Todo el mundo habla de IA pero pocos distinguen lo esencial

Hace ya bastante tiempo que vengo observando una escena que se repite con una mezcla de entusiasmo, ansiedad y desorden conceptual. Directorios que preguntan por la IA como antes preguntaban por “la nube”. Ejecutivos que sienten que deberían tener ya varios casos de uso en producción. Proveedores que presentan cualquier funcionalidad más o menos sofisticada como si se tratara de una ruptura organizacional. Analistas que alternan entre la euforia y el apocalipsis. Y organizaciones que en medio de esa marea intentan decidir qué hacer sin tener del todo claro qué clase de tecnología tienen realmente enfrente. Esa sensación no es una impresión muy reciente. En varios de mis artículos de los últimos dos años he insistido en que la verdadera dificultad no radica en el entusiasmo por la inteligencia artificial, sino en la confusión que la rodea (ver La IA Generativa transporta los CIO a la adolescencia y Cómo alinear la IAG a la estrategia).

Es imposible ignorar el impacto sin precedentes que la IA y la IAG están teniendo en todos los aspectos de la economía y de la sociedad. Se ha dicho, por ejemplo, que la adopción de IA se multiplicó 2,5 veces desde 2017; que 80% de las organizaciones la habrán incorporado a sus procesos en 2026; que su contribución al PIB mundial podría medirse en trillones de dólares; y que los aumentos de productividad pueden ser extraordinarios. Pero, justamente porque el potencial es enorme, el riesgo de pensar mal el problema también lo es. Cuando una tecnología irrumpe con esta fuerza, el mercado tiende a correr más rápido que la comprensión. Y ahí empiezan los problemas de verdad (ver Cómo alinear la IAG a la estrategia).

Estoy cursando la certificación de Artificial Intelligence Officer de la World Compliance Association y The White Box Project Institute (WCA & TWBPI), y debo decir que uno de los mayores aciertos del Manual de estudio de dicha certificación es empezar por donde muchos no quieren empezar: por los fundamentos. No por la retórica de moda. No por el entusiasmo con el último Modelo. Empezar por aclarar conceptos, lo que, en un momento histórico como este, es casi un acto de higiene intelectual. Porque sin fundamentos no hay supervisión seria; y sin supervisión seria no hay verdadera gobernanza. El propio Manual fue concebido como una guía para formar Supervisores de IA con enfoque de compliance y gobernanza, no como un tratado de programación.

El Módulo 1 del Manual al que nos referimos en este primero de cuatro artículos, está concebido, precisamente, para dar al futuro AI Officer, o a cualquier Directivo o Gerente, Auditor, Oficial de Compliance, Responsable de Tecnología o Líder de Negocio, el mínimo conocimiento técnico-operativo indispensable para entender qué es un Sistema de IA, qué tipos de IA existen, cómo se diferencian entre sí, qué rol juegan los datos, qué implica automatizar y qué significa realmente “apoyar” una decisión. Me parece un enfoque muy acertado. No busca convertir al lector en científico de datos. Busca algo más útil: que no sea un analfabeto funcional frente a una de las tecnologías más influyentes de nuestro tiempo. Los fundamentos de la IA son la base indispensable para entender luego ética, compliance, riesgos y gobernanza.

Todo el mundo quiere IA pero pocos empiezan por la pregunta correcta

Uno de los errores del mercado consiste en plantear la discusión sobre IA demasiado pronto en términos de productos, marcas, proveedores o arquitecturas, y demasiado poco en términos de problemas, finalidades y contextos de uso. Se discute si conviene un LLM o un SLM, si la solución debe correr en Cloud u On Premises, si es mejor usar un modelo propietario o uno Open Source, si conviene construir o adquirir. Todas esas preguntas son válidas. Pero ninguna de ellas es la “primera pregunta”, que debería ser mucho más directa y, por eso mismo, mucho más poderosa: “¿qué tipo de Sistema de IA estamos considerando, para resolver qué problema real, con qué datos, con qué nivel de automatización y con qué efectos posibles sobre personas, clientes, empleados o terceros?” En un artículo anterior sugerí que varios de estos pares aparentemente antagónicos: LLM vs. SLM, Propietario vs. Open Source, Cloud vs. On Premises, suelen ser falsos dilemas o, al menos, dilemas incompletos, y que lo realmente determinante es la adecuación de la arquitectura a los casos de uso y la alineación de éstos con la estrategia de la organización (ver Cómo alinear la IAG a la estrategia).

