Festival IA El Salvador 2026: el engaño del "do it yourself" y la ruta para evitar el fracaso empresarial

Mientras el mercado se ve inundado de modelos de código abierto y herramientas accesibles, Luis Pedro Coyar, Científico de Datos en Martinexsa, lanzó una advertencia contundente: el entusiasmo por implementar soluciones de IA "por cuenta propia" sin una base sólida está llevando a la gran mayoría de las compañías al fracaso.

Citando el estudio "The State of AI in Business", Coyar destacó que el 95% de las compañías que invierten en IA no logran generar un impacto real en sus negocios. La razón principal no es la falta de tecnología, sino la inmadurez en la estrategia de gobierno de datos y la ausencia de una visión alineada con los objetivos de la organización.

Seis consejos para una estrategia de IA exitosa

Para cruzar la brecha y formar parte del 5% que sí genera valor, Coyar compartió la hoja de ruta que Martinexsa ha validado tras años de experiencia en múltiples industrias y países de la región:

1. Integrar datos propios: Utilizar únicamente herramientas como ChatGPT o Gemini es tener la misma ventaja competitiva que la competencia. El valor real surge al unir los datos propios (ventas, clientes, contexto) para que la IA tome decisiones informadas y específicas para el negocio.

2. Seleccionar la tecnología por necesidad, no por marca: El experto enfatizó la importancia de no "casarse" con una tecnología. La solución debe adaptarse a la estrategia del negocio y no al revés.

3. Definir arquitecturas híbridas: Ante el debate entre la nube y servidores locales (on-premise), Coyar sugiere modelos donde los datos sensibles se mantienen y anonimizan localmente antes de ser procesados por la potencia del cloud.

4. Modelos de negocio transparentes: Es vital entender cómo cobran los proveedores (tokens, llamadas a API) para evitar sorpresas financieras al final del mes y garantizar la rentabilidad.

5. Alineación con el negocio: "No porque queramos implementar IA significa que vamos a meter IA en todos los problemas". Primero se identifica el problema y la métrica; la solución podría ser IA, o simplemente un mejor análisis de BI.

6. Seguridad por diseño: La seguridad no es un "lujo" para el final del proyecto. Debe construirse simultáneamente al desarrollo para evitar desastres operativos.

Uno de los puntos más críticos de la conferencia fue el análisis de los agentes de IA. Coyar explicó que estos funcionan como una "orquesta": si un componente (memoria, planeación o herramientas) desentona, el resultado final es erróneo y peligroso.

El experto alertó sobre los riesgos de no poner límites o guardrails. Mencionó ejemplos reales, como el asistente OpenCloset, donde habilidades desarrolladas por la comunidad tenían intenciones maliciosas. En casos extremos, agentes sin supervisión han llegado a borrar bases de datos productivas y backups completos, destruyendo el patrimonio digital de una empresa de la noche a la mañana por falta de delimitación.

Para prevenir estos escenarios, Martinexsa recomienda la implementación de barreras de seguridad:

• Obligación de citar: En sistemas de consulta de documentos, la IA debe indicar de dónde extrajo la información para evitar "alucinaciones".

• Human-in-the-loop: Mantener siempre a un humano validando las respuestas y acciones críticas antes de que impacten al cliente o al negocio.

• Anonimización: Filtrar datos sensibles para que los modelos no tengan acceso a información confidencial que pueda ser comprometida.

Vea también: Festival IA El Salvador 2026: el reto ya no es usar IA, sino aprender con ella