Desde noviembre de 2022, ChatGPT se ha convertido en la tecnología con la adopción más rápida en la historia, más rápida que internet o el PC, alcanzando millones de usuarios en tan solo semanas [1]. Actualmente, cuenta con más de 400 millones de usuarios activos semanalmente, y sus planes apuntan a alcanzar los 1 000 millones en 2025, lo que es lo mismo: una de cada siete personas en el mundo sea usuaria.
Esta expansión masiva ha llevado a una rápida popularización de la IA generativa a nivel personal. A la oferta de OpenAI, se han sumado otras grandes empresas como Google con Gemini, Microsoft con Copilot, y Anthropic con Claude.
Sacar valor a la IA, la gran paradoja de las empresas
En el ámbito empresarial es muy distinto. A pesar del entusiasmo generalizado, la adopción efectiva en las organizaciones presenta importantes desafíos. Según un informe de Boston Consulting Group (2024), el 74 % de las empresas que han invertido en IA están teniendo dificultades para escalar y obtener valor [2].
Más preocupante aún, un estudio de McKinsey & Company revela que solo el 1 % de las empresas entrevistadas considera haber alcanzado madurez en el uso de IA generativa [3]. Ambos informes son citados en el whitepaper de OpenAI Identifying and scaling AI use cases [4], que sirvió como base para otro documento estratégico: AI in the Enterprise [5].
En la misma línea, el proyecto NANDA del MIT subraya esta paradoja: aunque herramientas como ChatGPT o Copilot se han extendido con rapidez y demuestran un impacto claro en la productividad individual, solo un 5 % de los pilotos de IA integrados está generando millones en valor tangible. La mayoría de las iniciativas, sin embargo, permanecen estancadas sin impacto medible en los resultados financieros, lo que refuerza la brecha entre adopción entusiasta y creación real de valor.
Dos lecciones clave para sacar valor a la IA por las empresas
En AI in the Enterprise, OpenAI identifica siete lecciones clave extraídas de casos reales. En el Instituto de Ingeniería del Conocimiento (IIC) ya aplicamos, desde antes de la irrupción de la IA generativa, dos de ellas como parte de nuestras metodologías: evaluación del modelos y personalización y ajuste fino de los modelos IA.
Comenzar con la evaluación del modelo de IA. Implementar un proceso estructurado de evaluación antes del despliegue es esencial. Estas evaluaciones permiten comparar el rendimiento de los modelos de IA frente a tareas reales, con criterios definidos y feedback experto.
Un ejemplo es Morgan Stanley, que evaluó modelos en tareas de traducción, resumen y comparación de respuestas. El 98 % de los asesores financieros adoptó el sistema, mejorando el acceso a la información del 20 % al 80 % y reduciendo el tiempo de respuesta, lo que les permitió centrarse más en el cliente.
Personalización y ajuste fino de los modelos de IA. La personalización mejora significativamente la relevancia y precisión de las respuestas. Un caso destacado es Lowe’s, que utilizó el ajuste fino de GPT-3.5 para mejorar su sistema de etiquetado de productos, logrando una mejora del 60 % en la detección de errores y del 20 % en precisión.
Ambas lecciones clave para sacar valor a la IA por las empresas están estrechamente relacionadas: no se puede ajustar sin evaluar, ni evaluar sin un modelo adaptado al contexto.
Soluciones personalizadas de IAGen: clave del éxito empresarial
Es relevante destacar que, según OpenAI, el éxito de la IA generativa en el entorno corporativo requiere soluciones personalizadas, en lugar de utilizar los modelos tal como vienen, como suele hacerse en el ámbito personal.
A través de la personalización y el ajuste fino de los modelos de IAGen con datos propios, se pueden mejorar de forma significativa la precisión, la relevancia y la alineación con los objetivos del negocio. Este enfoque permite adaptar el modelo de IA a la terminología, el estilo y el contexto específicos de cada organización, optimizando así su rendimiento.
Desde una perspectiva económica, se pueden reducir costes escogiendo la mejor tipología de modelos según el caso de uso mediante modelos más pequeños y eficientes. También permite un diseño de sistemas más sostenibles y escalables.
Además, garantiza mayor seguridad, al poder desplegar soluciones en entornos controlados (nube pública, privada o centros aislados), cumpliendo con normativas como el Reglamento de IA (RIA) y estándares de ciberseguridad.
