De la migración a la nube a la gobernanza de la IA: el centro de gravedad de la lista de capacidades para la transformación digital empresarial está cambiando

Introducción

Appinventiv, proveedor de ingeniería de productos digitales y servicios de TI, publicó en su sitio web una guía de transformación digital empresarial titulada Digital Business Transformation: A Pocket Guide. No es un informe de investigación sectorial, sino una metodología y un catálogo de servicios dirigidos a clientes corporativos: desglosa la transformación digital en varias líneas de capacidad, como diseño e ingeniería de productos, consultoría y migración a la nube, datos y analítica, ciberseguridad, IoT, AR/VR, IA, etc., y dentro de la IA la subdivide además en elementos como desarrollo de IA generativa, desarrollo de agentes de IA, consultoría de IA, desarrollo de RAG, desarrollo de Copilot, visión por computadora, aprendizaje automático y consultoría de gobernanza de IA.

Para los observadores de la industria, el valor de este tipo de páginas no está en las conclusiones, sino en la estructura. Equivale a consolidar las preguntas que los clientes corporativos plantean con más frecuencia en la actualidad: los clientes ya no solo preguntan “cómo migrar las cargas de trabajo a la nube”, sino que preguntan “si los datos en la nube pueden alimentar a los modelos”, “si los modelos pueden incrustarse en los flujos de trabajo existentes” y “cómo se rinde cuentas del cumplimiento normativo una vez utilizados”. Qué elementos incluye un proveedor de servicios en su catálogo y cuáles coloca en una posición destacada es, en sí mismo, un reflejo de la demanda del mercado.

1. Antecedentes: una guía, y también un mapa de la demanda

La narrativa dominante de la transformación digital (Digital Business Transformation) durante la última década ha sido “migrar a la nube”: trasladar las cargas de trabajo de los centros de datos propios a la nube pública, descomponer las aplicaciones monolíticas en microservicios y delegar el proceso de publicación a CI/CD. El grado de madurez de esta ruta ya es muy alto; la consultoría en la nube, la migración a la nube, el alojamiento en la nube, DevOps y la modernización de aplicaciones heredadas son elementos estándar en el catálogo de casi todos los proveedores de servicios de TI.

El cambio llegó después de 2023. Los grandes modelos transformaron la “inteligencia” de un proyecto de largo plazo que requería una asignación específica en una capacidad de infraestructura invocable mediante API. La forma en que las empresas formulan sus preguntas cambió en consecuencia: ya no se trata de “si hay que hacer IA”, sino de “qué parte del proceso hacer primero, dónde están los datos y quién responde si algo sale mal”. La estructura del índice de esta guía descompone precisamente estas tres cuestiones en elementos de servicio entregables: servicios de datos, ingeniería de IA y gobernanza de IA.

Cabe señalar que las guías de proveedores tienen por naturaleza un carácter autopromocional. CloudTechDaily le presta atención no porque ofrezca conclusiones autorizadas, sino porque proporciona una muestra verificable de la “oferta de servicios”: la forma en que los proveedores clasifican suele ir entre 6 y 18 meses por detrás de la demanda, por lo que se parece más a un mapa ya consolidado de la demanda que a una predicción del futuro.

2. Análisis técnico: los cuatro niveles de la lista de capacidades

Si examinamos este catálogo, las capacidades de transformación digital empresarial pueden resumirse en cuatro capas. Comprender estas cuatro capas es especialmente importante para los gestores no técnicos, porque determina en qué orden debe gastarse el presupuesto.Primera capa: infraestructura y plataforma. Incluye consultoría en la nube, migración a la nube, alojamiento en la nube, DevOps y modernización de aplicaciones heredadas. Resuelve el problema de trasladar los sistemas de centros de datos propios a grupos de recursos elásticos y hacer que el proceso de entrega sea repetible y auditable. La tecnología de esta capa ya está estandarizada; la diferencia principal no está en la tecnología, sino en la gestión de la continuidad del negocio durante la migración.

Segunda capa: capa de datos. Incluye big data, análisis de datos e inteligencia de negocios. Resuelve el problema de que los datos puedan consultarse, ser confiables y reutilizarse. Esta capa es la verdadera barrera de entrada para los proyectos de IA: la capacidad de los modelos se puede alquilar, pero los activos de datos solo se pueden acumular por uno mismo.

Tercera capa: capa de inteligencia. Incluye IA generativa, agentes de IA, RAG, Copilot, aprendizaje automático, visión por computadora y agentes de voz. Es necesario distinguir estos términos:

• IA generativa: la capacidad de los modelos de generar contenido como texto, imágenes, código, etc.; es la capacidad de base en sí misma.
• RAG (generación aumentada por recuperación): primero recupera contenido relevante de la base de conocimiento propia de la empresa y luego se lo entrega al modelo para que genere una respuesta, con el fin de reducir el riesgo de que el modelo “responda de la nada”; es la forma más común en que las empresas conectan los grandes modelos con el conocimiento interno.
• Agente de IA: no solo genera un fragmento de texto, sino que puede invocar herramientas y completar tareas de varios pasos en orden, por ejemplo, consultar pedidos, crear tickets, activar aprobaciones.
• Copilot: asistente de operación integrado en el software ofimático y de negocio existente, para que el usuario no tenga que cambiar de sistema.

