La inteligencia artificial (IA) dejó de ser un concepto aspiracional y se ha convertido en una herramienta concreta para mejorar la eficiencia y generar ventaja competitiva en las empresas.
A pesar de esto, muchos ejecutivos aún se preguntan: ¿por dónde y cómo empezar? Gonzalo García, vicepresidente de Ventas de Fortinet para América del Sur, comparte su visión y recomendaciones para incorporar IA de manera efectiva.
Empezar con un caso de uso específico
“En lugar de lanzar un megaproyecto que abarque toda la organización, recomiendo comenzar con un caso de uso puntual, medible y con impacto tangible en un área de negocio”, explica García.
Por ejemplo, en una empresa de servicios, un modelo de IA para gestionar automáticamente preguntas frecuentes puede reducir tiempos de respuesta y liberar a los agentes humanos para tareas de mayor valor. “Es un proyecto acotado, con resultados visibles en semanas. A partir de ahí, la organización gana confianza, experiencia y métricas para escalar hacia casos más sofisticados, como personalización de la experiencia del cliente o optimización logística”, agrega.
Equipos y datos: la base del éxito
Para consolidar un caso de éxito y expandir la IA, es clave conformar un equipo multidisciplinario, que incluya profesionales de tecnología, negocio y control de gestión, liderado por un Chief AI Officer (CAIO).
“Los datos son el insumo más valioso”, subraya García. Sin calidad, consistencia y gobernanza, ningún modelo de IA ofrecerá resultados confiables. Antes de elegir un caso de uso, la alta gerencia debe evaluar si existen datos suficientes y de buena calidad, así como la infraestructura y el talento necesario.
LLM vs. SLM: elegir la arquitectura correcta
Al definir el caso de uso, surge la decisión tecnológica: optar por Large Language Models (LLM) o Small Language Models (SLM).
- Los LLM procesan grandes volúmenes de información con resultados sofisticados, pero requieren altos costos de cómputo y plantean riesgos de confidencialidad si se usan proveedores externos.
- Los SLM, más livianos y económicos, pueden entrenarse con datos específicos de la empresa y ejecutarse en entornos controlados, como nubes privadas o instalaciones on-premises.
“La estrategia no debe ser binaria”, explica García. Una combinación híbrida permite aprovechar la escala de un LLM para tareas generales y un SLM especializado para funciones críticas y datos sensibles.
Seguridad: un componente clave
En ciberseguridad, la diferencia LLM vs. SLM es crítica. Los SLM on-prem requieren un stack robusto de protección, que incluya Zero Trust, EDR/NDR, IAM, segmentación de red y cifrado end-to-end. Sin esto, un SLM podría convertirse en un vector de ataque en lugar de defensa.
Los LLM públicos funcionan como servicio en la nube, con limitaciones en el control de datos y riesgos de fuga de información, incluso con políticas de anonimización.
Una alternativa es usar LLM open source en nubes privadas o híbridas, con mayor inversión en infraestructura y talento, ideal para sectores regulados.
Estrategia práctica recomendada
- SLM on-prem o cloud privada: entrenados con datos internos y protegidos con un stack robusto de ciberseguridad.
- LLM públicos como servicio: limitar a casos no críticos, aplicando sanitización de datos.
- LLM open source en nubes privadas: opción intermedia para industrias reguladas, con inversión significativa en infraestructura y talento.
“Empezar con casos medibles, consolidar aprendizajes y expandir gradualmente es la clave para que la IA se convierta en un verdadero motor de innovación y eficiencia en la empresa”, concluye Gonzalo García.
