Por: Gonzalo Garcia, vicepresidente de Ventas de Fortinet para América del Sur.
La inteligencia artificial dejó de ser un concepto aspiracional para transformarse en una herramienta de eficiencia y ventaja competitiva. A alto nivel gerencial hay un convencimiento de que inteligencia artificial está transformando su negocio y deben subirse a esa ola.
Luego de visitar muchos clientes en América Latina, puedo decir que el cuándo es ahora. Las preguntas que quedan sin respuesta en estos ejecutivos son, ¿por dónde y cómo empezar? El punto de partida no debe ser un megaproyecto que abarque toda la organización, sino un caso de uso específico con impacto tangible en un área de negocio.
El punto de partida
En lugar de transformar toda la organización, se debe identificar un caso concreto donde la IA pueda generar una mejora significativa y medible. Por ejemplo, una empresa de servicios puede usar IA para gestionar preguntas frecuentes, reduciendo tiempos de respuesta y liberando al personal para tareas de más valor.
Este tipo de iniciativa es acotada, mensurable y con resultados visibles en semanas. A partir de allí, la organización gana confianza, experiencia que permiten escalar hacia escenarios más sofisticados, como la personalización de la experiencia del cliente, la predicción de la demanda o la optimización logística.
Te puede interesar: Opinión | La tecnología detrás de los vehículos eléctricos: ¿una solución real para Colombia?
Lo esencial es comenzar con un caso de éxito, consolidar el aprendizaje y expandir a nuevos frentes. Es clave conformar un equipo multidisciplinario, liderado por un Chief AI Officer (CAIO), quien actúe como puente entre la estrategia de negocio y la implementación tecnológica.
Los datos son el insumo clave para la IA. Sin información de calidad, consistente y bien gobernada, ningún modelo será confiable. Por ello, antes de elegir el caso, evalúe si tiene los datos, la infraestructura y el talento necesarios para generar valor.”
La decisión tecnológica: LLM vs. SLM
Elegido el caso de uso, la discusión pasa por la arquitectura tecnológica. Aquí aparecen dos enfoques: los Large Language Models (LLM), que procesan información a gran escala con resultados sofisticados, y los Small Language Models (SLM), más livianos, económicos y fáciles de entrenar con datos específicos.
Los LLM ofrecen potencia y versatilidad, y traen mayores costos de cómputo y preocupaciones de confidencialidad cuando dependen de proveedores externos. Los SLM pueden ejecutarse en entornos más controlados, con costos previsibles y entrenados en contextos más reducidos y relevantes para la organización.
La decisión no debe ser binaria. Una estrategia híbrida puede aprovechar la escala de un LLM para tareas generales y un SLM especializado para funciones críticas con datos sensibles.
El ángulo de la ciberseguridad
En ciberseguridad, la discusión LLM vs. SLM se vuelve crítica. Los SLM son manejables, pero al ejecutarse en nubes privadas implican una responsabilidad adicional: asegurar todo el stack que los soporta. Esto incluye proteger el hardware, los pipelines de datos de entrenamiento e inferencia, las APIs expuestas y los mecanismos de actualización. Significa integrarlos con soluciones de Zero Trust, EDR/NDR, IAM robusto, segmentación de red y cifrado end-to-end. Sin este andamiaje, un SLM puede transformarse en un vector de ataque en lugar de una defensa.
Los LLM, rara vez pueden desplegarse en una nube privada. Grandes proveedores los ofrecen bajo un modelo “as a Service”, sin acceso al modelo base. La alternativa es utilizar LLM open source sobre clusters propios de GPU en infraestructuras privadas o híbridas, con altos costos de hardware y mantenimiento.
El uso de LLM como servicio en la nube pública presenta riesgos de fuga de información. Cada vez que se envían datos sensibles, existe la posibilidad de que sean retenidos o usados para entrenar el modelo, incluso si el proveedor asegura lo contrario. Esto puede incumplir regulaciones estrictas como GDPR o HIPAA, y ya se han documentado casos de empleados que filtraron datos de clientes al usar LLM públicos.
Conclusión: pensar estratégico, ejecutar táctico
La forma correcta de implementar IA es empezar con un caso de uso de impacto, seleccionar la tecnología adecuada y luego escalar. El error común es lanzarse a grandes proyectos sin un objetivo claro, lo que puede generar mayores costos y frustración.
La inteligencia artificial es un medio para transformar procesos, mejorar la eficiencia y abrir nuevas oportunidades. La pregunta no es si usar AI, sino cómo y dónde comenzar hoy.
Imagen: Archivo ENTER.CO
