INTELIGENCIA ARTIFICIAL

Publicado 18/11/2026

Cómo evitar que la inversión en IA se convierta en un gasto sin resultados

La inteligencia artificial puede acelerar tareas, pero también generar errores, costos ocultos y riesgos de seguridad. Asignar responsables, controlar los cambios y medir el valor de cada proyecto es fundamental para obtener resultados sostenibles.
Compartir
Compartir por Facebook Compartir por WhatsApp Compartir por X Compartir por Telegram

La inteligencia artificial puede acelerar tareas, pero también generar errores, costos ocultos y riesgos de seguridad. Asignar responsables, controlar los cambios y medir el valor de cada proyecto es fundamental para obtener resultados sostenibles.

Una institución de salud incorpora IA para resumir historias clínicas, gestionar turnos y procesar facturas. Después de una actualización, el sistema comienza a buscar alergias y medicamentos en una fuente desactualizada.

En otro caso, un banco utiliza dos asistentes virtuales con diferentes copias de su manual de tasas. Cuando cambian las condiciones de los préstamos, sólo uno se actualiza y los clientes reciben información contradictoria.

Un tercer ejemplo involucra a un equipo de tecnología que empieza a producir código más rápido con IA, pero termina gastando más en revisiones, correcciones e incidentes de seguridad.

Los casos fueron relatados por Valerio Adrián Anacleto, fundador y CEO de Epidata, para mostrar qué puede suceder cuando una organización adopta IA sin controlar sus datos, versiones, permisos y responsables.

“El costo de los tokens, el que más miedo genera, suele ser el menor. Hoy medimos los tokens con lupa y los riesgos a ojo”, afirma Anacleto.

 

Valerio Adrián Anacleto, fundador y CEO de Epidata

 

El costo oculto de la IA

En 2015, investigadores de Google ya habían advertido que los sistemas de aprendizaje automático podían acumular una importante “deuda técnica”: dependencias de datos, configuraciones complejas y problemas de mantenimiento difíciles de detectar.

La inteligencia artificial generativa profundizó ese desafío. Poner en funcionamiento una prueba puede ser relativamente sencillo, pero llevarla a producción exige evaluar sus respuestas, integrar sistemas, proteger información y supervisar los cambios de modelos y proveedores.

Los estudios sobre productividad también ofrecen resultados más matizados que las promesas comerciales. En una investigación publicada por METR en 2025, 16 desarrolladores experimentados tardaron, en promedio, un 19% más al trabajar con las herramientas de IA disponibles en ese momento, aunque creían haber sido un 20% más rápidos.

El resultado no puede generalizarse a todas las tareas ni herramientas, pero muestra la diferencia que puede existir entre productividad percibida y productividad real.

Gartner, por su parte, había anticipado que numerosos proyectos de IA generativa serían abandonados después de la prueba de concepto por problemas relacionados con la calidad de los datos, controles insuficientes, costos crecientes o falta de valor comercial.

La conclusión no es que la IA no genere beneficios, sino que su rendimiento depende del caso de uso, la implementación y la capacidad de medir todos sus efectos.

 

 

Cinco medidas para gobernar mejor la inversión

Una estrategia básica puede organizarse alrededor de cinco acciones:

  1. Capacitar a quienes toman decisiones. Los responsables deben comprender las posibilidades y limitaciones de la IA antes de aprobar inversiones o prometer mejoras de productividad.

  2. Crear un inventario. La organización necesita saber qué sistemas utiliza, con qué información, para qué finalidad, bajo qué proveedor y con qué versión.

  3. Asignar responsables. Cada sistema debe tener una persona con autoridad para detenerlo, corregirlo y responder por sus resultados. La ejecución puede contratarse, pero la responsabilidad no puede delegarse.

  4. Probar cada cambio. Las actualizaciones de modelos, instrucciones, fuentes de datos y permisos deben evaluarse antes de llegar a los usuarios.

  5. Medir el costo total y el valor real. El cálculo debe considerar licencias y consumo, pero también integración, capacitación, revisión humana, corrección de errores, seguridad e incidentes.

 

 

 

El AI Risk Management Framework del NIST y la norma internacional ISO/IEC 42001 ofrecen referencias para organizar estos procesos. El marco de fluidez en IA respaldado por Anthropic propone, además, cuatro capacidades para los usuarios: delegación, descripción, discernimiento y diligencia.

Trabajar con especialistas externos puede acortar la curva de aprendizaje y facilitar el acceso a conocimientos escasos. Sin embargo, la organización debe conservar la capacidad de supervisar al proveedor, auditar los resultados y proteger sus datos.

“Mientras otros apagan incendios, quien gobierna bien invierte en lo que funciona y abandona a tiempo lo que no. Esa es la ventaja competitiva”, sostiene Anacleto.

La gobernanza no busca frenar la innovación. Busca detectar errores antes de que produzcan daños y detener los proyectos que no demuestran valor.

La pregunta decisiva no es cuánto cuesta utilizar un modelo, sino qué resultados produce después de sumar todos sus costos y riesgos.