La inteligencia artificial generativa se ha integrado en tareas cada vez más delicadas dentro de compañías y organizaciones: redacta documentos, examina información, produce código, automatiza procesos y colabora en la toma de decisiones. Sin embargo, mientras mayor es su utilidad, también se incrementa el volumen de datos que los usuarios ponen a disposición de estos sistemas. Para la ingeniera Camila Velasco, allí surge uno de los mayores peligros de la masificación de estas herramientas:
“Cuando usás inteligencia artificial para tu negocio, entregás el core business, la ventaja competitiva de tu empresa o tu vida privada”
, afirmó en una entrevista.
El asunto adquiere otra magnitud cuando los modelos procesan información que una firma considera estratégica. Contratos, desarrollos tecnológicos, cifras financieras, estrategias comerciales, bases de clientes o datos sobre productos aún no lanzados pueden formar parte de las consultas realizadas a una herramienta externa. En esos casos, el debate deja de ser únicamente cuánto cuesta emplear IA y pasa a involucrar quién controla los datos con los que funciona.
¿Qué información se entrega al usar IA?
Utilizar un servicio externo de inteligencia artificial implica enviar datos a la infraestructura que procesa cada solicitud. El nivel de exposición depende del tipo de información incorporada y de las condiciones de cada plataforma, pero el riesgo se eleva cuando se trata de datos confidenciales o que representan una ventaja competitiva.
Por ello, Velasco planteó que las empresas deberían establecer una diferenciación entre los contenidos que pueden procesarse mediante herramientas externas y aquellos que deberían permanecer bajo control interno.
“Podés usar IA generativa para marketing, pero tu core business, tus contratos, no deberían exponerse”
, explicó.
Una alternativa es emplear modelos que puedan ejecutarse localmente, dentro de la infraestructura de la propia compañía. Esto permite reducir la dependencia de servicios externos y mantener los datos dentro de la organización, aunque requiere capacidad de procesamiento, conocimientos técnicos y recursos para implementar y administrar los sistemas.
Según Velasco, desarrollar una infraestructura propia puede demandar inversiones superiores a los USD 300.000. El costo constituye una barrera especialmente importante para las pequeñas y medianas empresas, que pueden acceder con facilidad a herramientas comerciales de inteligencia artificial pero no necesariamente cuentan con los recursos para desarrollar una infraestructura propia.
El desafío de las pymes: productividad y soberanía de datos
La diferencia entre grandes empresas y pymes también se refleja en la capacidad para controlar dónde se procesan sus datos. Mientras las organizaciones con mayores recursos pueden desarrollar sistemas propios o contratar soluciones específicas, las compañías más pequeñas suelen depender de plataformas externas para incorporar inteligencia artificial a sus procesos.
La decisión no implica elegir entre utilizar IA o dejar de utilizarla, sino determinar qué tareas pueden delegarse y qué información debe permanecer protegida. No representa el mismo riesgo usar un modelo para generar una pieza de marketing que incorporar a la plataforma un contrato, información sobre un desarrollo tecnológico o datos internos de una compañía.
Velasco mencionó como ejemplo la estrategia de Palantir, que ofrece soluciones orientadas a que grandes organizaciones mantengan un mayor control sobre sus datos y sistemas de inteligencia artificial. La tendencia apunta a reducir la dependencia de servicios externos cuando la información procesada forma parte de los activos más sensibles de una empresa.
Para las pymes, el desafío consiste en encontrar un equilibrio entre el costo de desarrollar infraestructura propia y el riesgo de utilizar servicios externos para procesar información central del negocio.
La IA también modifica el trabajo de los programadores
La generación automática de código introdujo otro cambio en las empresas tecnológicas. Los modelos pueden producir grandes cantidades de código en poco tiempo, pero el resultado todavía requiere revisión humana para detectar errores y evitar problemas que luego pueden convertirse en deuda técnica.
Durante la entrevista, Andrei Serbin Pont señaló que el costo asociado al uso intensivo de tokens puede llevar a las compañías a reconsiderar la contratación de programadores junior. Velasco vinculó esa situación con la necesidad de supervisar el código generado por los modelos.
“Muchas empresas están generando código basura porque nadie audita lo que produce la IA”
, advirtió. La automatización permite acelerar el desarrollo, pero incorporar código sin una revisión adecuada puede trasladar errores hacia etapas posteriores y aumentar el costo de corregirlos.
En ese escenario, el rol del programador junior puede cambiar. En lugar de concentrarse exclusivamente en escribir código desde cero, puede participar en la revisión, validación y corrección del contenido generado por la inteligencia artificial.
“Se vuelve a poner al humano en el centro, con juniors supervisando lo que genera la inteligencia artificial para evitar la deuda técnica”
, explicó Velasco.
La automatización, por lo tanto, no elimina la necesidad de conocimientos técnicos. Modifica la forma en que se utilizan: la IA puede acelerar la producción de código, pero todavía necesita personas capaces de comprenderlo, auditarlo y determinar si es correcto.
El riesgo de depender de una sola plataforma
La expansión de estas herramientas también genera un problema de dependencia tecnológica. Una empresa que concentra sus procesos, información y conocimiento en una única plataforma puede enfrentar dificultades si cambian sus precios, condiciones de uso o capacidades.
Velasco recomendó evitar esa dependencia y mantener la posibilidad de migrar entre diferentes servicios.
“Lo mejor es familiarizarse con varias, no casarse con una sola”
, sostuvo, y mencionó entre las alternativas a ChatGPT, Gemini y Grok.
La cuestión central, entonces, no es solamente cuánto cuesta utilizar inteligencia artificial. También importa qué información se entrega, quién mantiene el control sobre esos datos y qué capacidad tiene una organización para cambiar de proveedor o ejecutar sus propios modelos.
A medida que la IA se incorpora a más áreas de las empresas, esa decisión deja de ser exclusivamente tecnológica. Para las compañías, y especialmente para las pymes, definir qué información puede procesarse en plataformas externas y cuál debe permanecer dentro de la organización se convirtió en una cuestión de negocio.
Fuente: Infobae