La trampa del talento en IA
La importancia del contexto empresarial frente a la programación en la modernización de aplicaciones
Los ejecutivos de alto nivel se enfrentan a una paradoja constante: ¿cómo mantener el frenético ritmo de innovación necesario para seguir a la vanguardia y, al mismo tiempo, garantizar la estabilidad de una infraestructura con un alto volumen de tráfico que utilizan decenas de millones de personas en todo el mundo? Este es el desafío al que me he enfrentado durante más de una década. Esa tensión no hace más que aumentar con las aplicaciones basadas en la IA, algo que he experimentado de primera mano en numerosos productos y plataformas en Caliente.mx. Gracias a esto, he podido obtener una visión clara de lo que funciona y lo que provoca fallos catastróficos a gran escala.
Cuando vi en el Informe de Cloudflare 2026 | Innovación en aplicaciones que el 87 % de las organizaciones afirma que cuenta con personal interno suficiente para impulsar el desarrollo de la IA, me llamó inmediatamente la atención. Una confianza así te puede llevar a engaños. Según mi experiencia, el éxito de la adopción de la IA depende de cómo trabajen los equipos, qué conocimientos institucionales aporten y si la infraestructura permite realizar experimentos de forma rápida y segura. Es un tema que traté con Trey Guinn, director técnico de Cloudflare, en el programa Beyond the App Stack, sobre cómo la capacidad de la IA depende de algo más que del número de empleados.
En los últimos años, he visto un mismo patrón en las empresas que intentan aplicar la IA. La tecnología es emocionante, el talento parece sólido sobre el papel, pero los resultados no llegan. Esto se debe a que la verdadera barrera para la incorporación satisfactoria de la IA es estratégica, más que técnica. Demasiadas organizaciones tratan la IA como un estado binario — o estás "utilizando la IA" o te estás quedando atrás. Esa presión tiende a provocar una de estas dos respuestas: la contratación de especialistas en IA que no conocen el negocio o la implantación interna de herramientas sin un propósito o un plan de adopción claros. Ninguno de estos enfoques funciona a largo plazo.
La mayoría de empresas aborda la IA de una de estas dos maneras: como un producto básico integrado en sus ofertas, o como un conjunto de herramientas para optimizar los flujos de trabajo internos como los de recursos humanos o finanzas. Podrías pensar que el enfoque centrado en el producto es más complejo, pero yo veo más riesgos cuando se implementa la IA internamente. Ahí es donde se impone el uso de herramientas sin proporcionar formación, las expectativas no están alineadas y los equipos empiezan a rechazar el cambio. En estos casos, la implementación se estanca.
La dicotomía clave: conocimientos frente a nueva habilidad.
Si la IA va a imponerse, los líderes deben replantearse cómo implementarla y, lo que es más importante, quién está realmente preparado para liderar ese cambio.
Cuando has creado un equipo desde cero, como hice yo en Caliente, ves de primera mano el valor del conocimiento institucional. No está escrito — sino que reside en las decisiones que toman las personas, los sistemas que han creado y los instintos que han desarrollado a través de la experiencia.
Ese contexto es fundamental a la hora de integrar la IA. Las contrataciones externas pueden aportar experiencia, pero sin antecedentes sobre el producto ni conocimientos sobre su arquitectura, el progreso se ralentiza.
La mejor forma de avanzar rápidamente es mejorar las habilidades del equipo con el que ya cuentas. Son las personas que entienden cómo ha evolucionado la aplicación, de qué dependen los usuarios y dónde se puede flexibilizar la pila. Cuando tu arquitectura admite la experimentación modular y con bajo riesgo, ese contexto se convierte en una ventaja competitiva y la mejora de las habilidades se convierte en la opción obvia.
Control de la resistencia a la IA
Cada vez que presentamos nuevas herramientas, en especial algo tan popular como la IA, las personas se preocupan de manera natural: "¿Esto me va a sustituir?" Ese temor se intensifica cuando la IA se plantea como una iniciativa independiente o se delega en personal externo que no forma parte del día a día. La mejor manera de contrarrestar ese temor es mantener la conversación centrada en problemas reales. En Caliente, empezamos por el punto débil, aquello que nos frena o nos crea problemas, y solo entonces nos preguntamos: ¿puede la IA ayudarnos a resolverlo?
