Durante su conferencia “Los cuatro mundos de la inteligencia artificial”, Fredi Vivas, durante la primera jornada de ExpoNegocios, propuso ordenar este escenario en cuatro dimensiones: Data & Machine Learning, productividad individual, IA agéntica y automatizaciones. La clasificación busca separar tecnologías que muchas veces son agrupadas bajo una misma etiqueta, aunque resuelven problemas diferentes y requieren distintos niveles de inversión, datos, gobierno y supervisión.
“Cuando alguien dice ‘tenemos que hacer algo con IA’, cada persona está imaginando una cosa distinta”, resume una de las ideas centrales de su exposición. El punto, según Vivas, es pasar de la intención general de incorporar inteligencia artificial a identificar con precisión qué necesidad del negocio se busca resolver.
Predicción: cuando la IA ayuda a anticipar decisiones
El primer mundo es el de Data & Machine Learning, donde los algoritmos utilizan información histórica y actual para encontrar patrones y estimar probabilidades. Allí aparecen aplicaciones como detección de fraude, scoring crediticio, predicción de abandono de clientes, optimización de cobranzas, pricing dinámico, personalización de promociones y recomendaciones de productos.
Vivas recurrió al funcionamiento de plataformas conocidas para explicar esta lógica. Waze, por ejemplo, combina datos históricos, información reciente y datos en tiempo real para calcular rutas y tiempos de llegada. “Hace lo mejor que puede con lo que tiene. Así se construyen los modelos”, explicó.
El mismo principio puede trasladarse a una compañía que necesita estimar si un cliente dejará el servicio, qué probabilidad existe de fraude o qué oferta tiene mayores posibilidades de conversión.
Spotify y Netflix también ilustran este modelo. En lugar de quedarse únicamente con variables tradicionales como edad o ubicación, analizan comportamientos: qué escucha una persona, qué contenido abandona, qué guarda para después o en qué momento consume determinados productos.
“Las segmentaciones que pagan son las segmentaciones comportamentales”, señaló Vivas, poniendo el foco en la capacidad de conocer al cliente a partir de lo que efectivamente hace y no solo de variables demográficas.
Sin embargo, esa capacidad depende de la calidad de la información disponible. “¿Cómo hacemos para generar buena información si no generamos buenos datos? Es imposible”, afirmó. Por eso planteó la necesidad de centralizar datos provenientes de ventas, CRM, ERP y otras fuentes, en lugar de trabajar con múltiples planillas desconectadas.
IA generativa: del asistente de texto al análisis de datos
El segundo mundo está vinculado con la productividad individual mediante IA generativa. Aquí entran asistentes multimodales y herramientas especializadas capaces de producir textos, código, imágenes, presentaciones, análisis o reportes.
Su impacto, sin embargo, puede ir bastante más allá de redactar contenido. Durante la presentación, Vivas mostró cómo un archivo desordenado de clientes puede transformarse, mediante instrucciones en lenguaje natural, en una base estructurada sobre la cual ejecutar análisis con Python, generar segmentos comerciales y producir visualizaciones.
La ventaja está en reducir la barrera técnica. Tareas que antes requerían conocimientos de estadística, SQL, programación y herramientas de business intelligence pueden hoy ejecutarse con apoyo de asistentes, aunque Vivas advirtió que el conocimiento humano continúa siendo necesario.
“No es que la IA va a hacer todo por vos. Si vos no sabés de estas cosas, tu potencial de crecimiento con IA está limitado”, sostuvo.
En este nivel aparece además el concepto de company brain, una base de conocimiento propia de la organización. La idea es que los sistemas no solo conozcan información general, sino que puedan acceder al contexto específico de la compañía: procedimientos, reuniones, documentos, políticas y conocimiento acumulado.
Así, por ejemplo, una persona de Recursos Humanos podría solicitar una descripción de puesto sin comenzar desde cero, porque el sistema ya tendría incorporado el contexto de la organización.
Automatizar lo repetitivo para recuperar tiempo
El siguiente frente son las automatizaciones, diseñadas para procesos previsibles y repetitivos. Funcionan mediante reglas claras: “si ocurre X, ejecutar Y”.
Son sistemas especialmente útiles para mover información entre plataformas, actualizar registros, generar documentos, realizar conciliaciones o enviar comunicaciones automáticas.
Entre los casos presentados por Vivas aparecen la captura automática de leads, el archivo de facturas, alertas por vencimientos, monitoreo de menciones y cobranzas. Por ejemplo, una factura impaga puede generar un primer recordatorio y, si continúa vencida después de 15 o 30 días, activar nuevas acciones o escalar el caso al responsable del área.
La principal ventaja no está necesariamente en que esas tareas generen nuevos ingresos por sí mismas, sino en el tiempo que liberan.
“Con esto no vas a facturar 3X, pero sí vas a liberar tiempo de esa gente para que cree proyectos para facturar 3X”, explicó Vivas.
Agentes: de seguir instrucciones a perseguir objetivos
El nivel de mayor autonomía corresponde a la IA agéntica. A diferencia de una automatización tradicional, donde todos los pasos deben definirse previamente, un agente recibe un objetivo, contexto y herramientas, y decide qué acciones realizar para intentar cumplirlo.
Puede revisar correos, consultar datos, analizar documentos, buscar información, preparar alertas, redactar mensajes o activar otros sistemas.
“Persigue un objetivo, no persigue una tarea específica”, explicó Vivas durante la conferencia.
Un ejemplo presentado fue el de un agente que asiste a ejecutivos comerciales. El sistema puede detectar un aumento inesperado en la venta de un producto, analizar el riesgo de falta de stock, cruzar la información con un modelo de demanda y sugerir una reposición. Incluso podría preparar el pedido, aunque la decisión final continúa en manos de una persona.
Esa diferencia es central: una automatización ejecuta siempre un procedimiento conocido; un agente puede recorrer caminos distintos para alcanzar un mismo objetivo. Mientras el primero ahorra tiempo operativo, el segundo busca mejorar la calidad de las decisiones.
El mayor desafío no está en la tecnología
La incorporación de estas herramientas tampoco depende únicamente de comprar licencias o desarrollar modelos. Para Vivas, buena parte del desafío está en preparar a las organizaciones para utilizarlas.
Su presentación plantea que 70% del esfuerzo real de transformación está relacionado con las personas, incluyendo capacitación, cultura, nuevas habilidades y adaptación de procesos.
También aparecen barreras como el miedo al reemplazo, las dudas sobre seguridad y una cultura empresarial que puede desalentar la experimentación.
Por eso, el papel de los líderes cambia. No necesariamente deben convertirse en expertos en prompts, sino identificar oportunidades, impulsar casos de negocio, resolver obstáculos con tecnología, legales o ciberseguridad y comunicar con claridad qué papel tendrá la IA dentro de la compañía.
“La idea no debe ser tratada solo como un tema tecnológico”, concluyó Vivas.
La discusión, entonces, empieza a desplazarse de qué herramienta de IA comprar hacia una pregunta más concreta para las empresas: qué tareas conviene predecir, potenciar, automatizar o delegar a agentes para que las personas puedan concentrarse en actividades de mayor valor.