“¿Por qué entre el 80 y el 90 % de los pilotos de IA en servicios financieros nunca llegan a producción?”
Ese fue el punto de partida de un webinar reciente en el que participaron Alexey Utkin (Head of Data & Analytics Lab, DataArt), Ed Simmons (Principal, Branch Brook Advisors LLC) y Thomas Mathew (Senior Director, Partner Technology for Financial Services, Microsoft).
La respuesta, como dejó claro el panel, tiene menos que ver con los propios algoritmos y más con lo que los sustenta: la infraestructura de datos, el gobierno de datos y la preparación organizacional.
Los obstáculos: por qué la IA se queda atrapada en el purgatorio
Según Utkin, la industria es muy buena produciendo demos, pero tiene dificultades para escalarlas. Las pruebas de concepto rápidas suelen ocultar problemas más profundos:
- Datos fragmentados y silos a lo largo de los sistemas heredados
- Gobierno de datos deficiente que deriva en insumos de baja calidad
- Falta de monitoreo y de mecanismos de control una vez que los modelos están en producción
Como resultado, las empresas invierten “100 veces más esfuerzo” en intentar operacionalizar la IA que el que necesitaron para construir el primer prototipo llamativo.
Mathew reforzó este punto al referirse a la brecha entre negocio y tecnología. Los directorios impulsan la transformación con IA, pero el 95 % de las organizaciones reporta bajos retornos. ¿La razón? “La IA solo es tan buena como los datos”, enfatizó, convirtiendo a las plataformas de datos unificadas y de alta calidad en una necesidad, no en una opción.
El 95 % de las organizaciones está viendo un bajo retorno de la IA, lo que implica una alta adopción pero una baja transformación.
Plataformas de datos modernas: más simples, rápidas e inteligentes
La buena noticia es que la tecnología ya alcanzó el nivel del desafío. Tanto Utkin como Mathew destacaron cómo las plataformas basadas en la nube, como Microsoft Fabric, OneLake y Purview, están permitiendo a las empresas:
- Consolidar datos sin tener que desmantelar y sustituir los sistemas heredados
- Asegurar trazabilidad, transparencia y cumplimiento normativo desde el primer día
- Escalar con un modelo de pago por uso, haciendo que la adopción de IA sea financieramente sostenible
Muchas plataformas de datos modernas son, en realidad, mucho más simples desde el punto de vista arquitectónico y tecnológico. Hoy es mucho más fácil construir, adoptar, operar y evolucionar una plataforma basada en tecnologías cloud como las que provienen de Microsoft. Por eso creo que la simplificación es un factor importante para el éxito.
Gobierno de datos como acelerador, no como obstáculo
Un tema recurrente: el gobierno de datos no frena la innovación; la impulsa.
- Los marcos robustos reducen la manipulación de datos, lo que permite a los equipos crear modelos más rápidamente
- El cumplimiento normativo incorporado evita demoras causadas por reprocesos regulatorios
- La transparencia genera confianza tanto en los stakeholders como en los reguladores
“Un buen gobierno de datos desplaza el foco de arreglar los datos a innovar con IA”, señaló Mathew.
Una hoja de ruta construye a medida que creces
Entonces, ¿Por dónde deberían empezar los gestores de activos? El panel destacó tres capas de preparación:
- Fundamentos tecnológicos – unificar los datos, eliminar ineficiencias y adoptar plataformas modernas en la nube.
- Transformación del modelo operativo – incorporar gobierno de datos, adoptar estructuras de data mesh u orientadas a dominios y tratar los datos como un producto.
- Valor de negocio primero – comenzar con dominios específicos como gestión de portafolios o analítica de riesgo, lograr quick wins y expandir de manera iterativa.
Este enfoque modular permite a las empresas capturar valor de inmediato mientras construyen las bases para una transformación de largo plazo.
Del riesgo a la resiliencia
La conversación también abordó la gestión de riesgos:
- Tres niveles de riesgo en IA: desde copilotos de ingeniería de bajo riesgo hasta sistemas de mayor riesgo de cara al cliente.
- Modelar operaciones y flujos de trabajo con intervención humana como medidas de seguridad.
- Cultura de alfabetización en IA y cambio cultural para superar la resistencia y empoderar a los empleados.
La IA, enfatizaron los expositores, es un habilitador, no un reemplazo. El éxito depende tanto de las personas y los procesos como de la tecnología.
Puntos clave para los gestores de activos
- Los datos fragmentados frenan la IA: primero hay que arreglar la base
- Plataformas modernas como Azure Fabric y Purview simplifican, unifican y escalan
- El gobierno de datos acelera la adopción de IA cuando se incorpora desde el inicio
- Las estrategias de construir a medida que creces reducen el riesgo y aportan valor ahora mismo.
- Las historias de éxito comienzan con dominios focalizados, no con migraciones a nivel empresarial
Conclusión
La discusión final dejó claro que la adopción exitosa de IA tiene tanto que ver con las personas como con las plataformas. La IA debe verse como una herramienta que potencia a los especialistas, no como algo que los reemplaza. Si bien simplifica procesos y aumenta la productividad, también cambia la naturaleza del trabajo. Ese cambio requiere comunicación, educación y apoyo para que los empleados puedan adaptarse con confianza.
Igualmente importante es construir una cultura de alfabetización en IA y de confianza. Las organizaciones que presentan la IA como un habilitador —centrada en reducir tareas repetitivas, mejorar los servicios al cliente y amplificar la experiencia— son las que están mejor posicionadas para obtener valor a largo plazo.
No es que no podamos avanzar rápido. Es que necesitamos movernos de forma holística: tecnología, gobierno de datos y personas en conjunto.
En última instancia, el panel coincidió en que el camino a seguir requiere un enfoque holístico: un gobierno de datos robusto, las plataformas modernas adecuadas, una automatización diseñada con criterio y a las personas al centro. El éxito no proviene de apurar los pilotos para llevarlos a producción, sino de alinear tecnología, gobierno y cultura en una estrategia cohesiva.
Si tu organización está explorando cómo ir más allá de los pilotos de IA y construir sistemas que realmente escalen, no estás sola. Muchos gestores de activos enfrentan desafíos similares en torno a datos fragmentados, gobierno de datos y adopción. Ahí es donde los fundamentos de datos adecuados marcan toda la diferencia.
En el Data & Analytics Lab de DataArt combinamos una profunda experiencia en datos, analítica e IA con más de 20 años como partner certificado de Microsoft. Reconocidos como Microsoft Solutions Partner con cuatro designaciones Azure y una Advanced Specialization in AI Platform, ayudamos a las organizaciones a transformar la complejidad en claridad y a escalar la innovación con confianza.
Contáctanos para acelerar tu transformación hacia sistemas de datos seguros y escalables.