Si la respuesta es sí, se trataría de una mejora. No decimos, "control de calidad automatizado". Decimos "pruebas asistidas por la IA". No presentamos nuestras nuevas iniciativas como "desarrollo de aplicaciones de IA". Hablamos de ampliar las aplicaciones que ya tenemos, haciéndolas más rápidas, más inteligentes y más útiles, sin alterar lo que ya funciona. Mejoramos el proceso de revisión del código, proporcionando a los ingenieros una segunda opinión para que puedan dedicarse a tareas de mayor valor.
Imperativo de la innovación | El costo de la inflexibilidad
Si quieres contar con la libertad para desarrollar con el equipo que ya tienes, tu infraestructura debe ser compatible con esa opción. En algún momento de todas las conversaciones sobre la IA, la gente olvida lo básico: que la IA no funciona con ambición, sino con infraestructura.
Si sigues trabajando con sistemas poco flexibles e internos, incluso las mejores ideas se verán obstaculizadas por retrasos, problemas de compatibilidad o bucles de adquisición. Lo he visto de primera mano — intentar adaptar las pilas heredadas para ejecutar cargas de trabajo que requieren un uso intensivo de la GPU no solo es complicado, sino también caro. Acabarás buscando soluciones de hardware, actualizaciones de controladores y revisiones del sistema operativo incluso antes de empezar a experimentar.
A menudo pasamos por alto que la modernización de aplicaciones es un requisito básico para la IA. Cuanto más flexible sea tu infraestructura, más barato te resultará probar cosas nuevas. Cuanto más rápido se ponga en marcha tu entorno, más pronto aprenderás lo que funciona y lo que no. Las arquitecturas sin servidor, en particular, nos permiten probar diversas configuraciones sin necesidad de realizar una inversión inicial. Basta con ejecutar el experimento, obtener los datos y seguir adelante.
Además, esta agilidad también da sus frutos en el futuro. El hardware y el software en este espacio evolucionan rápidamente. Si mantienes todo en local, vivirás en un ciclo constante de actualizaciones. Con plataformas sin servidor o nativas de nube, podemos seguir el ritmo de esta evolución sin tener que gastar tiempo ni presupuesto solo para estar al día.
Lo que mejor nos ha funcionado ha sido crear un entorno de pruebas controlado para los ensayos de la IA. Eso significa separar claramente el trabajo experimental de los lanzamientos de producción, establecer plazos de prueba breves para las hipótesis y definir de antemano lo que es "suficientemente bueno" antes de ampliar la escala.
Algunos principios que sigo:
Aislar los experimentos de las funcionalidades principales del producto.
Establecer ciclos de prueba con plazos determinados para que no se desvíen.
Hacer que los responsables de la IA trabajen en equipo con los propietarios de productos para garantizar que cada idea se traduzca en un impacto real en la aplicación.
La IA no es algo aislado, tiene que convivir con los sistemas que ya mantienes. Cuando se hace bien, la experimentación con IA acelera la innovación en las aplicaciones en lugar de frenarla. Obtienes funciones más inteligentes, una mejor automatización y productos más receptivos, sin poner en riesgo la estabilidad.
Tres elementos imprescindibles para la infraestructura de IA
Antes de que la IA pueda superar la fase piloto en el desarrollo de aplicaciones, he descubierto que hay tres requisitos imprescindibles:
Gobernanza clara de los datos. Es fundamental contar con normas de acceso claramente definidas. ¿Qué datos puede utilizar la IA? ¿En qué condiciones? Sin esto, te arriesgas a tener problemas de conformidad.
Computación escalable. Los proyectos piloto pueden ejecutarse en máquinas de baja capacidad. Las cargas de trabajo de producción no. La infraestructura escalable es clave, especialmente para las cargas de trabajo de la GPU.
Supervisión sólida. Una vez que la IA está activa, es necesario aplicar supervisión y control totales. Esto incluye realizar un seguimiento de las derivaciones, detectar anomalías e identificar consecuencias no deseadas antes de que se agraven.
Si haces esto bien, la experimentación se volverá sostenible. La IA es una capacidad, no un producto. En mi propia experiencia, he visto cómo gran parte de ese camino se reduce a la experimentación estructurada, una educación clara y una cultura que valora la transparencia por encima de la publicidad.
Pero la infraestructura por sí sola no impulsa el progreso. Tu equipo también debe estar preparado.
