que normalmente diferencia a estas organizaciones no es la cantidad de tecnología disponible, sino la arquitectura construida para conectar esas tecnologías y transformar información dispersa en conocimiento operacional compartido.

Desde esta perspectiva, el mayor retorno de la próxima inversión en IA quizá no esté en el próximo agente que se incorporará a la arquitectura, sino en la capacidad de lograr que todos los agentes ya existentes trabajen sobre la misma comprensión de la operación. Cuando eso ocurre, la ganancia deja de ser incremental. En lugar de producir solo una capacidad aislada más, la organización pasa a potenciar todas las capacidades que ya construyó a lo largo de su recorrido de adopción de la Inteligencia Artificial.

Este cambio parece sutil, pero altera profundamente la forma en que debemos pensar las inversiones futuras. En lugar de preguntar cuál será la próxima tecnología capaz de agregar valor a las operaciones, quizá sea más importante preguntar qué arquitectura permitirá extraer más valor de todas las tecnologías que ya se adoptaron. En muchos casos, esta segunda pregunta tiende a producir impactos mucho mayores sobre la productividad, la calidad de las decisiones y la velocidad de respuesta a los incidentes que la simple adquisición de un recurso más basado en Inteligencia Artificial.

Esta percepción marca un cambio importante en la madurez de las organizaciones.

Durante la fase inicial de adopción de la IA, el principal desafío consistía en experimentar con nuevas capacidades e identificar oportunidades de aplicación. A medida que esas iniciativas maduran, el desafío deja de ser tecnológico y pasa a ser arquitectural. El valor ya no depende solo de la calidad de los agentes disponibles, sino de la capacidad de transformarlos en un sistema coherente, capaz de producir una comprensión común de la realidad operacional.

Y esa arquitectura empieza a determinar cuánto valor adicional podrá aún entregar la Inteligencia Artificial en los próximos años.

El contexto operacional transforma iniciativas en capacidad operacional

Cuando observamos la evolución de la Inteligencia Artificial en las empresas, percibimos que existe una diferencia importante entre tener diversas iniciativas basadas en IA y desarrollar una verdadera capacidad operacional apoyada en Inteligencia Artificial. A primera vista, esta distinción puede parecer solo una cuestión de escala. Sin embargo, representa algo mucho más profundo, pues involucra la forma en que el conocimiento producido por distintos sistemas pasa a contribuir a una comprensión común de la operación.

Durante la fase inicial de adopción de la IA, es natural que cada proyecto se desarrolle para resolver un problema específico. Un agente apoya al equipo de infraestructura, otro auxilia al Service Desk, un tercero mejora la productividad de los desarrolladores y un cuarto pasa a analizar eventos de observabilidad. Cada iniciativa genera beneficios reales y normalmente logra justificar la inversión realizada. Sin embargo, a medida que ese conjunto de soluciones crece, la organización empieza a percibir que la simple coexistencia de distintos agentes no produce, por sí sola, una operación más inteligente.

Cada agente sigue observando la realidad desde el dominio para el cual fue concebido. Su conocimiento especializado sigue siendo extremadamente valioso, pero continúa limitado al universo de información al que logra acceder. Si el contexto utilizado por cada uno permanece fragmentado, las decisiones también tienden a permanecer fragmentadas. La organización pasa a tener excelentes especialistas, humanos y artificiales, sin necesariamente construir una comprensión integrada de lo que ocurre en su propia operación.

El contexto operacional deja entonces de ser solo un requisito técnico y pasa a asumir un papel estratégico. Cuando la organización logra consolidar información proveniente de distintas plataformas, preservar las relaciones entre aplicaciones, infraestructura, servicios, cambios, integraciones y procesos de negocio y poner esa representación a disposición de personas y agentes de IA, deja de potenciar solo una iniciativa específica. Pasa a potenciarlas todas simultáneamente.

Este cambio produce un efecto que suele recibir poca atención en las discusiones sobre Inteligencia Artificial. El retorno de una nueva inversión deja de depender exclusivamente de las capacidades incorporadas por el agente recién adquirido y pasa a verse influenciado por la calidad del contexto operacional que encontrará al integrarse al entorno. Un agente extremadamente sofisticado producirá resultados limitados si trabaja sobre información fragmentada. En cambio, un agente relativamente simple podrá generar contribuciones mucho más relevantes cuando tenga acceso a un contexto consistente, actualizado y compartido.

Esa lógica ayuda a explicar por qué organizaciones que siguen caminos tecnológicos bastante diferentes pueden alcanzar niveles semejantes de madurez operacional. Algunas optarán por modelos comerciales, otras desarrollarán agentes propios, mientras que otras combinarán distintas tecnologías a lo largo del tiempo. Esas elecciones sin duda influirán en costos, funcionalidades y velocidad de adopción. Sin embargo, todas dependerán del mismo elemento para producir resultados sostenibles: una arquitectura capaz de preservar y compartir el contexto operacional de la organización.

Este cambio de enfoque también viene siendo observado por analistas de mercado. La guía Enterprise Guide to Generative AI: Expert Insights on ROI, Use Cases, and Cost Management (Gartner) destaca que obtener un retorno consistente con la IA exige más que elegir buenos modelos o casos de uso. Las organizaciones necesitan evolucionar su arquitectura, establecer mecanismos de gobernanza, medir el valor entregado y administrar el costo total de las iniciativas. En otras palabras, a medida que la IA madura, la discusión se desplaza de la tecnología hacia la capacidad organizacional de integrarla de forma sostenible.

