En la carrera por la Transformación Digital, las empresas enfrentan un patrón crítico, la Inteligencia Artificial (IA) suele permanecer aislada dentro de las áreas de tecnología. En Colombia, este reto ya ha sido entendido y apropiado, por ello, las organizaciones que guían transformaciones, ya trabajan precisamente en la transición hacia un impacto financiero medible y escalable, aunque siguen enfrentando barreras operativas, de infraestructura y de liderazgo. Al ser evaluada exclusivamente con métricas técnicas y no con indicadores de impacto para el negocio, la herramienta corre el riesgo de quedarse indefinidamente como un ejercicio de prueba de concepto.
La investigación realizada por la firma de ingeniería digital SoftServe en conjunto con MIT Technology Review (Redefining the Future of Software Engineering), reveló que el 72 % de las organizaciones proyecta que los agentes de IA gestionarán la mayoría o la totalidad del ciclo de vida del software o de los productos de extremo a extremo en los próximos dos años. Sin embargo, para consolidar esta proyección en el entorno local, el liderazgo empresarial debe rediseñar sus estructuras tradicionales.
Para romper este ciclo y alcanzar resultados comerciales medibles, las organizaciones deben reestructurar su arquitectura de datos, rediseñar sus modelos operativos y evolucionar la mentalidad de sus líderes hacia la orquestación agéntica. Impacto TIC conversó con John Howard, vicepresidente y líder regional para Latinoamérica de SoftServe, empresa global de ingeniería digital que opera en Colombia desde 2022, quien analizó los desafíos y oportunidades del ecosistema empresarial frente a las tecnologías emergentes.
Índice de temas
¿Por qué la Inteligencia Artificial se queda atrapada en los departamentos de TI?
El principal obstáculo para que la IA genere valor real es la falta de un propietario comercial. Cuando la responsabilidad técnica recae únicamente en el departamento de sistemas, el desarrollo se desvincula de las metas estratégicas de la compañía. “La responsabilidad debe evolucionar más allá de TI e involucrar a los líderes de las unidades de negocio, quienes son responsables de objetivos concretos como ingresos, margen, eficiencia o productividad”, afirma John Howard.
El segundo gran problema es arquitectónico. Es común encontrar organizaciones ejecutando múltiples proyectos piloto en paralelo, como un asistente conversacional automatizado (chatbot) o un modelo de analítica predictiva, totalmente desconectados entre sí. Cada iniciativa opera con su propia infraestructura y lógica, lo que impide la escalabilidad.
Para solucionar esta dispersión, las empresas requieren estructurar una capa compartida de infraestructura de datos e IA que unifique modelos de datos comunes, interfaces de programación de aplicaciones (API) y tuberías de datos (pipelines) reutilizables. Con esta base consolidada, el lanzamiento de nuevos casos de uso toma semanas en lugar de meses. Asimismo, el modelo operativo debe migrar hacia la concepción de la IA como un producto continuo, lo que exige equipos permanentes, multidisciplinarios y presupuestos recurrentes. “La IA suele permanecer dentro de TI, reportando a TI y siendo evaluada principalmente con métricas técnicas, en lugar de indicadores de impacto para el negocio”, agrega Howard.
¿Cómo solucionar la fragmentación de datos antes de invertir en agentes de IA?
La adopción de tecnologías avanzadas como la Agentic AI (IA agéntica o agentes autónomos) requiere cimientos de información limpios y ordenados. Para Howard, en América Latina, la falla de infraestructura más recurrente es la fragmentación: información valiosa dispersa en sistemas de planificación de recursos empresariales (ERP heredados), hojas de cálculo manuales y silos regionales incomunicados.
Esta falta de gobernanza deteriora la toma de decisiones estratégicas. De acuerdo con un estudio global realizado por SoftServe en 2025 junto a Wakefield Research, el 58 % de los líderes empresariales afirma que las decisiones clave de sus negocios se basan en datos inexactos o inconsistentes.
El principio técnico es implacable: un agente inteligente es tan confiable como los datos y permisos que lo respaldan. Si se alimenta el sistema con información deficiente, el resultado será erróneo (el dilema clásico conocido como “garbage in, garbage out”).
Un agente inteligente solo es tan confiable como la información, el contexto y los permisos que respaldan sus algoritmos. Las recomendaciones técnicas para las direcciones de información (CIO) sugieren priorizar los procesos de negocio donde la tecnología aporte valor cuantificable, delimitar la propiedad de la información y unificar las bases de datos. Howard precisó que este enfoque es indispensable para el éxito operativo: “La gobernanza de datos no es una iniciativa paralela a la IA: es la base que hace que la IA sea confiable, escalable y valiosa”.