El enfoque del IIC sobre IAGen: evaluación rigurosa y ajuste fino
Con más de 35 años de experiencia en el análisis de datos y una década especializada en Procesamiento de Lenguaje Natural, en el IIC desarrollamos una metodología robusta para evaluar y ajustar modelos de IA generativa:
- Comenzar con la evaluación del modelo de IA. Este proceso de evaluación del modelo de IA desempeña un papel fundamental en la selección y mejora continua de estas herramientas. Este proceso incluye tanto el estudio riguroso de métricas específicas como la creación y uso de corpus de evaluación diseñados para medir el desempeño en tareas representativas. A partir de estos datos, es posible realizar benchmarking sistemático entre distintos modelos, ya sean comerciales, accesibles por API o de código abierto, lo que permite comparar objetivamente su calidad y adecuación a cada caso de uso. Esta práctica facilita una toma de decisiones informada para seleccionar las mejores soluciones disponibles y adaptarse de forma ágil a la evolución del ecosistema tecnológico.
- Ajuste fino de los modelos de LLM. En el caso del ajuste fino de los modelos LLM, contamos con capacidades en múltiples niveles que abarcan desde la revisión del estado del arte en arquitecturas de modelos y bibliotecas de código abierto, hasta el entrenamiento desde cero o el preentrenamiento continuo mediante técnicas de ajuste fino. Este proceso incluye la recopilación masiva de corpus de preentrenamiento, acompañada de un riguroso filtrado y control de calidad, así como la creación, anotación y curación de corpus de instrucciones. También se realiza el ajuste de instrucciones para mejorar la capacidad de los modelos para seguir indicaciones y mantener conversaciones coherentes. Finalmente, los modelos pueden ser adaptados a dominios específicos como derecho, seguros o salud, asegurando un rendimiento óptimo en contextos especializados.
- El equipo multidisciplinar en IAGen. Este proceso es liderado por un equipo multidisciplinar de expertos en IA, lingüística computacional e ingeniería de datos. Cada perfil aporta capacidades clave: los expertos en IA diseñan y optimizan los modelos, los lingüistas curan y evalúan corpus para garantizar una comprensión lingüística precisa, y los ingenieros de datos construyen la infraestructura necesaria para gestionar grandes volúmenes de información. Esta colaboración permite desarrollar modelos más robustos, éticos y adaptados a tareas complejas y contextos específicos.
Hacia una IA Generativa que aporte valor en las empresas
El éxito de la IA generativa en entornos empresariales no depende únicamente del acceso a grandes modelos, sino de la capacidad de evaluarlos, personalizarlos y adaptarlos con precisión.
En el IIC hemos aprendido que la combinación de evaluación sistemática, ajuste fino y colaboración entre perfiles expertos es la clave para diseñar soluciones verdaderamente útiles.
En este nuevo paradigma, las empresas no solo deben adoptar la IA, sino hacerla suya, integrándola en sus procesos de negocio. Solo así podrán convertirla en un motor real de transformación.
¿Estás interesado en conocer más detalles sobre como implementar IA generativa en tu organización/proyecto?
¡Escríbenos y te ayudamos!Referencias
[1] Bick, A., Blandin, A., & Deming, D. J. (2024). The Rapid Adoption of Generative AI (NBER Working Paper No. 32966). Cambridge, MA: National Bureau of Economic Research.
https://static1.squarespace.com/static/60832ecef615231cedd30911/t/66f0c3fbabdc0a173e1e697e/1727054844024/BBD_GenAI_NBER_Sept2024.pdf
[2] de Bellefonds, N., Charanya, T., Franke, M. R., Apotheker, J., Forth, P., Grebe, M., Luther, A., de Laubier, R., Lukic, V., Martin, M., Nopp, C., & Sassine, J. (2024, octubre 24). Where’s the value in AI? Boston Consulting Group.
https://web-assets.bcg.com/a5/37/be4ddf26420e95aa7107a35aae8d/bcg-wheres-the-value-in-ai.pdf
[3] Mayer, H., Yee, L., Chui, M., & Roberts, R. (2025, 28 de enero). Superagency in the workplace: Empowering people to unlock AI’s full potential [Informe]. McKinsey & Company.
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work#/
[4] OpenAI. (2024). Identifying and Scaling AI Use Cases [Guía].
https://cdn.openai.com/business-guides-and-resources/identifying-and-scaling-ai-use-cases.pdf
[5] OpenAI. (2024). AI in the Enterprise: Lessons from seven frontier companies.
https://cdn.openai.com/business-guides-and-resources/ai-in-the-enterprise.pdf
[6] Project NANDA. (2025). The GenAI Divide: State of AI in Business 2025. MIT Media Lab.