El Manual de WCA & TWBPI adopta como referencia metodológica las disposiciones del AI Act de la Unión Europea y recuerda que un Sistema de Inteligencia Artificial no es simplemente software avanzado: es un Sistema basado en máquina, diseñado para operar con distintos niveles de autonomía, capaz de inferir a partir de datos de entrada la forma de producir salidas como predicciones, contenidos, recomendaciones o decisiones / acciones que pueden influir en entornos físicos o virtuales. Esta definición, aunque jurídica en su origen, tiene enorme valor práctico. Obliga a poner el foco no sólo en la tecnología en abstracto, sino en las salidas, en la capacidad de inferencia y en el impacto que esas salidas producen en el mundo real.

Esta precisión no es meramente semántica, sino que condiciona la Gobernanza. Porque si lo relevante no es sólo el algoritmo sino el Sistema desplegado y sus efectos, entonces la supervisión tampoco puede quedarse en el plano teórico o técnico, sino que debe contemplar los casos de uso, la integración con procesos, los datos utilizados, los usuarios, la población afectada, la finalidad perseguida y la existencia o no de intervención humana significativa. En otras palabras, la IA deja de ser sólo un asunto de tecnología y pasa a ser, desde el primer minuto, un asunto de gestión, de control interno, de responsabilidad y de negocio. Esa preocupación por traducir la tecnología al lenguaje de organización, su estrategia y gobierno atraviesa buena parte de mis textos anteriores sobre IA/IAG (ver Cinco consejos para el éxito de sus iniciativas IA-IAG y Cómo alinear la IAG a la estrategia).

Modelo no es Sistema y confundirlos puede ser costoso

Uno de los aportes más importantes del primer módulo de la Certificación de AI Officer es la distinción entre Modelo y Sistema de Inteligencia Artificial, lo que puede parecer una sutileza, pero no lo es. El Modelo es el componente algorítmico o técnico que implementa capacidades de inferencia. El Sistema, en cambio, es la unidad organizacional y operativa relevante: puede incluir el Modelo, pero también la interfaz, los datos, las reglas de uso, las integraciones, la finalidad, el contexto y los efectos reales. Un Modelo no constituye por sí solo un Sistema de IA regulado; pasa a formar parte de un Sistema cuando es integrado, configurado y utilizado con una finalidad prevista dentro de un contexto organizacional específico.

¿Por qué importa tanto esta diferencia? Porque la mayor parte de las responsabilidades normativas, éticas y de cumplimiento no se activan por la mera existencia del Modelo, sino por su uso efectivo en un Sistema desplegado. Un Modelo Fundacional puede ser técnicamente muy completo, pero mientras no esté embebido en una aplicación concreta, no genera por sí mismo los mismos impactos jurídicos ni organizacionales que genera un Sistema puesto en producción. Es a nivel del Sistema donde aparecen los efectos sobre personas, los riesgos a derechos, las decisiones automatizadas o asistidas y las consecuencias reputacionales, comerciales y regulatorias.

Desde la práctica empresarial, esta distinción es fundamental. Hemos asistido a muchas discusiones en las que se debate durante semanas sobre el “Modelo” mientras nadie define con precisión qué proceso de negocio se quiere intervenir, quién será el responsable del despliegue, qué datos se usarán, qué nivel de trazabilidad se requiere, qué revisión humana existirá y cómo se medirá el desempeño. En esas condiciones, la discusión técnica se vuelve una forma elegante de esquivar la discusión de fondo: la organización cree que está decidiendo sobre IA, cuando en realidad todavía no ha empezado a diseñar el Sistema. En nuestras publicaciones anteriores sobre el tema insistimos en la necesidad de no perderse en la temática tecnológica y plantear siempre el análisis de los procesos, casos de uso y valor real para la Organización (ver Cinco consejos para el éxito de sus iniciativas IA-IAG y Cómo alinear la IAG a la estrategia).

