Lo que aprendimos poniendo IA, datos y cloud en producción, escrito por quienes lo hicieron.
La ISO/IEC 42001 no evalúa si su modelo acierta. Evalúa si su empresa sabe dónde usa IA, quién responde por cada uso y qué hace cuando algo sale mal. Qué pide la norma, cómo se relaciona con la regulación y un plan de 90 días.
La Agentic AI es el punto en que el software deja de sugerir y empieza a actuar en nombre de la empresa. Las cinco capas que llevaron hasta aquí, qué está mostrando el mercado y cómo decidir hasta dónde puede llegar un agente.
Reconstruimos el sitio de Cortex IQ con Lovable y ganamos semanas de frontend. Lo que la herramienta no resolvió (rastreadores de IA leyendo una página vacía, analítica sin registrar visitas, idiomas cruzados) fue trabajo nuestro. El relato completo, con lo que corregimos después.
Los agentes de programación en el terminal cambiaron lo que se considera un día normal para un desarrollador. Los estudios muestran ganancias reales y también la ilusión de ganancia. Qué cambia, qué no, un caso de este mismo sitio y cómo debería introducirlo un CTO.
La arquitectura cyborg es la regla que usamos para decidir, en cada proceso, qué queda en manos de las personas y qué pasa a la IA. De dónde viene la idea, qué dice la investigación y cómo la aplicamos en nuestro propio trabajo.
Brasil aún no tiene una ley específica de IA en vigor, pero la LGPD ya alcanza cada prompt, cada base de RAG y cada agente que lee correos. Lo que la ANPD ya hizo, lo que exige de verdad el artículo 20 y un checklist de 30 días.
Un comité que revisa cada solicitud de IA en una reunión mensual produce una sola cosa: uso de IA fuera del comité. Cómo clasificar el riesgo, quién se sienta a la mesa, qué plazos fijar y qué hacer en los primeros 60 días.
Cuando alguien pregunta "¿por qué decidió esto el modelo, para este cliente, en esta fecha?", la respuesta ya tiene que estar registrada. Lo que la LGPD brasileña ya permite exigir, qué registrar en cada decisión y una prueba para hacer esta semana.
La pregunta correcta no es "¿IA o RPA?". Es si cada etapa del proceso necesita interpretación o solo repetición. Criterios, costes ocultos, un ejemplo de cuentas por pagar y lo que enseña el caso Klarna.
El ROI de un agente se mide sobre el coste del proceso completo, antes y después, incluido el tiempo de quien revisa su trabajo. Qué medir, cuándo medirlo y un cálculo de ejemplo para presentar a la dirección.
Un agente de IA amplifica el proceso que encuentra. Cinco señales, cada una con una prueba que cabe en una semana, para saber si su empresa puede ir más allá del piloto aislado o necesita cerrar brechas antes.
En 2024, Gartner pronosticó que al menos el 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto. Después afirmó que fueron al menos el 50%. Los motivos casi nunca están en el modelo, y la mayoría se pueden prever antes del primer día.
Cada etapa responde a una pregunta distinta, y equivocarse de etapa cuesta presupuesto, plazo y credibilidad. Cómo distinguir PoC, MVP y producto en un proyecto de IA, con un ejemplo aplicado y un checklist para la próxima reunión de alcance.
Una prueba de concepto de IA termina bien cuando alguien puede decidir con ella: escalar, ajustar o descartar. El checklist que usamos para llegar ahí, empezando por lo que debe existir antes del primer día.
Con formatos abiertos como Apache Iceberg, lake y warehouse han dejado de ser opciones excluyentes. La decisión depende ahora de qué respuestas necesita el negocio cada semana, quién consultará los datos y cómo prefiere pagar por ello.
El modelo funciona en el notebook y muere antes de convertirse en proceso. Los estudios apuntan al mismo sitio: problema mal definido, datos de producción distintos de los de entrenamiento y nadie responsable después del lanzamiento.
En el análisis más reciente de CB Insights, el 70% de las startups cerradas se quedó sin capital. Pero quedarse sin caja es el síntoma. La causa que aparece detrás, en el 43% de los casos, es un producto sin encaje con el mercado.
Una PoC de IA es un experimento corto, de alcance cerrado, que prueba una hipótesis con los datos de la empresa antes de ser proyecto. La mayoría falla porque nace sin criterio de éxito, baseline ni dueño de la decisión.
La gobernanza de IA es el conjunto de reglas, roles y controles que define cómo la empresa elige, usa y monitoriza sistemas de IA. Empieza con inventario, dueño y política mínima, no con comité ni herramienta. Plan de 90 días.
Los agentes de IA en salud rinden más y exponen menos con compras, ingeniería clínica y documentación regulatoria, lejos de la historia clínica. Dato de salud del paciente es sensible para la LGPD: base legal específica, minimización y revisión humana.
En retail, la IA que se paga primero mejora el dato del producto y prevé la demanda por SKU. La personalización llega después, con historial de compra suficiente. Un catálogo de 2.000 anuncios reescrito con LLM muestra por dónde empezar.
Una distribuidora B2B gana con IA en tres puntos, en este orden: pedido estructurado, previsión de demanda por cliente y producto, y ruteo de entregas. Si el pedido no se convierte en dato, no hay qué prever ni rutear.
El mantenimiento predictivo empieza por el dato que la flota, el taller o la línea generan, no por el sensor nuevo. Elija un componente caro cuando se detiene, mida el historial y pruebe un modelo en un ciclo corto.
Matching, precio dinámico y antifraude parten del mismo dato que la app ya recoge: posición, tiempo y comportamiento. Empiece por un caso con una regla simple, mida, y cambie a un modelo cuando el volumen lo justifique.
Consultoría cuando la necesidad es urgente, el volumen de iniciativas es bajo o incierto y no hay equipo para absorberlo. Equipo interno cuando la IA es parte del producto. Híbrido cuando necesita resultados ahora y capacidad propia después.
CTO as a Service tiene sentido cuando la empresa depende del software y todavía no justifica un CTO a tiempo completo. Un CTO interno tiene sentido cuando la tecnología es el producto y el equipo necesita liderazgo diario.
Advisor as a Service es acompañamiento estratégico continuo, en sesiones semanales, para que founders y equipos pequeños decidan modelo de negocio, MVP y tecnología con criterio. El advisor orienta; la decisión y la ejecución siguen con el founder.