Desde esta perspectiva, el contexto deja de ser solo un componente de la arquitectura de AIOps y pasa a representar un multiplicador de las inversiones realizadas en Inteligencia Artificial. Cada nuevo agente incorporado al entorno deja de comenzar su actuación desde una visión limitada del problema y pasa a aprovechar un patrimonio contextual que la organización ya construyó. El beneficio no está solo en la productividad individual de ese agente, sino en la capacidad de lograr que todo el ecosistema de soluciones inteligentes evolucione de manera coordinada, preservando una comprensión común de la operación.

El contexto operacional pasa a entenderse como un activo estratégico: no solo aumenta la eficiencia de una tecnología específica, sino que amplía continuamente el valor generado por todas las tecnologías que la organización decida incorporar a lo largo de su recorrido de transformación digital.

Quizá la mayor inversión en IA aún no se haya hecho

Cuando observamos la velocidad con que la Inteligencia Artificial evolucionó en los últimos años, es natural que la atención de las organizaciones se haya concentrado en la elección de las tecnologías más prometedoras. Surgen nuevos modelos en intervalos cada vez menores, los agentes especializados se vuelven más capaces con cada nueva generación y prácticamente todas las grandes plataformas incorporan funcionalidades inteligentes a sus soluciones. En este escenario, es comprensible que muchas empresas asocien su estrategia de IA a la capacidad de acompañar esa evolución tecnológica.

Sin embargo, a medida que el mercado madura, empieza a surgir una percepción diferente. El factor que más influirá en el retorno de esas inversiones quizá no sea la velocidad con que una organización logra incorporar nuevos modelos, sino la capacidad de lograr que todos ellos produzcan valor sobre una misma comprensión de la realidad operacional. En otras palabras, el diferencial competitivo deja de estar solo en la Inteligencia Artificial y pasa a depender de la arquitectura que permitirá utilizar esa Inteligencia Artificial de forma consistente a lo largo del tiempo.

Este cambio de perspectiva es particularmente importante porque reduce un riesgo que empieza a preocupar a muchas organizaciones. Los modelos evolucionan rápidamente, nuevos proveedores entran al mercado, los protocolos se reemplazan y los agentes especializados quedan obsoletos en intervalos cada vez menores. Invertir continuamente en esas tecnologías forma parte de la evolución natural de la arquitectura corporativa. Sin embargo, si cada nueva iniciativa necesita reconstruir toda la comprensión de la operación, una parte significativa del conocimiento producido permanecerá atada a la tecnología utilizada en determinado momento, dificultando la evolución futura de la organización.

El contexto operacional altera por completo esa lógica. Al transformar la representación de la operación en un patrimonio permanente de la empresa, permite incorporar nuevas tecnologías sin que sea necesario reconstruir, en cada ciclo de innovación, todo el conocimiento sobre aplicaciones, dependencias, integraciones, servicios y procesos de negocio. Los agentes cambian, los modelos evolucionan y las plataformas se reemplazan, pero el entendimiento de la operación sigue perteneciendo a la organización.

Por eso la mayor inversión en Inteligencia Artificial quizá aún no se haya realizado. No porque las empresas necesiten adquirir más agentes o adoptar nuevos modelos, sino porque necesitarán invertir en la arquitectura que permitirá preservar y ampliar continuamente el valor de todo lo que ya construyeron. Esa arquitectura no sustituye las inversiones existentes. Al contrario, aumenta su capacidad de generar resultados, reduce la dependencia de tecnologías específicas y crea las condiciones para que la organización evolucione con libertad a medida que surjan nuevas soluciones.

Si el retorno de las inversiones en IA depende menos del modelo elegido y más de la arquitectura construida para sustentarlo, surge una pregunta inevitable: ¿cuál es el mayor riesgo que corre una organización al estructurar su estrategia de Inteligencia Artificial?

A primera vista, la respuesta parece estar en la elección del proveedor, del modelo o de la tecnología. Pero, como veremos en el próximo artículo, el riesgo más significativo puede estar en otro lugar.

De la visión a la práctica

El retorno de las inversiones en inteligencia artificial no depende solo de la capacidad de desarrollar nuevos agentes o adoptar modelos más avanzados. También depende de cuánto conocimiento, integración e infraestructura logra aprovechar la organización de una iniciativa a otra.

ARGUS contribuye a este enfoque al construir una capa de contexto operacional compartido. A través de sus capacidades de AIOps, conecta información de monitoreo, observabilidad, ITSM, infraestructura, servicios y otras fuentes, relacionando datos que normalmente permanecen distribuidos entre distintas herramientas.

Ese contexto representa un conocimiento sobre la propia operación que puede ser aprovechado por equipos, automatizaciones y distintas aplicaciones de IA. En lugar de que cada nuevo agente necesite reconstruir de forma aislada las relaciones entre sistemas y procesos, la organización puede poner a disposición una base común para apoyar sus decisiones.

Con AgentOps y AI Gateway, la propuesta de ARGUS se amplía para incluir también la orquestación, la observabilidad y la gobernanza de los agentes, permitiendo acompañar su actuación a medida que se incorporan nuevos casos de uso a la operación.

Este enfoque se relaciona con la necesidad de integrar la IA en la arquitectura y en los procesos corporativos, en lugar de tratarla como una sucesión de iniciativas independientes.

La oportunidad está en transformar inversiones puntuales en capacidades reutilizables, preservando el conocimiento desarrollado y creando mejores condiciones para ampliar el valor de las próximas iniciativas de IA.

Conozca ARGUS y vea cómo funciona en la práctica.

Sobre el autor

Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.

Es graduado en Procesamiento de Datos por la Universidad Federal del Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).

En su investigación de Maestría, desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.