Apoyo a la decisión o automatización encubierta

Otra idea medular del Módulo 1 es la diferencia entre los Sistemas que apoyan una decisión y aquellos que la automatizan parcial o totalmente. Teóricamente esta distinción es bastante clara, pero en la práctica muchas organizaciones la deforman, afirmando que “la decisión la toma una persona”, cuando en realidad esa persona apenas valida lo que produjo el Sistema. Dicen que hay supervisión humana, pero en realidad el volumen operativo, la presión de tiempos o la cultura interna convierten a esa supervisión en un ritual vacío. Dicen que la IA “recomienda”, cuando en la práctica esa recomendación es tratada como decisión final. De la definición correcta de esta frontera entre automatización y apoyo a la decisión depende la clasificación del Sistema y el nivel de control exigible.

Este punto me parece especialmente delicado porque conecta con varias de las dificultades de la Gobernanza. A medida que la IA se integra en procesos de reclutamiento, scoring, segmentación, prevención de fraudes, onboarding de clientes, clasificación de tickets de incidentes, priorización de inspecciones o atención al ciudadano, se vuelve tentador dejar que el Sistema no sólo apoye la decisión, sino que empiece a reemplazarla. Y aquí aparece una regla tan simple como exigente: a mayor automatización, mayor necesidad de supervisión. Cuanto más avanza la IA desde la recomendación hacia la acción, más se intensifica la necesidad de control, trazabilidad y responsabilidad.

Desde mi punto de vista, ésta es una de las primeras pruebas de madurez institucional. Una organización seria debería ser capaz de responder sin ambigüedades a preguntas como estas: ¿el Sistema está sugiriendo o está decidiendo? ¿el Usuario humano puede realmente apartarse de la salida? ¿tiene tiempo, autoridad y conocimiento para hacerlo? ¿queda registro de esa revisión? Si no hay respuestas claras, probablemente no estamos ante un verdadero apoyo a la decisión, sino ante una automatización “de facto”, maquillada con retórica tranquilizadora. Esta preocupación por la distancia entre el discurso y la realidad operativa también está implícita en mi defensa de la ética como práctica, no como mera declaración (ver La ética como virtud y ventaja competitiva).

La IA Predictiva es la vieja conocida que sigue predominando

En tiempos de “hypes” universales en que todo parece girar en torno a la IA Generativa y más recientemente a la IA Agéntica, conviene recordar que la IA Predictiva o tradicional sigue siendo la gran veterana del mundo corporativo. Mucho antes del boom de ChatGPT bancos, aseguradoras, operadoras de telecomunicaciones (telcos), comercios minoristas (retailers), plataformas digitales y organismos públicos utilizaban Modelos de IA Predictiva para evaluar riesgo crediticio, detectar fraude, predecir rotación (churn), recomendar productos, identificar anomalías y/o pronosticar demanda. Quienes hemos trabajado en prevención de fraude y/o en motores de análisis predictivo sabemos bien que esa IA menos vistosa, menos mediática y menos “conversacional” ha sido, durante años, la que verdaderamente sostuvo decisiones de negocio de alto impacto (ver Cinco consejos para el éxito de sus iniciativas IA-IAG).

El Módulo 1 del Manual de WCA & TWBPI describe a la IA Predictiva como aquella orientada a encontrar patrones en datos históricos para realizar predicciones, clasificaciones o estimaciones. Sus fortalezas son evidentes: puede procesar grandes volúmenes de información, detectar irregularidades invisibles a simple vista y mejorar decisiones operativas con velocidad y consistencia. Pero sus limitaciones también son conocidas: depende de la calidad de los datos, puede reproducir sesgos del pasado, exige mantenimiento y recalibración, y no necesariamente ofrece explicabilidad suficiente para todos los contextos. Lo que fue útil ayer puede dejar de serlo mañana si cambian las condiciones del negocio, la población o el comportamiento de los datos.

