Cómo trabajar con IA, cuánto cuesta, cómo evaluar proyectos y qué pasos concretos dar —
para directores, gerentes y dueños de empresas industriales argentinas
Trabajaremos los conceptos sobre problemas reales
| Proceso | Frecuencia | Interno/ext. |
|---|---|---|
| Tu proceso aquí | — | — |
Los modelos de IA pueden ser usados en diferentes entornos. El nivel de acceso define qué podés hacer, qué control tenés y cuánto cuesta.
💬 Para el grupo: ¿Usan alguna de estas formas hoy? ¿Cuál? ¿Qué resultados obtienen?
Los agentes son IAs a las que se les da autonomía para ejecutar tareas en el mundo digital: buscar información, detectar datos, ejecutar acciones simples predefinidas, automatizaciones.
En teoría funcionan solos. En la práctica todavía tienen bastante que mejorar — se equivocan en pasos intermedios, son complejos de configurar para ser confiables y pueden generar errores en cadena.
La recomendación actual: usarlos con supervisión humana clara en cada etapa crítica. Limitarlos a tareas muy específicas y controladas que que puedan automatizarse.
Y también puede hacer cualquier cosa.
La IA es tan buena como el sistema que la contiene. Necesitamos aprender de sus beneficios y riesgos. Educar y tomar conciencia. Avanzar junto con la tecnología.
¿Cuánto vale para la empresa resolver el problema que tienen? ¿Necesitan usar IA en cada proceso? ¿Resolvemos acciones puntuales o procesos completos?
La unidad de consumo de la IA son los tokens — fragmentos de palabras. Cada palabra que mandás y recibís consume tokens. Cuanto más larga la conversación, más tokens.
El problema: la memoria de contexto (lo que la IA "recuerda" dentro de una sesión) se encarece exponencialmente cuanto más larga es. Una sesión de 100.000 tokens puede costar 10-50 veces más que una de 10.000.
Para sistemas que corren miles de veces por día, el diseño del prompt y del flujo impacta directamente en la factura mensual. Un flujo mal diseñado puede multiplicar el costo por 5 o 10 sin que lo notes en el prototipo.
Cada empresa tendrá su propio recorrido. Es recomendable analizar los problemas actuales e identificar qué proyectos tienen mayor probabilidad de éxito caso a caso.
No para restringir — para proteger y habilitar al mismo tiempo.
No hace falta un documento de 50 páginas. Una política útil cubre tres cosas: qué no puede hacerse (datos confidenciales, usar IA para decisiones o procesos sin informar a la dirección, etc.), qué herramientas están aprobadas y quién decide en caso de duda.
La política tiene que ser dinámica — lo que hoy es una restricción puede ser una habilitación en 6 meses. Revisarla periódicamente junto con el mapa de proyectos es una buena práctica.
Tip práctico: empezar por comunicar internamente que la empresa está pensando en esto — que hay un espacio para explorar y hay criterios para hacerlo bien — es más valioso que tener un reglamento perfecto. Identificar los actores internos que dirigirán el crecimiento y uso de esta tecnología dentro de la empresa.
Registrar todos los proyectos posibles para analizar cuáles son los prioritarios y evaluar su factibilidad y momento. No se descarta ningún proyecto, se reevalúan en el corto plazo.
Un piloto -MVP- es un proyecto de alcance limitado cuyo objetivo principal es aprender — no resolver el problema definitivamente. Tiene un tiempo acotado (4-8 semanas), un equipo pequeño y una métrica clara de éxito.
Estos Productos Mínimos Viables nos permiten entender si la tecnología funciona para el caso planteado, si el equipo se involucra y si el costo estimado es razonable.
Si el piloto funciona y resuelve al menos una parte del problema general, se profundiza y continúa el desarrollo. Si sale mal, es posible hacer las correcciones de diseño / tecnología / prioridad sin inversiones costosas y con aprendizaje en el proceso.
Algunas recomendaciones para no perderse en el camino y elegir aquellos proyectos que realmente mejorarán los procesos de cada empresa.
Hay preguntas abiertas cuyas respuestas modelarán el futuro de la empresa y las pondrán en la dirección de crecimiento correcta.
No hay respuestas únicas. Hay señales, hay escenarios más probables, hay decisiones que conviene tomar hoy para estar mejor parados ante varios futuros posibles.
