Hitachi Vantara potencia el almacenamiento híbrido en Azure
Francisco Larez, VP de Progress para América Latina y el Caribe, sostiene que la preparación de la información interna es determinante para mejorar la eficiencia de la inteligencia artificial y llevar sus aplicaciones más allá de los proyectos piloto.
La expansión de la inteligencia artificial está elevando las exigencias sobre las empresas que buscan convertir esta tecnología en una herramienta operativa. Francisco Larez, VP de Progress para América Latina y el Caribe, sostiene que uno de los desafíos fundamentales está en la preparación del conocimiento corporativo: organizar la información antes de que los modelos la utilicen.
El contexto de inversión refleja la magnitud de esta transformación. Gartner estimó en enero de 2026 que el gasto mundial en inteligencia artificial alcanzaría los 2,52 billones de dólares durante el año, un incremento interanual del 44 %. En septiembre, la consultora revisó su previsión al alza, hasta los 2,7 billones de dólares, con un crecimiento estimado del 49,5 %. La infraestructura de IA constituye uno de los principales componentes de este gasto.
La adopción también se ha extendido dentro de las organizaciones, aunque eso no significa que todas hayan conseguido escalar sus iniciativas. En su informe The State of AI in 2025, publicado en noviembre de ese año, McKinsey & Company señaló que el 88 % de los encuestados afirmaba que su organización utilizaba inteligencia artificial regularmente en al menos una función empresarial, frente al 78 % registrado el año anterior. Sin embargo, aproximadamente un tercio indicaba que su empresa había comenzado a escalar sus programas de IA.
Estos datos ayudan a contextualizar la cuestión que plantea Larez: la adopción de la tecnología no garantiza por sí misma un impacto empresarial consistente. “La inteligencia artificial en las empresas entró en una nueva etapa, y esta no comienza con los modelos, sino con el conocimiento organizado”, afirma el ejecutivo.
La información desorganizada añade complejidad
Parte del conocimiento acumulado por las empresas permanece distribuido en documentos, hojas de cálculo, grabaciones y conversaciones que no fueron preparados para su procesamiento automatizado. Larez ilustra el problema con ejemplos que van desde contratos escaneados hasta archivos cuyas fórmulas solo comprende quien los creó.
“El desafío es concreto: gran parte del conocimiento corporativo sigue distribuido en formatos heterogéneos y poco estructurados”, afirma el ejecutivo.
Según su planteamiento, cuando la información llega sin la preparación necesaria, los modelos terminan dedicando recursos a labores de interpretación, organización y filtrado que podrían haberse abordado previamente. En aplicaciones de uso recurrente, esta situación puede traducirse en costes adicionales, latencia y variaciones en la calidad de las respuestas.
La cuestión afecta también a los sistemas RAG (Retrieval-Augmented Generation), que conectan los modelos de lenguaje con fuentes de información para recuperar documentos relevantes y generar respuestas a partir de su contenido. Aunque estas arquitecturas amplían el acceso al conocimiento interno, la recuperación de documentos no garantiza que la información esté bien estructurada o resulte suficiente para resolver una tarea.
Agentic RAG: preparar la información antes de que llegue al modelo
Como evolución de este enfoque, Larez destaca el Agentic RAG, que incorpora agentes capaces de coordinar distintas etapas del procesamiento de información.
En esta arquitectura, los agentes pueden intervenir en tareas como la limpieza, clasificación y ampliación de los datos antes de que lleguen al modelo principal. El flujo también puede incluir procesos de ingesta, estructuración y aplicación de reglas de gobernanza.
El objetivo es que el modelo dedique menos recursos a interpretar información desorganizada y pueda concentrarse en actividades de mayor valor, como sintetizar contenidos, relacionar datos y apoyar la toma de decisiones.
Larez identifica aquí una diferencia importante entre construir una prueba de concepto y mantener una aplicación empresarial a escala. “En muchos casos, el reto no radica en la construcción de prototipos funcionales, sino en la capacidad de mantener la coherencia, la gobernanza y la eficiencia”, señala en su artículo.
Esta perspectiva sitúa la preparación del conocimiento como parte de la arquitectura operativa de la IA, en lugar de tratarla como una tarea secundaria que puede resolverse después de seleccionar el modelo.
La economía de tokens y el coste del procesamiento
La organización de la información también influye en la cantidad de contenido que los modelos necesitan procesar. El concepto de economía de tokens al que se refiere Larez plantea optimizar ese volumen para reducir el consumo innecesario de recursos.
El ejecutivo recurre a una comparación sencilla para explicarlo: “Es como enviar un paquete: cada kilo extra cuesta dinero en el envío; los tokens son el peso de la información”.
La analogía apunta a una cuestión operativa: cuando una aplicación procesa contenido redundante o irrelevante para la tarea, puede consumir recursos que no contribuyen a mejorar la respuesta. Filtrar y priorizar la información útil permite abordar ese desperdicio, aunque el ahorro efectivo depende también de la arquitectura, el modelo y las condiciones de uso.
El conocimiento como factor de diferenciación empresarial
Para Larez, la madurez de la IA empresarial no depende únicamente de los avances en los modelos, sino de la solidez de los elementos que los sustentan. A medida que estas tecnologías se vuelven más accesibles, la capacidad de gestionar el conocimiento interno puede adquirir mayor relevancia como factor de diferenciación.
El ejecutivo resume esta idea al afirmar que «el factor diferenciador se desplaza hacia la calidad del conocimiento que alimenta estos sistemas y hacia la capacidad de operarlos de forma estructurada».
La consecuencia para las empresas es que la estrategia de IA no debería limitarse a seleccionar modelos o desarrollar aplicaciones. También necesita abordar cómo se conserva, organiza, actualiza y gobierna la información que alimenta esos sistemas.
La tesis de Larez es que esta base puede determinar si las iniciativas de inteligencia artificial permanecen confinadas a pruebas puntuales o llegan a consolidarse como activos estratégicos de largo plazo.