Veamos un ejemplo de mercado: un modelo para detección de fraude en medios de pago puede ser extraordinariamente valioso y, al mismo tiempo, profundamente problemático si castiga más a ciertos segmentos de clientes, si presenta muchos falsos positivos o si dispara bloqueos que empeoran injustamente la Experiencia del Usuario (CX). Lo mismo ocurre con modelos de selección de personal, fijación de precios, segmentación de marketing o priorización de casos. La historia reciente ha mostrado que un Sistema Predictivo técnicamente “eficiente” puede ser éticamente inaceptable o comercialmente contraproducente. Por eso la IA Predictiva no debe ser tratada como una caja de fórmulas estadísticas, sino como un componente del Sistema de Decisión Organizacional. Esta sensibilidad por el vínculo entre capacidad analítica y responsabilidad práctica ya estaba expresado de otra forma, en mis publicaciones anteriores sobre fraude y experiencia del cliente que fueron marcando la evolución hacia IAG, NLP y Deep Learning (ver Cinco consejos para el éxito de sus iniciativas IA-IAG y La experiencia del cliente como ventaja competitiva).

La IA Generativa: una fábrica probabilística de contenidos, no una máquina de verdad

La IA Generativa (IAG) es la categoría que más ha capturado la atención del mercado desde el lanzamiento de ChatGPT el 30/11/2022. Es la IA orientada a crear contenido nuevo: texto, imagen, audio, video o código, a partir de patrones aprendidos durante el entrenamiento. Y allí radica tanto su potencia como su principal malentendido. Porque lo que produce un modelo generativo no es una verdad certificada, sino una salida probabilísticamente plausible. Esa diferencia es gigantesca, porque un Sistema puede responder con enorme elocuencia y, sin embargo, estar completamente equivocado; puede sonar convincente y ser inexacto; puede escribir con autoridad y alucinar, y estas limitaciones son fundamentales para la comprensión operativa de la IAG.

He escrito anteriormente en esta misma Newsletter sobre varias de las preocupaciones éticas y operativas que rodean a la IAG: sesgos, desinformación, deepfakes, uso indebido de datos personales, opacidad, impacto sobre el trabajo, violaciones potenciales de propiedad intelectual y falsa sensación de comprensión (ver IAG y ética: ¿no hay nada “sagrado”?).

El Módulo 1 del Manual del AI Officer recoge varios de esos retos operativos, entre ellos las alucinaciones, la dependencia de grandes volúmenes de datos, la baja determinación exacta del resultado (modelos probabilísticos, no determinísticos) y la necesidad de controles de validación. A mi juicio, este es uno de los mensajes que más urge repetir en el mercado: la IAG no es un oráculo; es una poderosa tecnología probabilística que requiere contexto, límites y revisión humana.

Por mi lado, en publicaciones anteriores he insistido en otro punto: el riesgo menos citado por muchos analistas tal vez sea el de no cumplir expectativas infladas por un “bombo mediático” que transmite a los menos informados la falsa sensación de que “todo se soluciona con IA” (ver Cinco consejos para el éxito de sus iniciativas IA-IAG). Ese desajuste entre promesa y realidad explica parte del desencanto que aparece luego en muchas organizaciones, cuando los proyectos piloto no escalan o cuando el ROI no se alcanza. La Gobernanza de la IA empieza, también, por gestionar responsablemente las expectativas.