No hay un único escenario posible con la IA. Hay varios, con distintas probabilidades. Algunos implican disrupciones grandes, otros transiciones más graduales. El trabajo estratégico no es predecir cuál va a ocurrir — es prepararse para varios al mismo tiempo tomando decisiones que sean válidas en más de uno.
Las personas más afectadas en el corto plazo son quienes hacen tareas repetitivas bien definidas — no porque vayan a ser reemplazadas de un día para otro, sino porque el valor relativo de esas tareas va a cambiar.
Lo que la IA no reemplaza fácilmente: criterio acumulado, relaciones humanas, contexto local, responsabilidad. Lo que sí empieza a hacer mejor que muchos: análisis de información, redacción, síntesis, código.
Cada empresa deberá evaluar ¿cómo ayudo a mi gente a evolucionar junto con la tecnología?
La IA más avanzada y más accesible hoy es principalmente estadounidense (OpenAI, Anthropic, Google). Pero China está invirtiendo masivamente y en algunas áreas — especialmente video, imagen y modelos orientados al comercio — ya está al nivel o por encima.
Para las empresas argentinas, esto importa por dos razones: confidencialidad (¿a qué jurisdicción estás enviando tus datos?) y costo (si los modelos chinos son más baratos y comparables en calidad, el mercado se va a mover).
Entrenar y operar modelos de IA a escala consume cantidades enormes de energía. Los centros de datos de las grandes empresas de IA ya representan una fracción significativa del consumo eléctrico de algunas regiones.
Esto tiene implicancias geopolíticas (quién controla la energía controla la IA), ambientales (el costo ecológico del crecimiento de la IA) y económicas (el costo de la energía impacta el precio de los servicios de IA).
La AGI es la hipótesis de una IA que puede hacer cualquier tarea cognitiva que un humano puede hacer — y potencialmente mucho más. Hoy no existe. Cuándo podría existir es una de las preguntas más debatidas en el campo.
Lo que sí existe hoy son modelos muy capaces en dominios específicos que siguen mejorando. La distancia entre "muy bueno en muchas cosas" y "general como un humano" sigue siendo incierta.
Para las decisiones de hoy: no hay que esperar la AGI para actuar. Lo que existe hoy ya es suficientemente transformador para justificar prepararse.
La IA no mejora linealmente. Los saltos de capacidad en los últimos años fueron exponenciales — lo que parecía imposible hace 3 años es hoy un commodity. Lo que hoy parece difícil puede ser trivial en 2 años.
Esto hace que las proyecciones sean muy difíciles y que las decisiones de "esperar a que madure" tengan un costo real. También hace que las ventajas construidas hoy sean más duraderas — quien aprende ahora tiene una base que es difícil de recuperar después.
A medida que los procesos de una empresa se apoyan más en la IA, crece la dependencia de proveedores externos — sus precios, sus políticas, su disponibilidad. Si mañana Anthropic o OpenAI cambian sus términos o sus precios, ¿qué pasa con los procesos que dependen de ellos?
Mitigación práctica: diseñar sistemas que puedan migrar entre proveedores, mantener versiones no-IA de los procesos críticos mientras se hace la transición, y no concentrar toda la operación en un único modelo o proveedor.
Los jóvenes que hoy están entrando al mercado laboral van a convivir con IA toda su vida profesional. Los que se formen para usarla bien van a tener una ventaja enorme. Los que no, van a competir contra herramientas que hacen su trabajo mejor y más barato.
Para las empresas, esto tiene dos implicancias: los nuevos ingresos van a llegar cada vez más preparados para usar IA (y van a esperar que la empresa lo aproveche), y la formación interna en IA va a ser cada vez más parte del desarrollo profesional, no un extra.
El ecosistema de IA cambia rápido. Modelos nuevos, herramientas nuevas, costos que bajan, capacidades que se agregan. Lo que hoy requiere un desarrollo complejo, en 6 meses puede ser una función estándar de una herramienta.
Por eso el mapa de proyectos no es estático — hay que revisarlo periódicamente. Un proyecto que hoy es Tipo C (tecnología inmadura) puede convertirse en Tipo A en pocos meses si sale el modelo correcto.
Todo lo necesario para dar el primer paso con criterio.
Ing. Gabriela Conterno.