La IA generativa ha pasado de las demostraciones a las implementaciones industriales. Una solución moderna debe operar en un circuito cerrado, considerar la seguridad, integrarse con los sistemas corporativos y ofrecer un efecto medible. Hablamos con Alexander Perevalov, jefe de desarrollo de IA en GreenData, sobre dónde la IA generativa ya está beneficiando a las empresas, qué escenarios siguen siendo experimentales y por qué los modelos de código abierto por sí solos no resuelven el problema del cliente.

Muchas empresas ya han probado GenAI. ¿Qué se puede considerar ahora un valor real y no una demostración tecnológica?

En el ámbito empresarial, el valor comienza con la conformidad del producto con las limitaciones existentes del cliente. A menudo, no se pueden utilizar modelos comerciales extranjeros, la solución debe funcionar dentro de un circuito cerrado y cumplir con la infraestructura disponible. Si, al mismo tiempo, el producto de IA ofrece la calidad y la velocidad de trabajo necesarias y ayuda a resolver un problema real, entonces ya no es un experimento, sino una herramienta útil. Por lo tanto, es importante evaluar no solo la reducción de tiempo o la disminución de errores, sino también la preparación para la implementación industrial sin comprometer los datos y la fiabilidad.

¿Está de acuerdo en que la competencia ahora no debe ser a nivel de modelos fundamentales, sino a nivel de contexto?

Sí. La competencia a nivel de modelos fundamentales es el dominio de jugadores muy grandes con los recursos correspondientes. Para la mayoría de las empresas, el camino realista es utilizar modelos de código abierto o comerciales existentes y enriquecerlos con su propio contexto, datos que no están disponibles públicamente: regulaciones, documentos, historial de solicitudes, reglas de negocio, experiencia acumulada. Pero los datos por sí solos no resuelven nada. Es necesario formar el contexto de tal manera que el modelo dé una respuesta correcta o invoque la herramienta necesaria dentro del proceso de negocio.

¿Cómo se ve este “año del contexto” en la empresa?

Primero, las empresas necesitan recopilar el conocimiento que se almacena en sistemas wiki dispersos, en notas, documentos internos e incluso “en la cabeza” de los expertos. Todo esto no solo debe recopilarse en un solo lugar, sino también aprender a almacenarlo, actualizarlo y buscar respuestas de manera efectiva en este conocimiento para luego enriquecer el contexto de los modelos de lenguaje con ellas. Al crear agentes de IA basados en modelos de lenguaje, es importante comprender que el prompt del sistema o la instrucción del sistema también son parte del contexto. En esencia, es una breve descripción de la función comercial que realiza el asistente: qué debe hacer, dentro de qué límites, con qué datos y según qué reglas. Por lo tanto, la profesión de ingeniero de prompts o ingeniero de contexto, que hasta hace poco se percibía casi como una broma, en 2026 se vuelve realmente importante. La calidad de esta configuración depende directamente de si el asistente simplemente responderá con palabras generales o podrá ayudar en un proceso de negocio específico.

¿Necesitan las empresas entrenar sus propios modelos fundamentales?

No siempre. Entrenar un modelo fundamental es una historia muy costosa, la empresa debe entender si tales inversiones se amortizarán. Muchos casos de negocio hoy en día se pueden resolver con ingeniería de contexto: RAG, prompts bien elaborados, configuración de escenarios e integración con datos. El reentrenamiento o los modelos de ML separados se justifican donde hay una tarea especializada, un flujo de datos estable y un efecto económico claro.

¿Qué tareas se benefician de GenAI y dónde solo complica la arquitectura?

La IA generativa no es adecuada donde se requiere una estricta explicabilidad. Por ejemplo, en modelos de scoring o evaluación de la probabilidad de impago. Si se necesita clasificar un documento en un conjunto pequeño y fijo de clases, un modelo de lenguaje grande también puede ser redundante: el ML clásico, las reglas o la búsqueda pueden hacerlo. GenAI aporta valor donde hay texto no estructurado, ambigüedad, la necesidad de preparar un resumen, cotejar datos de diferentes fuentes o ayudar a una persona en una tarea donde un simple “sí/no” no es suficiente.

Si el cliente dice: “Nosotros mismos lo construiremos a partir de código abierto”, ¿cuál es el valor del proveedor?

Esta pregunta no solo se refiere a la inteligencia artificial, sino en general al desarrollo de software. Construir una solución a partir de código abierto sigue siendo un desarrollo interno. Necesita ser gestionado, requiere recursos de TI, arquitectura, pruebas, soporte. Estos recursos son costosos, y al mismo tiempo, el equipo a menudo recorre el mismo camino de prueba y error que otros ya han recorrido decenas de veces. El valor del proveedor radica en el software listo y probado, la experiencia de implementación, los modelos ajustados, las integraciones y la responsabilidad por el resultado. En el ámbito empresarial, no solo son importantes los algoritmos, sino también la seguridad, la gestión de accesos, la auditoría, los SLA y la especificidad del sector. Por ejemplo, en GreenData entrenamos nuestros propios modelos de clasificación de documentos y reconocimiento de fragmentos de documentos para que las soluciones funcionen mejor precisamente en el contexto de la legislación rusa y los tipos de documentos rusos. En esto radica el valor práctico del proveedor: acorta el camino desde la idea hasta el resultado industrial y asume parte de los riesgos que, en el desarrollo interno, recaen completamente en el cliente.

¿Qué escenarios de GenAI ya están maduros y cuáles aún están en fase experimental?

Los escenarios maduros son Meeting Intelligence: reconocimiento de voz, transcripción de reuniones, resumen, generación de actas. El segundo bloque es RAG y búsqueda corporativa: trabajar con grandes almacenes de documentos o código no estructurados y generar una respuesta basada en el contexto encontrado. Los agentes de IA como reemplazo de la interfaz tradicional aún están en desarrollo. Un ejemplo más maduro es la primera línea de soporte, donde los chatbots con LLM bajo el capó ya funcionan de manera bastante estable. Pero si el proceso está formalizado, es mejor usar un flujo de trabajo clásico, RPA, reglas o un modelo de ML.

¿Qué fórmula práctica le daría a las empresas?

No se debe empezar con un deseo abstracto de “implementar GenAI”, sino con un caso de uso aplicado y específico. Por ejemplo, el reconocimiento de documentos. Luego, investigar qué soluciones ya existen en el mercado, dónde fallan, qué alternativas de código abierto están disponibles y qué se puede mejorar por cuenta propia. Es importante calcular la economía de inmediato. En la nube, el consumo de tokens y el control de gastos; on-premise, la infraestructura y el soporte. Si los puntos débiles son claros, los datos están disponibles, la economía es viable y el efecto se puede medir, entonces vale la pena desarrollar el proyecto. GenAI en 2026 no es la magia de un gran modelo, sino una elección precisa de la tarea, un contexto de calidad y solo entonces la escalabilidad.