Cuarta capa: capa de gobernanza y seguridad. Incluye seguridad en la nube, operaciones de seguridad (SecOps), consultoría en ciberseguridad y consultoría en gobernanza de IA. Su función es delimitar las tres capas anteriores: qué datos pueden salir del dominio, qué salidas de modelos deben dejar registro y qué decisiones automatizadas deben conservar revisión humana.

Las cuatro capas no son una relación de yuxtaposición, sino de dependencia unidireccional: el techo de resultados de la capa de inteligencia lo determina la preparación de la capa de datos; el grado de apertura de la capa de datos, a su vez, está condicionado por la capa de gobernanza. Si falta cualquiera de las capas, el proyecto de IA se quedará en la fase de prueba de concepto.

III. Análisis del impacto empresarial: del gasto por proyectos al gasto continuo

Impacto en los costos. La transformación tradicional se centraba en proyectos de migración de una sola vez, y su forma de gasto tendía al gasto por proyectos o al gasto de capital; la fase de IA se centra en el cómputo de inferencia continuo, el almacenamiento de vectores y bases de conocimiento, los costos de invocación de modelos y el personal de gobernanza de datos, y se manifiesta como un gasto operativo estable. Esto significa que la lógica de aprobación del presupuesto tecnológico debe cambiar: antes era “se lanza y se cierra el techo de gasto”; ahora es “cuanto más se usa, más se gasta”. Las empresas necesitan extender los mecanismos de visibilidad de costos de FinOps a los procesos de invocación de modelos y recuperación; de lo contrario, será difícil responder si “esta función de IA realmente vale la pena”.Impacto en el despliegue. Pasar de “comprar software” a “ensamblar una plataforma”. Las empresas necesitan capacidades de ingeniería de plataformas para gestionar de forma unificada el acceso a modelos, las versiones de prompts, los índices de recuperación y los permisos de herramientas. Esta parte del trabajo no puede subcontratarse por completo con productos existentes, porque depende en gran medida de los detalles de los procesos de cada empresa.

Impacto operativo. La puesta en producción de agentes introduce nuevos objetos operativos: versiones de prompts y modelos, frescura del contenido recuperado, permisos de invocación de herramientas, estrategias de reintento ante fallos y degradación. Las métricas de monitorización tradicionales no bastan para cubrir estos objetos, y la construcción de observabilidad debe adelantarse.

Impacto en seguridad y cumplimiento. La clasificación y categorización de datos, las restricciones a la transferencia transfronteriza, la auditoría de las salidas de modelos y la explicabilidad de las decisiones automatizadas se convertirán en puntos de control de cumplimiento. Reglas como el Reglamento de IA de la UE (AI Act) y el Marco de Gestión de Riesgos de IA del NIST están incorporando el “riesgo de modelo” al ámbito de la gobernanza formal, y las empresas con operaciones multinacionales también necesitan evaluar opciones de nube soberana (Sovereign Cloud).

¿Vale la pena adoptarlo? El orden de evaluación recomendado es: primero, comprobar si los datos están estructurados y si su uso se puede autorizar; después, comprobar si el proceso objetivo es lo bastante estable como para merecer automatización; por último, comprobar si los límites de cumplimiento lo permiten. Solo si los tres criterios se cumplen, se pasa a hablar de la selección de modelos.

IV. Análisis competitivo del mercado

Proveedores de nube: expansión continua hacia arriba en la pila. AWS, Microsoft Azure, Google Cloud y otros ofrecen en un paquete la capacidad de cómputo subyacente, las API de modelos y las herramientas de orquestación de agentes, y por naturaleza se extienden hacia la capa de inteligencia. Son los que más se benefician, pero también enfrentan el mismo problema: los clientes quieren multinube y multimodelo, mientras que los proveedores buscan atar a los clientes a su plataforma. Las pasarelas multimodelo y los estándares abiertos se convierten así en bazas clave de negociación para las empresas.

Integradores de sistemas y proveedores de externalización: presión sobre el modelo de entrega. La automatización con agentes se comerá por sí misma una parte del trabajo de entrega intensivo en mano de obra. El espacio para diferenciarse se desplaza hacia el conocimiento sectorial, la gobernanza de datos y la experiencia en cumplimiento; el margen para el modelo de puro arbitraje de mano de obra se estrecha.

