La inteligencia artificial (IA) ya dejó de ser una tecnología que las organizaciones observan desde la distancia. Hoy forma parte de procesos, decisiones y estrategias empresariales cada vez más relevantes. Sin embargo, mientras su adopción continúa avanzando, comienza a surgir una pregunta mucho más importante que simplemente determinar quién utiliza IA, y es ¿qué organizaciones están logrando convertirla realmente en valor para el negocio?
La respuesta parece estar cada vez más vinculada con la confianza
Precisamente, la segunda edición anual de The Data and AI Impact Report, de SAS, desarrollado con hallazgos de investigación de IDC, encontró que las organizaciones que aplican prácticas de inteligencia artificial confiable tienen 15 veces más probabilidades de reportar un retorno de inversión (ROI) sólido o alto en sus proyectos de IA; específicamente 62% frente a solamente 4% entre aquellas organizaciones más rezagadas en esta materia.
Este resultado permite observar un cambio importante en la conversación alrededor de la IA. El desafío ya no se limita exclusivamente a adoptar nuevos modelos, aplicaciones o agentes. La diferencia viene de la forma en que las organizaciones gobiernan estas tecnologías, administran sus datos y garantizan que las decisiones de sus sistemas puedan ser comprendidas, supervisadas y auditadas.
La confianza también tiene impacto financiero
Las organizaciones con las prácticas más sólidas de IA confiable obtienen 1.85 veces mayores beneficios en 13 indicadores empresariales analizados, entre ellos crecimiento de ingresos, reducción de costos y experiencia del cliente. Además, las compañías con mejores prácticas de gobernanza, calidad de datos y capacidad de auditoría obtienen consistentemente, al menos, el doble del retorno sobre sus implementaciones de IA.
Esto demuestra que conceptos como gobernanza, explicabilidad o calidad de los datos no deberían entenderse únicamente como requerimientos técnicos o de cumplimiento. Cada vez están más relacionados con el desempeño empresarial.
En América Latina ya podemos observar señales de esta evolución. México, por ejemplo, alcanzó un Índice de Confiabilidad de 66.9 en 2026, por encima del promedio global de 61.3. Al mismo tiempo, su brecha de confianza se redujo de 17 a 6 puntos. Esta brecha mide la distancia entre la confianza que los usuarios depositan en la IA y la confiabilidad que las organizaciones respaldan con prácticas de gobernanza, transparencia y supervisión. A diferencia del Índice de Confiabilidad, donde una puntuación más alta es favorable, lo deseable es que la brecha se acerque a cero: esto indica una mayor alineación entre la percepción de los usuarios y las prácticas que hacen a la IA digna de confianza. Por eso, pasar de 17 a 6 puntos representa un avance, aunque todavía queda una distancia por cerrar.
Cerrar esa distancia exige seguir fortaleciendo las prácticas que sustentan la confianza en la IA. Sin embargo, todavía existen desafíos importantes, especialmente en uno de los elementos fundamentales para cualquier estrategia de IA: los datos.
Sin buenos datos no existe una IA realmente confiable
Uno de los hallazgos más relevantes del estudio es que solamente el 17.5% de las empresas cuenta con una infraestructura de datos completamente optimizada, suficientemente madura para responder a las demandas que plantea la IA agéntica.
Esta realidad debería llamar la atención de cualquier organización que esté acelerando sus inversiones en IA. Esto porque la calidad de una decisión generada por inteligencia artificial depende directamente de la información sobre la cual trabaja el sistema. Si los datos son incompletos, inconsistentes, desactualizados o carecen de controles adecuados, la capacidad de obtener resultados confiables disminuye.
En México, por ejemplo, únicamente el 7% de las organizaciones exige procesos de calidad de datos en todos sus proyectos, mientras que la adopción de la IA agéntica ya alcanza el 46.5%.
Existe, por tanto, una brecha que las organizaciones deberán atender: avanzar rápidamente en la adopción de IA sin fortalecer paralelamente la infraestructura y el gobierno de los datos puede limitar el valor que estas tecnologías están en capacidad de generar.
El estudio demuestra justamente que las organizaciones con una base de datos optimizada tienen cuatro veces más probabilidades de esperar un retorno sólido de sus proyectos de inteligencia artificial y seis veces más probabilidades de exigir controles de calidad de datos y explicabilidad.
Otro reto que comienza a ganar relevancia conforme los sistemas adquieren mayor autonomía, es la explicabilidad.
En este sentido, el 97.2% de los usuarios encuestados señaló que anula las recomendaciones generadas por inteligencia artificial al menos en algunas situaciones. La principal razón para hacerlo no fue necesariamente que la respuesta estuviera equivocada, sino que el sistema no podía explicar cómo había llegado a esa conclusión.
Esta situación tiene consecuencias importantes. Principalmente, cuando los colaboradores no confían en una recomendación, tienden a revisar nuevamente la información, modificar el resultado o realizar el proceso manualmente. En lugar de aumentar la productividad, la tecnología termina incorporando una nueva capa de revisión que consume tiempo y recursos.
Por eso la capacidad de explicar una decisión comienza a convertirse en un componente esencial de cualquier estrategia empresarial de inteligencia artificial.
El desafío se vuelve aún mayor con el crecimiento de los agentes de IA. Según el estudio, la confianza entre los usuarios disminuye del 76% en inteligencia artificial generativa al 66% cuando se trata de IA agéntica. Además, cuanto mayor sea la autonomía que entreguemos a estos sistemas, mayor deberá ser también nuestra capacidad para entender cómo operan, qué información utilizan y bajo qué criterios toman una decisión.
Mantener a las personas dentro del proceso
Es importante entender que confiar en inteligencia artificial no significa eliminar la supervisión humana. Al contrario, a medida que los sistemas se vuelven más sofisticados, las organizaciones necesitan establecer mecanismos mucho más claros de responsabilidad, supervisión y auditoría.
Bryan Harris, CTO de SAS, ha señalado que agentes de IA avanzados pueden presentar tasas de error superiores al 25% en determinadas tareas complejas. En ambientes donde una decisión puede tener consecuencias financieras, regulatorias o sobre un cliente, este nivel de incertidumbre no puede ignorarse.
Por ello, incorporar conocimiento especializado del negocio dentro de los flujos de trabajo de IA y mantener a las personas en el centro de la gobernanza continuará siendo fundamental.
La IA confiable debe construirse sobre varios elementos: calidad y gobernanza de datos; supervisión de modelos; explicabilidad y equidad; políticas de IA responsable; así como mecanismos de auditoría y rendición de cuentas.
No se trata de frenar la innovación. Se trata precisamente de crear las condiciones necesarias para que pueda escalar.
De adoptar IA a generar valor con ella
Durante los últimos años, gran parte de la conversación empresarial se concentró en la velocidad de adopción de la inteligencia artificial. La siguiente etapa será diferente. En esta, las empresas deberán demostrar que sus inversiones generan resultados medibles, sostenibles y confiables.
Eso obliga a mirar más allá del modelo o la aplicación que se está implementando. También exige analizar la calidad de los datos, las reglas bajo las cuales opera la tecnología, la capacidad para explicar sus resultados y las responsabilidades que existen cuando una decisión resulta incorrecta.
La confianza en la IA está dejando de ser solamente una consideración tecnológica para convertirse en un requisito empresarial. Las organizaciones que comprendan esta transformación estarán en mejores condiciones no solamente para incorporar IA en mayor escala, sino para convertirla en productividad, crecimiento, mejores experiencias para sus clientes y, finalmente, valor real para el negocio.
