La novelería y el «vamos a probar a ver que tal nos va con eso de la IA» ya es cosa del pasado. En 2026 los analistas internacionales han coincidido en remarcar que estamos en una era en la cual la inteligencia artificial (IA) es parte de los procesos críticos de los negocios y los «agentes inteligentes» estarán integrados al 40% del software empresarial a fines de año. No es tiempo de experimentar, sino de aplicar.
José Luis Bugarín, Solution Architect de Red Hat, comentó que en el mercado peruano ya existen variedad de iniciativas de inteligencia artificial, especialmente en el sector de servicios financieros. Se observan pilotos, pero son iniciativas que se han desarrollado de manera empírica, sin una metodología clara que permita llevarlas a producción de forma estructurada.
A nivel regional, comentó, hay países como México, Brasil y Argentina que lideran la adopción de inteligencia artificial en América Latina. El impacto se siente en sectores como atención al cliente, marketing y banca. Sin embargo, para que su adopción sea sostenible, es necesario contar con metodología, gobierno de datos y una estrategia clara de implementación. En el caso puntual del Perú, aún se enfrenta desafíos asociados a la digitalización y falta escalar las iniciativas puntuales a los procesos centrales de las empresas.
«Uno de los principales desafíos es la creencia de que modelos públicos como ChatGPT o Gemini pueden resolver problemas empresariales por sí solos. Estos modelos no cuentan con la información específica de cada organización. Para generar valor real, es necesario utilizar datos propios, correctos y estructurados», advirtió.
A su entender, las empresas deben, primero, definir claramente el problema por resolver. Luego verificar si existen los datos necesarios para abordarlo. Sin datos disponibles, certeros y organizados, no es posible desarrollar un modelo eficiente.
Gilson Magalhães, vicepresidente de Red Hat para Latinoamérica, ha advertido que sin datos de calidad y bien gestionados, no se tendrá un resultado inteligente. Si se entrenan modelos IA con datos sesgados o incompletos, la IA dará respuestas erróneas a gran escala. Lo recomendado es una selección rigurosa de datos para trabajarlos con transparencia y pensamiento crítico.
«El desafío no es iniciar pilotos. El desafío es llevar la inteligencia artificial a producción con eficiencia y control».
José Luis Bugarín, Solution Architect de Red Hat
Una vez completado ese paso, José Luis Bugarín señaló que se debe plantear una hipótesis o piloto para evaluar el desempeño del modelo. «En términos de eficiencia o precisión, un umbral inferior al 90% o 95% no suele ser aceptable en entornos empresariales, debido al riesgo de errores o resultados inexactos», señaló.
Incluso cuando un modelo alcanza niveles adecuados de precisión, acotó, muchas organizaciones enfrentan dificultades para integrarlo en aplicaciones móviles, web o sistemas existentes. Y si no se tiene una integración en procesos reales, el modelo no genera el impacto productivo esperado. «El desafío no es iniciar pilotos. El desafío es llevar la inteligencia artificial a producción con eficiencia y control», comentó.
Sepa más: En el stand de Red Hat presentado en el MWC Barcelona 2026, los especialistas de Red Hat explicaron cómo se integra la IA a los servicios de los proveedores de servicios de telecomunicaciones y la red de acceso por radio (RAN) a gran escala. Se presentó como caso de éxito un trabajo realizado en colaboración con SoftBank Corp.