Todos quieren desplegar copilotos, pero pocos están listos para gobernarlos

La reciente popularización de la IAG generó una escena que describí en uno de mis artículos con una metáfora quizá algo irreverente, pero bastante gráfica: “muchos CIO parecen haber sido transportados a la adolescencia”. Todo el mundo habla del tema; todo el mundo quiere probarlo; pero muy pocos saben realmente mucho al respecto (ver La IA Generativa transporta los CIO a la adolescencia). La investigación citada mostraba en ese momento algo muy revelador: entusiasmo alto, presión fuerte de partes interesadas (stakeholders), expectativa de impacto enorme, pero también miedo, falta de información confiable, dificultades para encontrar casos de uso alineados al negocio y dudas respecto del retorno de la inversión. Esa combinación de entusiasmo, presión y desconocimiento explica en gran medida la torpeza con la que muchas organizaciones estaban encarando la IA.

El problema de fondo no es la ausencia de casos de uso posibles, sino la falta de capacidad para diferenciar entre casos de uso que deslumbran y casos de uso que agregan valor. En un contexto en el que el mercado exagera, los proveedores presionan y los medios banalizan, la organización debe volver a lo básico: estrategia, datos, gobernanza, métricas, talento, prioridades y gradualidad. Lo hemos señalado anteriormente: muchas veces las organizaciones empiezan por casos de uso periféricos, de bajo riesgo o sin relación con su ventaja competitiva, cuando el verdadero valor está en identificar dónde la IA puede mejorar procesos clave, reducir fricciones, elevar productividad o apoyar decisiones importantes sin comprometer control ni confianza (ver Cinco consejos para el éxito de sus iniciativas IA-IAG y Cómo alinear la IAG a la estrategia).

IA Agéntica: cuando la cuestión ya no es lo que la máquina dice, sino lo que hace

Si la IA Generativa exige prudencia, la IA Agéntica eleva en varios escalones la exigencia de Gobierno. El Módulo 1 del Manual del AI Officer presenta a la IA Agéntica como una evolución en la que el Sistema no sólo produce contenido o recomendaciones, sino que puede interactuar con otras herramientas, ejecutar pasos, coordinar tareas y actuar con mayor autonomía. En otras palabras, ya no estamos sólo frente a una máquina que responde, sino frente a una entidad de software que puede observar, planificar y actuar, y allí cambia radicalmente la ecuación del riesgo.

Cuando un Sistema Generativo convencional alucina, el daño puede consistir en una mala respuesta, un texto defectuoso o una recomendación incorrecta. No pretendemos restar importancia a las alucinaciones de la IAG “conversacional”, pero cuando un agente autónomo alucina y además tiene permisos para actuar, el problema puede ser significativamente mayor y escalar rápidamente: ejecutar una orden errónea, acceder a información sensible, disparar una cadena de acciones no prevista, contaminar otros sistemas o generar incidentes complejos de revertir. Por eso para la IA Agéntica se enfatiza la necesidad de supervisión reforzada, límites operativos claros, definición estricta de objetivos, controles de activación y suspensión, y pruebas más exigentes. La IA Agéntica, de hecho, obliga a elevar el estándar de Gobernanza.

A medida que el mercado avance hacia asistentes más autónomos en compras, mesas de ayuda (service desk), soporte de TI, back office, gestión documental o analítica operativa, veremos con mayor frecuencia esta tensión: el negocio va a querer más autonomía porque promete más productividad mientras que los responsables de control van a exigir más evidencias, más trazabilidad y más intervención humana. Esa tensión no es un accidente, sino que es inherente a la evolución de la tecnología. Y, precisamente por eso, un AI Officer o un buen Supervisor de IA debe aprender a identificar temprano cuándo un caso de uso está migrando desde la simple asistencia hacia una delegación peligrosa de control. Anteriormente escribimos sobre la necesidad de evaluar riesgos específicos de privacidad, sesgo, alucinaciones e infracción de propiedad intelectual, anticipando esta lógica de madurez basada en riesgos (ver Cómo alinear la IAG a la estrategia).