Tres señales de que estás realmente preparado para la IA
A la hora de valorar si el equipo de ingeniería está preparado para escalar sus iniciativas de IA dentro de la innovación de aplicaciones, busco tres cosas:
Comunicación transparente: si el equipo se siente cómodo compartiendo tanto los éxitos como los fracasos, y hablando con honestidad sobre lo que funciona y lo que no, ya tienes una buena señal.
Comprensión fundamental: no tienen por qué ser expertos, pero deberían entender los aspectos básicos, al menos, de cómo funcionan los LLM, términos como cantidad de parámetros y token y por qué se producen las alucinaciones de IA. Esto demuestra curiosidad y un deseo de comprender las cosas más profundamente.
Conocimiento de los límites: saben qué tipo de datos son seguros para compartir, qué contenido puede reutilizarse y dónde están las líneas legales o éticas.
No se trata solo de algo deseable, sino de indicadores de que tu equipo está preparado para crear y mantener una innovación real en aplicaciones basadas en la IA.
Deja de buscar soluciones más directas
Una de las cosas que he observado en todos los equipos es la mentalidad de pensar primero en la solución. Los jefes se entusiasman con una herramienta de IA y le dicen al equipo que haga ingeniería inversa en un caso de uso para justificarla. Pero empezar con la herramienta a menudo significa resolver problemas imaginarios o que no son importantes para el negocio. El progreso real comienza cuando resuelves un problema real y de gran impacto, y dejas que eso te guíe a la hora de decidir si la IA tiene cabida en la solución. Entonces puedes avanzar con determinación, probando, aprendiendo y corrigiendo el rumbo con claridad, porque tu objetivo es algo específico.
A partir de ahí, se trata de iterar rápido, sobre todo cuando implementes la IA en aplicaciones en producción. Define un caso de uso específico, pruébalo fuera del entorno de producción, mide el impacto, recaba opiniones y realiza los ajustes necesarios. Si funciona, escala. Y si no, siempre habrás aprendido algo valioso — sin necesidad de comprometer demasiados recursos ni desarrollar tecnología que nadie necesita.
Barreras de conducta, no barreras técnicas
El bloqueo de las herramientas de IA accesibles a todos puede reducir el riesgo a corto plazo, pero frena el aprendizaje. Un enfoque más adecuado es reforzar las normas de comportamiento que ya siguen los equipos. Por ejemplo, los desarrolladores ya editan secretos en el código. Lo mismo se aplica a las revisiones de IA. Pero las políticas por sí solas no promueven el progreso. El verdadero ímpetu proviene de sistemas técnicos y culturales que permiten la experimentación de forma segura sin detener la implementación.
Todo comienza con la innovación de aplicaciones. La arquitectura adecuada brinda a los equipos espacio para probar, resolver problemas reales y avanzar rápidamente. El Informe de Cloudflare 2026 | Innovación en aplicaciones ha dado en el clavo con lo que he observado en la práctica: cuando tus sistemas están listos, la inversión más inteligente en IA es el equipo con el que ya cuentas.
Acelera la modernización con Cloudflare
A medida que la modernización de las aplicaciones se convierte en una estrategia continua, y no en una iniciativa puntual, los responsables de tecnología necesitan una plataforma que ayude a los equipos a avanzar más rápido sin poner en peligro el control ni la seguridad. La conectividad cloud de Cloudflare te brinda soporte en todas las etapas del proceso de tu aplicación, desde la migración de sistemas heredados hasta la modernización para ganar agilidad o la creación de aplicaciones y servicios de IA completamente nuevos. Con herramientas integradas de implementación de aplicaciones, seguridad, observabilidad y desarrollo en una plataforma unificada y programable, Cloudflare ayuda a tus equipos a reducir la complejidad, acelerar las entregas y potenciar la innovación, sin aumentar los costes.
Este artículo forma parte de un conjunto de publicaciones sobre las últimas tendencias y temas que afectan a los responsables de la toma de decisiones sobre tecnología en la actualidad.
Más información sobre este tema
Más información sobre cómo la infraestructura moderna facilita el éxito de la IA en: Informe de Cloudflare 2026 | Innovación en aplicaciones.
Autor
Lior Gross
Director técnico de Caliente Interactive
CONCLUSIONES CLAVE
Después de leer este artículo podrás entender:
La elección entre equipos existentes y nuevas contrataciones para las aplicaciones de IA
El uso de la experimentación con IA para impulsar la innovación en las aplicaciones
El papel de los conocimientos empresariales en el éxito de las aplicaciones de IA