La presión por adoptar tecnologías de inteligencia artificial sin objetivos claros, infraestructura adecuada o casos de uso específicos genera más frustración que innovación. Expertos advierten sobre la urgencia de vincular la IA a propósitos de negocio reales y medibles.
Imagen: Red Hat
En un entorno empresarial cada vez más atravesado por términos como machine learning, modelos fundacionales, agentes autónomos o automatización de decisiones, muchas compañías comenzaron a experimentar una sensación colectiva de ansiedad frente al avance de la inteligencia artificial (IA). A este fenómeno, cada vez más común en juntas directivas y áreas de transformación digital, se lo denominó “FOMO AI” (Fear of Missing Out AI, o miedo a quedarse por fuera de la revolución de la IA).
La expresión fue utilizada por Weslley Rosalem, líder de inteligencia artificial para Latinoamérica en Red Hat, quien señaló que el entusiasmo por implementar IA en las empresas se estaba viendo reemplazado por una presión desorganizada por “estar en la conversación”, sin una evaluación real de capacidades, necesidades o retornos.
¿Innovar o seguir la moda? Un dilema corporativo
Según Rosalem, muchas organizaciones, motivadas por la velocidad de avance de la IA generativa, decidieron integrar modelos sin haber resuelto aún sus procesos básicos de digitalización o análisis de datos. Esta falta de madurez tecnológica, combinada con la visibilidad mediática y la presión competitiva, derivó en implementaciones mal estructuradas, costosas o incluso abandonadas antes de mostrar resultados.
“Se invierte en IA sin tener claro qué problema se busca resolver, con qué datos se cuenta o quién va a interpretar los resultados. Se espera magia de una herramienta que, en realidad, requiere trabajo estratégico y técnico”, indicó el especialista.
Costos reales del entusiasmo desmedido
El fenómeno “FOMO AI” no solo expuso a las empresas a riesgos financieros, sino también a:
- Desgaste organizacional, al implementar soluciones que no encajan en los procesos existentes.
- Resistencia cultural, cuando los equipos no comprenden el propósito de los modelos ni su aplicación real.
- Sobrecarga de proveedores, contratando servicios de IA genérica que no se integran con los sistemas legados.
- Problemas de seguridad y privacidad, especialmente al alimentar modelos externos con datos confidenciales.
Varios casos documentados mostraron que la presión por actuar rápido llevó a contratar tecnologías sofisticadas que nunca se usaron con regularidad, o que generaron outputs tan difíciles de auditar que fueron descartados en silencio.
Decidir con datos propios o modelos genéricos
El artículo de Rosalem también planteó una reflexión sobre el tipo de inteligencia artificial que conviene adoptar. Mientras los grandes modelos de lenguaje (LLM), como GPT, son versátiles y mediáticamente atractivos, también son complejos, caros de operar y opacos en cuanto a cómo producen resultados.
Como alternativa, el especialista propuso considerar modelos pequeños o específicos (SLM), que pueden ser entrenados con datos propios para tareas concretas, como clasificación de tickets, segmentación de clientes o automatización de respuestas internas.
“Un SLM bien implementado puede ofrecer precisión, bajo costo y facilidad de gobernanza. No todas las organizaciones necesitan un LLM multimodal para empezar a extraer valor”, explicó Rosalem.
El enfoque open source como vía estratégica
Desde su rol en Red Hat, Rosalem defendió la necesidad de democratizar el acceso a la IA mediante herramientas de código abierto, que permitan a las empresas ejecutar modelos en sus propios entornos, sin depender exclusivamente de nubes públicas o proveedores de black box.
Este enfoque ofrece varias ventajas:
- Reducción de costos en licencias o procesamiento externo.
- Mayor trazabilidad del comportamiento de los modelos.
- Adaptabilidad a los recursos técnicos disponibles.
- Menor riesgo de exposición de datos sensibles.
La reciente integración de Neural Magic al ecosistema de Red Hat se enmarcó en esta estrategia de facilitar IA eficiente, ligera y responsable para organizaciones de todos los tamaños.
El riesgo de la desconexión entre IA y propósito de negocio
Uno de los puntos más relevantes del artículo fue la crítica a la adopción de IA “porque todos lo están haciendo”. Según Rosalem, los líderes empresariales deben tener la capacidad de distinguir entre el momento social de una tecnología y su aplicabilidad real a los procesos internos de la empresa.
“La pregunta no es si tu empresa debería tener IA, sino si tiene una razón clara para usarla”, señaló. En ese sentido, propuso que las decisiones se guíen por preguntas como:
- ¿Qué problema específico estoy resolviendo?
- ¿Qué impacto medible espero obtener?
- ¿Tengo los datos adecuados y en condiciones de uso?
- ¿Estoy dispuesto a ajustar procesos si la IA lo requiere?
Construir capacidades internas antes de desplegar modelos
El artículo también abordó un aspecto clave: la preparación organizacional. Muchas empresas intentaron adoptar IA sin haber formado antes a sus equipos, ni contar con capacidades internas para gobernar los modelos, interpretar resultados o mantener el sistema a largo plazo.
Según Rosalem, la implementación sin talento es uno de los errores más costosos, ya que convierte a la organización en dependiente de proveedores externos sin posibilidad de supervisión efectiva.
Por ello, recomendó desarrollar capacidades internas en tres frentes:
- Gobernanza y uso ético de datos.
- Capacitación técnica y comprensión funcional de los modelos.
- Cultura de experimentación con visión a largo plazo.
Sabiduría organizacional para decidir cuándo actuar
La tesis central del artículo puede resumirse en una frase: “En IA, la sabiduría no está en quién adopta primero, sino en quién lo hace con propósito.” Para Rosalem, el verdadero desafío no es subirse a la ola de la inteligencia artificial, sino saber cómo surfearla sin naufragar.
En un entorno donde las modas tecnológicas viajan más rápido que los procesos de maduración organizacional, la inteligencia no solo debe estar en los modelos, sino en quienes los implementan. Frente al fenómeno FOMO AI, la respuesta no es la velocidad, sino la claridad estratégica.