GPAI: el Mercado se enamora del Modelo; la Gobernanza debe enamorarse del Sistema

La última categoría tratada en el primer módulo es la de Inteligencia Artificial de Uso General o GPAI (General Purpose Artificial Intelligence). A mi juicio, aquí se encuentra uno de los temas más relevantes del momento. Los modelos de uso general son especialmente valiosos porque pueden reutilizarse en una enorme variedad de Sistemas y finalidades. Pero esa misma versatilidad complica la asignación de responsabilidades. El Proveedor del Modelo no siempre sabe cómo será utilizado. El Integrador puede modificar, ajustar o encapsular capacidades. El Desplegador lo inserta en un proceso de negocio concreto. Y el Usuario Final lo emplea en un contexto específico con sus propios riesgos y restricciones. La cadena de valor se vuelve más larga, más distribuida y más opaca.

Aquí vuelven a ser útiles algunas reflexiones que hicimos en el pasado sobre el mercado de Modelos Fundacionales: el crecimiento explosivo de modelos abiertos y propietarios, la dominancia de grandes fabricantes, la pluralidad de opciones tecnológicas y la necesidad de no “casarse” dogmáticamente con una sola marca o enfoque (ver Cinco consejos para el éxito de sus iniciativas IA-IAG y Cómo alinear la IAG a la estrategia). El problema no es que existan muchas alternativas; el problema es creer que la elección del Fabricante o del Modelo resuelve por sí sola la cuestión de la Gobernanza: no la resuelve, apenas la inicia.

Cuando la IA está bien aplicada se nota, y cuando está mal pensada, también.

Me parece útil aterrizar todo esto con un ejemplo concreto. En mi artículo sobre Ariana, el Asistente Virtual de Normas de Construcción de la Intendencia de Montevideo, se ve con mucha claridad que la IA genera valor cuando responde a una necesidad real, cuando se apoya en una base documental relevante, cuando se integra a un proceso concreto y cuando desde el diseño se contemplan aspectos como transparencia, explicabilidad, gobernanza, supervisión humana, trazabilidad y revisión de modelos (ver Inteligencia Artificial bien aplicada). No se trata de “publicar un chatbot” por moda; se trata de resolver mejor un problema real.

Ese caso muestra algo que debería ser obvio y, sin embargo, no siempre lo es: la IA bien aplicada no empieza en el Modelo; empieza en el problema. Empieza en la necesidad concreta de un Usuario, en la complejidad de un proceso, en la oportunidad de optimizar tiempos, costos, calidad o acceso al conocimiento. Y luego, sobre esa base, se define la arquitectura, se incorporan fuentes, se ajusta el Sistema, se prueba, se corrige y se gobierna. Cuando el orden se invierte y la organización empieza por la herramienta, suele terminar buscando desesperadamente un problema que la justifique, y el resultado suele ser mediocre.

Los cimientos de verdad: datos, estrategia, cultura y gobierno

Si tuviera que resumir en una sola idea práctica lo que deja este primer Módulo, diría que los fundamentos de la inteligencia artificial no son sólo técnicos; son, sobre todo, organizacionales. El mercado tiende a exagerar la relevancia del Modelo y a subestimar la importancia de los cimientos. Pero las verdaderas dificultades para desarrollar iniciativas exitosas de IA o IAG no radican, en primer término, en las confusiones entre LLM y SLM, entre Cloud y On Premises o entre Open Source y Propietario. Lo más difícil es contar con datos de calidad, vinculados a la estrategia de la organización y apoyados en procesos de gobernanza y en una cultura orientada a datos que fomente y premie la innovación y la experimentación (ver ¿Se viene una burbuja de IA?).

Esa idea también aparece cuando hace poco más de dos años señalábamos que la baja tasa de éxito de muchas iniciativas de IAG no se debe a una falta de potencia de la tecnología, sino a falta de conocimiento, de alineación estratégica y de selección adecuada de casos de uso (ver Cómo alinear la IAG a la estrategia). Dicho más claramente: muchas organizaciones quieren los beneficios de la IA sin haber construido antes las condiciones para que esos beneficios sean posibles. Quieren productividad sin gobierno, innovación sin estrategia, automatización sin datos limpios y resultados sin disciplina metodológica. Esas combinaciones rara vez terminan bien.

