La inteligencia artificial generativa ya forma parte de tareas cada vez más sensibles en empresas y organizaciones. Redacta documentos, analiza información, produce código, automatiza procesos y acompaña decisiones

Pero cuanto más se la usa, más datos se le entregan. Para la ingeniera Camila Velasco, ese es uno de los mayores riesgos: cuando una compañía incorpora IA a su operación, puede estar cediendo información central de su negocio y hasta su ventaja competitiva

Qué datos no conviene exponer

El problema se agrava cuando las consultas incluyen contratos, desarrollos tecnológicos, datos financieros, estrategias comerciales, bases de clientes o productos todavía no lanzados

En esos casos, la discusión ya no pasa solo por el precio de usar IA, sino por quién controla la información que alimenta al sistema

Velasco sostuvo que no todo debería procesarse del mismo modo. La IA puede servir para tareas de marketing, pero no para exponer el núcleo del negocio ni documentación sensible

La alternativa de operar en local

Una salida es ejecutar modelos dentro de la propia infraestructura de la empresa. Eso reduce la dependencia de servicios externos y mantiene los datos en el entorno interno

Sin embargo, esa opción exige capacidad técnica, recursos de procesamiento y equipos capaces de instalar y administrar la solución. Según Velasco, montar una infraestructura propia puede superar los USD 300.000

Para las pymes, esa barrera es especialmente pesada: pueden acceder con facilidad a herramientas comerciales, pero no siempre cuentan con el presupuesto para desarrollar sistemas propios

Productividad sin perder control

La diferencia entre grandes compañías y empresas más pequeñas también se ve en el control sobre dónde se procesan los datos. Mientras unas pueden diseñar soluciones a medida, otras dependen de plataformas externas para incorporar IA a sus procesos

La decisión no es usar o no usar inteligencia artificial, sino definir qué tareas pueden delegarse y qué información debe seguir protegida dentro de la organización

Velasco citó como referencia el enfoque de Palantir, orientado a que grandes organizaciones conserven un mayor control sobre sus datos y sistemas de IA

El código también necesita supervisión

La automatización del desarrollo de software abrió otro debate. Los modelos generan código a gran velocidad, pero todavía requieren revisión humana para evitar errores y deuda técnica

Durante la entrevista, Andrei Serbin Pont señaló que el costo asociado al uso intensivo de tokens podría llevar a repensar la contratación de programadores junior

Velasco vinculó ese cambio con la necesidad de auditar lo que produce la IA. Aseguró que muchas empresas están generando código de baja calidad porque nadie revisa lo que sale del modelo

En ese escenario, el rol junior cambia: pasa de escribir desde cero a revisar, validar y corregir lo generado por la inteligencia artificial. El objetivo es mantener a las personas en el centro y evitar que los errores se conviertan en deuda técnica

Evitar quedar atado a una sola plataforma

La expansión de estas herramientas también plantea un riesgo de dependencia tecnológica. Una empresa que concentra procesos, datos y conocimiento en una sola plataforma puede quedar expuesta a cambios en precios, condiciones o capacidades

Por eso, Velasco recomendó conocer varias opciones y no depender de una sola. Entre las alternativas, mencionó ChatGPT, Gemini y Grok

La discusión de fondo no es únicamente cuánto cuesta usar IA. También importa qué información se entrega, quién la controla y qué margen tiene una organización para cambiar de proveedor o desarrollar sus propios modelos

En un escenario donde la inteligencia artificial gana espacio en más áreas del negocio, decidir qué se comparte y qué se preserva ya es una decisión estratégica