Plataformas de datos y SaaS empresarial: el valor depende del grado de preparación. Sistemas como ERP y CRM se están convirtiendo en el “extremo de ejecución” de los agentes: el modelo se encarga de decidir y los sistemas de negocio se encargan de asentar las operaciones. Quien haga más claras las interfaces, los permisos y la auditoría, será más fácil de integrar.

Proveedores de servicios de ingeniería nativos de IA: oportunidades y riesgos coexisten. Los proveedores citados en las fuentes de referencia se posicionan en su sitio web como especialistas en ingeniería de producto con IA como prioridad. La oportunidad de este tipo de proveedores reside en su capacidad de integración multinube y multimodelo y en su experiencia en gobernanza; el riesgo reside en que las capacidades de las plataformas de modelos se actualizan muy rápido: el desarrollo personalizado de hoy puede convertirse mañana en una función integrada de la plataforma.

Beneficiarios y actores bajo presión. Los beneficiados son quienes controlan la capacidad de cómputo, los puntos de entrada a los modelos y los hubs de datos, así como los proveedores de servicios capaces de ofrecer certidumbre en gobernanza y cumplimiento; los presionados son la externalización tradicional que solo ofrece arbitraje de mano de obra, y los fabricantes de middleware cuyas funciones pueden convertirse fácilmente en funciones integradas de las plataformas.## V. Observación de tendencias de la industria: la lista de capacidades está siendo reordenada por la IA

De este catálogo se pueden observar cuatro tendencias a largo plazo.

Primero, la nube nativa de IA (AI Native Cloud). Las suposiciones de arquitectura predeterminadas de las plataformas en la nube están pasando de estar "centradas en la aplicación" a "centradas en los datos y la inferencia", y el almacenamiento, la red y la programación se optimizan para los servicios de modelos.

Segundo, la infraestructura de Agent (Agent Infrastructure). Cuando los Agent pasan de la demostración a la producción, el registro de herramientas, la gestión de permisos, el seguimiento de ejecución y la medición de costos se convertirán en una capa de infraestructura independiente.

Tercero, la preparación de datos se convierte en el verdadero cuello de botella. La capacidad de los modelos se puede adquirir, los activos de datos no. En los próximos años, la proporción de la gobernanza de datos y la gestión de datos maestros en el presupuesto de TI empresarial probablemente aumentará de forma pasiva.

Cuarto, la nube soberana y la prioridad del cumplimiento. La residencia de datos, la regulación sectorial y las reglas a nivel nacional harán que "dónde ejecutar los modelos" y "qué modelo utilizar" sean igualmente importantes.

Al mismo tiempo, hay que ver las restricciones: el suministro de energía y refrigeración de los centros de datos de IA, la escasez de habilidades dentro de las empresas y el ritmo de implementación de los marcos de gobernanza limitarán la velocidad de expansión de la capa de inteligencia. La dirección es segura, el ritmo no.

CloudTechDaily Insight

El significado más importante de esta guía es que ha reemplazado el significado predeterminado de "transformación digital". En la última década, el equivalente de la transformación digital era la migración a la nube y la modernización, y el criterio de aceptación era si los sistemas se habían migrado por completo y los procesos se habían puesto en línea. Ahora, lo que las empresas realmente compran es una cadena completa desde los datos hasta los modelos, desde los modelos hasta los procesos y desde los procesos hasta la auditoría. La nube ha pasado de ser un destino a una base, la IA de un elemento adicional a un elemento principal, y la gobernanza de ser trabajo del departamento de cumplimiento a ser parte del diseño de la arquitectura.

Las implicaciones directas para la estrategia de TI de las empresas son tres. Primero, la estructura presupuestaria debe ajustarse: convertir parte del presupuesto utilizado anteriormente para migraciones únicas en gastos operativos continuos de inferencia y gobernanza de datos, y establecer la capacidad correspondiente de visualización de costos; de lo contrario, los proyectos de IA se detendrán en el segundo año debido a facturas fuera de control. Segundo, la construcción de capacidades debe tener un orden: la gobernanza de datos, la ingeniería de plataformas y la observabilidad deben ir antes de la selección de modelos; los proyectos de IA que se saltan estos tres pasos tienen una tasa de éxito extremadamente baja. Tercero, la estrategia de proveedores debe estratificarse: la potencia informática subyacente y los modelos deben permanecer reemplazables, las plataformas intermedias deben estandarizarse tanto como sea posible, y solo la experiencia en procesos y gobernanza específica de la industria merece una inversión personalizada a largo plazo.

La revelación para la industria de la computación en la nube es que el foco de competencia está pasando de "quién tiene recursos más baratos" a "quién puede hacer que los datos de las empresas generen decisiones de manera más segura". Esto significa que la relación entre proveedores de nube, plataformas de datos y proveedores de servicios pasará de una simple superposición a un acoplamiento profundo, y la capacidad de integración que comprende simultáneamente datos, modelos y restricciones regulatorias se convertirá en el recurso más escaso y más difícil de reemplazar por capacidades integradas en plataformas en esta etapa.