El AI Officer no necesita ser programador, pero necesita entender los riesgos

Aquí me parece importante hacer una precisión final. La Certificación AI Officer de WCA & TWBPI no pretende formar Ingenieros de Machine Learning sino Supervisores de IA competentes: personas capaces de entender qué Sistema tienen enfrente, qué tipo de IA incorpora, cuál es su nivel de automatización, qué papel cumplen los datos, quién responde por su despliegue y qué riesgos y controles deben activarse según el caso. El manual describe al AI Officer como un perfil de supervisión, aseguramiento y compliance, diferente del CIO, del CTO o de otros roles puramente tecnológicos.

Y hay una razón muy simple para ello. La IA no va a esperar a que las organizaciones terminen de ordenar sus ideas. Seguirá avanzando, siendo adquirida, desarrollada, desplegada y usada. Seguirá produciendo oportunidades extraordinarias y riesgos considerables, de modo que la pregunta ya no es si la organización se involucrará con la IA, sino si lo hará con criterio o sin él. Y ahí es donde los fundamentos dejan de ser un capítulo introductorio y pasan a ser una condición de supervivencia institucional. Esta misma intuición está presente, con distintos matices, en mis artículos sobre el “dilema del CIO”, sobre la burbuja, sobre el alineamiento estratégico y sobre el valor de la ética como virtud operativa (ver La IA Generativa transporta los CIO a la adolescencia, ¿Se viene una burbuja de IA?, Cómo alinear la IAG a la estrategia y La ética como virtud y ventaja competitiva).

Conclusión: el primer acto de Gobernanza no es controlar la IA sino entenderla.

El mercado seguirá hablando de la inteligencia artificial en tono grandilocuente; seguirán apareciendo Modelos más potentes, interfaces más seductoras y promesas más ambiciosas; continuarán los titulares sobre productividad, los temores sobre desempleo, las advertencias sobre sesgos, las disputas geopolíticas, la presión por innovar y los inevitables excesos del marketing tecnológico.

Todo eso continuará. Pero ninguna organización seria debería dejarse arrastrar por ese ruido sin hacer antes un trabajo más sobrio y mucho más importante: distinguir qué es Modelo y qué es Sistema; qué es apoyo y qué es automatización; qué es IA Predictiva, qué es IA Generativa, qué es IA Agéntica y qué es IA de Uso General; qué puede aportar valor y qué puede causar daño; qué conviene desplegar y qué conviene no tocar todavía. Ésa es, en definitiva, la alfabetización mínima sin la cual hablar de Gobernanza de IA sería prematuro.

Si algo nos enseñan los fundamentos de la IA es que el primer acto de Gobernanza no consiste en redactar una política ni en crear un Comité ni en llenar una Matriz de Riesgos. Todo eso vendrá después y será muy necesario. Pero el primer acto de Gobernanza consiste, más modestamente y a la vez más profundamente, en comprender de qué estamos hablando. Porque sólo cuando una organización comprende con precisión qué tipo de Inteligencia Artificial tiene enfrente puede empezar a gobernarla, supervisarla, limitarla, aprovecharla y hacerla compatible con sus fines legítimos. Antes de eso, lo que hay no es estrategia: es improvisación con estética futurista. Ese contraste entre potencia tecnológica y precariedad conceptual atraviesa buena parte de mis publicaciones anteriores (ver La IA Generativa transporta los CIO a la adolescencia y Cómo alinear la IAG a la estrategia).

Y me permito cerrar este primero de cuatro artículos expresando una convicción personal: en esta etapa de la historia tecnológica, entender los fundamentos de la IA ya no es una curiosidad para especialistas ni una ventaja para entusiastas: es una obligación básica de quienes toman decisiones, supervisan procesos, diseñan controles o responden por los riesgos de una organización. La Inteligencia Artificial puede ser muy sofisticada pero la primera exigencia que nos impone es casi elemental: no confundirnos. Y hoy, en el mundo corporativo, pocas cosas son más valiosas y más escasas que esa claridad.