¿Cuáles sectores industriales de Colombia están maduros para la IA Física?
La evolución tecnológica está superando el entorno estrictamente digital para integrarse con el mundo físico mediante la Physical AI (IA Física), una rama que combina algoritmos inteligentes con robótica, sensores y automatización en entornos de manufactura.
En Colombia y la región de la Cuenca del Caribe, los sectores con mayor madurez para absorber esta innovación son aquellos con activos físicos complejos, riesgos de seguridad industrial y datos operativos robustos. Esto incluye a la manufactura, minería, energía, logística, puertos y agroindustria.
- Sector de Hidrocarburos: Empresas de oil & gas en el país emplean inteligencia de datos para incrementar el factor de recobro en campos de extracción existentes.
- Agroindustria: Se utilizan vehículos aéreos no tripulados (drones) equipados con cámaras multiespectrales para la detección temprana de enfermedades agrícolas como la roya.
A diferencia de la automatización rígida tradicional, la IA Física permite que las máquinas y los operadores humanos respondan a entornos cambiantes en tiempo real. Un ejemplo global de esta aplicación es el trabajo de SoftServe con el fabricante alemán de empaques Krones. Mediante la combinación de gemelos digitales (réplicas virtuales exactas de maquinaria física) con computación en la nube, lograron reducir los tiempos de simulación de procesos industriales de 4 horas a menos de 30 minutos, acelerando los ciclos de innovación.
¿Cómo construir una estrategia de formación técnica sostenible a largo plazo?
La reducción de la brecha de talento humano requiere metodologías educativas sostenibles que La reducción de la brecha de talento humano requiere metodologías educativas sostenibles que superen los formatos de corta duración como los hackatones o campos de entrenamiento (bootcamps).
La investigación realizada por SoftServe en conjunto con MIT Technology Review (Redefining the Future of Software Engineering) reveló que el 72 % de las organizaciones mundiales proyecta que los agentes de IA gestionarán la mayoría o la totalidad del ciclo de vida del software o de los productos de extremo a extremo en los próximos dos años. En Colombia, la demanda laboral está migrando de los perfiles tradicionales de desarrollo de software hacia especialistas en automatización, datos, robótica e ingeniería agéntica.
Para estructurar este aprendizaje, los modelos corporativos deben centrarse en las personas y en el codiseño de rutas académicas personalizadas. Howard compartió el caso de la propia SoftServe, donde el 80 % de su personal participó en capacitaciones de IA durante 2025 mediante su plataforma unificada AI Edu Space, demostrando la efectividad de combinar fundamentos técnicos con el intercambio de casos de estudio prácticos para mitigar la incertidumbre laboral.
Asimismo, en escenarios de desarrollo regional que integraron a más de 250 participantes de América Latina, el equipo de ingeniería demostró una alta capacidad para diseñar soluciones sofisticadas con infraestructura mínima y herramientas de código abierto.
“El talento técnico no es el cuello de botella en América Latina. El acceso a proyectos reales, mentoría, desafíos a escala empresarial y rutas claras hacia el mercado sí lo son”, destacó Howard.
¿Cuál es el mayor punto ciego cultural de los líderes empresariales frente a la IA?
El desafío definitivo para la consolidación de organizaciones impulsadas por tecnología no es técnico, sino cultural y de liderazgo. Los comités directivos de la región suelen cometer el error de tratar la IA como una herramienta externa que requiere supervisión supervisada, en lugar de concebirla como una capa de gestión integral.
“En una organización tradicional, los líderes monitorean tareas, asignan responsabilidades y evalúan si las personas cumplen con lo esperado. En una organización impulsada por IA, parte de esa ejecución será realizada por agentes autónomos o semiautónomos. Esto requiere una nueva capacidad de liderazgo”, explicó el directivo. Siguiendo su planteamiento, el rol ejecutivo en la alta gerencia debe evolucionar hacia el diseño de flujos de trabajo compartidos donde el personal evalúe críticamente los resultados automatizados.
“La mentalidad de gestión debe prevenir la resistencia y evolucionar del control hacia la orquestación. Los líderes deben definir la intención, establecer barreras de seguridad y garantizar la observabilidad de los sistemas”, concluyó Howard.
Solo mediante el diseño de flujos de trabajo donde los humanos evalúen críticamente los resultados de los sistemas inteligentes se podrá transformar la innovación tecnológica en valor económico de largo plazo.
