Para cada una: implicación, riesgo y la acción concreta para el lunes.
Iberostar opera hoy 25 modelos de IA productivos sin un marco de gobierno formal. No es un problema de tecnología: es un problema de control y atribución de responsabilidad.
Tres ideas atraviesan las nueve observaciones. Primera: la ventaja competitiva ya no está en los modelos —cada vez más baratos y accesibles— sino en los datos operacionales propios y en la velocidad para conectarlos. Segunda: cada proceso automatizado deja al descubierto el siguiente cuello de botella, casi siempre humano; sin mapearlo antes, la IA solo amplifica la ineficiencia. Tercera: eliminar puestos junior por eficiencia inmediata destruye la cantera de seniors que en 24 meses serán los únicos capaces de auditar a los agentes.
La pregunta operativa para el comité no es si IA, sino si están los guardarraíles, los datos y las personas para que escale sin romper nada.
Acceso a modelos será universal. Ganarán los que controlen datos operacionales no replicables.
25 modelos sobre datos fragmentados en sistemas legacy producen outputs poco fiables y erosionan la confianza del negocio.
Auditoría de datos operacionales: cobertura, calidad y accesibilidad para agentes.
Cada tarea automatizada hace visible la restricción humana detrás: decisión lenta, dato incompleto, capacidad insuficiente.
Desplegar IA sin mapear restricciones downstream crea autopistas que terminan en atasco.
Por cada proceso automatizado o en cola, identificar quién revisa, quién aprueba y a qué velocidad.
La productividad escala. La supervisión humana no desaparece: se vuelve más exigente, no menos.
Sin proceso de corrección, cada modelo puede producir outputs erróneos en áreas de impacto financiero o reputacional.
Clasificar los 25 modelos por nivel de exposición. Bloquear los críticos sin error loop activo.
La adopción real es un ciclo de años. Requiere propiedad, accountability y perfiles que entiendan tecnología y operación.
Un equipo de Data aislado no escala IA operativa. Cuando un agente genera una propuesta incorrecta, alguien interno tiene que responder.
Diseñar el modelo operativo con AI Business Partners en Revenue, Operaciones y Sostenibilidad antes de contratar perfiles nuevos.
Los agentes usarán tu software órdenes de magnitud más que las personas. La interfaz relevante deja de ser la pantalla y pasa a ser la API.
Proveedores core (PMS, channel manager, reservas) sin APIs robustas bloquean cualquier estrategia de agentes.
En cada renovación de contrato, evaluación obligatoria headless-first: ¿puede un agente operar sin tocar la UI?
Alguien que traduce objetivos de negocio en instrucciones para agentes y vigila que funcionen. Ni programador puro ni gestor puro.
El perfil no existe en el mercado. No se contrata hecho. Si esperas, llegas tarde.
Identificar dentro de Data un perfil con conocimiento operativo y aptitud técnica. Iniciar formación interna ahora.
El coste de tokens cae alrededor de un 80% al año. El presupuesto de IA migra de capex IT a opex de unidades de negocio.
25 modelos sin retroalimentación son 25 modelos que no aprenden. Eso es gasto, no inversión.
Migrar el presupuesto de IA a opex de unidades de negocio. Activar feedback automático por cada modelo desplegado.
Agentes que leen contratos, generan informes y escriben respuestas. El volumen de datos no estructurados crece varios órdenes de magnitud.
Sin control de acceso ni versionado, la regulación aplica igual. El problema empeora con cada agente desplegado.
Repositorio único con control de acceso, versionado y políticas de retención.
El trabajo de entrada es lo que mejor hace un LLM. Pero la intuición para corregir el 15% se construye en 24 meses haciendo ese trabajo.
2028: operadores que aceptan resultados sin criterio para auditarlos.
Congelar la eliminación de puestos junior. Onboarding sin IA durante 90 días para nuevas incorporaciones críticas.
La tentación matemática es eliminar puestos junior para capturar eficiencia inmediata. Pero el "15% que hay que corregir" requiere intuición de negocio que se adquiere haciendo el trabajo aburrido durante dos años.
| Evolución | Ayer | Hoy | Mañana |
|---|---|---|---|
| KPI | Volumen de borradores | Velocidad vía prompts | Tasa de detección de fallos |
| Rol | Creador base | Prompt engineer | Revisor / auditor |
| Riesgo | Lentitud | Aceptar sin entender | Agotamiento por auditar |
Seis decisiones operativas, sin ambigüedad.
| # | Acción | Área | Plazo |
|---|---|---|---|
| 01 | Clasificar los 25 modelos por exposición. Bloquear los críticos sin error loop activo. | Data / IT | Sem. 1 |
| 02 | Mapear la restricción humana downstream de cada automatización viva. | Operaciones | Sem. 2 |
| 03 | Cláusula headless-first obligatoria en todas las renovaciones de software del Q3. | IT / Compras | Q3 |
| 04 | Migrar presupuesto de IA de capex IT a opex de unidades de negocio. | Finanzas / IT | Q3 |
| 05 | Congelar eliminación de puestos junior. Redefinirlos como auditores de agentes. | RRHH / Data | Inmediato |
| 06 | Protocolo de onboarding sin IA (90 días) para Revenue y Data. | RRHH | Q3 |
Mover el foco de los modelos hacia infraestructura de datos y operación de agentes evita gasto improductivo en LLMs commoditizados y captura el rendimiento operativo de bucles propietarios. Mantener el pipeline de talento es opex a corto, pero previene pérdidas asimétricas —fugas de pricing, contratos defectuosos— por depender de operadores incapaces de auditar sistemas probabilísticos.