En asociación con
Fuente: HPE, 2025
Ejecutar: acceder a un modelo externo previamente entrenado a través de una interfaz o API; Las organizaciones no son propietarias del modelo ni de los datos. La implementación requiere seguridad y gobernanza sólidas. También requiere establecer un centro de excelencia que tome y comunique decisiones sobre el uso de la IA. RAG (generación aumentada de recuperación): uso de modelos externos previamente entrenados combinados con datos patentados de una empresa para crear conocimientos únicos. La implementación se centra en conectar flujos de datos a capacidades de inferencia que brindan acceso rápido e integrado a plataformas de inteligencia artificial completas. Riquezas: Capacitación de modelos personalizados sobre datos que residen en la empresa para obtener conocimientos y oportunidades de diferenciación únicas. La implementación requiere entornos escalables y energéticamente eficientes y, a menudo, sistemas de alto rendimiento. Regular: aprovechar modelos personalizados entrenados con datos externos, que requieren la misma configuración escalable que Riches, pero con un enfoque adicional en el cumplimiento legal y regulatorio para manejar datos confidenciales que no son de propiedad con extrema precaución.
Es importante destacar que estos cuadrantes no son mutuamente excluyentes. Partridge señala que la mayoría de las organizaciones, incluida la propia HPE, operan en muchos de los cuadrantes. “Construimos nuestros propios modelos para ayudar a comprender cómo funcionan las redes”, afirma. “Luego implementamos esa inteligencia en nuestros productos, para que nuestro cliente final tenga la oportunidad de cumplir con lo que llamamos el cuadrante ‘Ejecutar’. Entonces, para ellos, no son sus datos; no es su modelo. Simplemente están agregando esa capacidad dentro de su organización”.
Es el momento de escalar y liderar
La segunda parte del eslogan de Partridge sobre la inferencia (“a escala”) habla de una tensión primaria en la IA empresarial: lo que funciona para un puñado de casos de uso a menudo falla cuando se aplica en toda una organización.
“Es valioso experimentar y dar vueltas a las ideas”, dice. “Pero si realmente quieres ver los beneficios de la IA, tiene que ser algo en lo que todos puedan participar y que resuelva muchos casos de uso diferentes”.
En opinión de Partridge, el desafío de convertir pilotos boutique en sistemas para toda la organización se adapta de manera única a las competencias centrales de la función de TI y es una oportunidad de liderazgo que la función no puede permitirse el lujo de dejar pasar. “TI toma cosas que son de pequeña escala e implementa la disciplina necesaria para ejecutarlas a escala”, afirma. “Por lo tanto, las organizaciones de TI realmente necesitan involucrarse en este debate”.
Para que los equipos de TI se mantengan al margen, la historia ofrece una advertencia sobre el último gran cambio de infraestructura: la migración empresarial a la nube. Muchos departamentos de TI no tomaron decisiones durante la primera ola de adopción de la nube hace una década, mientras que las unidades de negocios implementaron servicios en la nube de forma independiente. Esto llevó a sistemas fragmentados, gastos redundantes y brechas de seguridad que tardaron años en solucionarse.
La misma dinámica amenaza con repetirse con la IA, a medida que diferentes equipos experimentan con herramientas y modelos fuera del ámbito de TI. Este fenómeno, a veces llamado IA en la sombra, describe entornos donde los pilotos proliferan sin supervisión ni gobernanza. Partridge cree que la mayoría de las organizaciones ya están operando en el cuadrante “Ejecutar” de alguna manera, ya que los empleados utilizarán herramientas de inteligencia artificial, estén o no autorizados oficialmente para hacerlo.
En lugar de cerrar la experimentación, ahora el mandato de TI es darle estructura. Y las empresas deben diseñar una estrategia de plataforma de datos que combine datos empresariales con barreras de seguridad, un marco de gobernanza y accesibilidad para alimentar la IA. Además, es fundamental seguir estandarizando la infraestructura (como plataformas de inteligencia artificial en la nube privada), proteger la integridad de los datos y salvaguardar la confianza en la marca, al mismo tiempo que permite la velocidad y flexibilidad que exigen las aplicaciones de IA. Estos son los requisitos para alcanzar el hito final: una IA que esté realmente en producción.
Para los equipos en el camino hacia ese objetivo, Reichenbach resume lo que requiere el éxito. “Todo se reduce a saber dónde juegas: cuándo ejecutar modelos externos de manera más inteligente, cuándo aplicar RAG para que estén más informados, dónde invertir para desbloquear riquezas a partir de tus propios datos y modelos, y cuándo regular lo que no controlas”, dice Reichenbach. “Los ganadores serán aquellos que aporten claridad a todos los cuadrantes y alineen la ambición tecnológica con la gobernanza y la creación de valor”.
Para más, Regístrese para ver el Salón EmTech AI de MIT Technology Review, con HPE.
Este contenido fue producido por Insights, la rama de contenido personalizado de MIT Technology Review. No fue escrito por el personal editorial de MIT Technology Review. Fue investigado, diseñado y escrito por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para encuestas. Las herramientas de IA que pudieron haberse utilizado se limitaron a procesos de producción secundarios que pasaron una revisión humana exhaustiva.
Publicado originalmente en technologyreview.com el 18 de noviembre de 2025.
Ver fuente original
