El “desperdicio” de la IA está llegando a las empresas

La IA tiene un problema de “desperdicio”. Para algunos de nosotros, esto puede aparecer en nuestra pantalla de redes sociales diarias en forma de videos generados por IA, o si hemos llegado lo suficientemente lejos en la red, como dramas de realidad entre frutas personificadas como humanos. Mientras que estos ejemplos pueden calificarse de diversión inofensiva, ¿dónde dibujamos los límites para cómo se presenta el contenido generado por IA en entornos más serios y propensos a riesgos, como las empresas!

El “desperdicio” de la IA empresarial se presenta como información confiada y pulida construida sobre datos superficiales, inaccesibles o inexactos, y las empresas están comenzando a sentir el costo. Los datos de AlphaSense reflejan este cambio, con menciones de “desperdicio” de IA en noticias y cobertura de medios de comunicación aumentando un 20% trimestre a trimestre desde el Q4 de 2025 hasta el Q1 de 2026.

Una desventaja que muchos usuarios experimentan con herramientas de IA de propósito general es la falta de acceso a fuentes seguras y de alta calidad – no todas las decisiones pueden o deben basarse en fuentes de la web. Cuando se trata de inteligencia de grado de decisión con mayores apuestas, una clara división está emergiendo entre herramientas que generan respuestas de superficie y aquellas que entregan conocimientos específicos del dominio.

La explosión de contenido generado por IA está alimentando un gran ciclo de retroalimentación de entradas y salidas de baja calidad. Las organizaciones que pueden romper este ciclo y centrarse en entradas confiables y específicas del dominio definirán la próxima fase de la IA empresarial, distinguiendo la verdadera perspicacia del ruido artificial.

La mayor limitación de la IA empresarial es los datos que la alimentan

Las herramientas de IA generales son sistemas que pueden entender, aprender y razonar a través de muchos dominios. Estas herramientas se centran en capacidades fundamentales como el razonamiento y el aprendizaje, lo que las hace útiles asistentes en la optimización de procesos de flujo de trabajo y el aumento de la productividad. Sin embargo, los datos genéricos utilizados para entrenar estos modelos pueden producir salidas igualmente genéricas, lo que resulta en “desperdicio” de IA cuando se utiliza a gran escala.

A lo largo de la industria tecnológica, muchas empresas ahora dependen de estas herramientas de IA generales y LLM para varios flujos de trabajo y ahorro de tiempo.

Las empresas ya no solo están probando estos modelos; los están integrando en flujos de trabajo agénticos, donde los sistemas de IA interactúan de forma autónoma con datos empresariales, API y aplicaciones externas para completar tareas de extremo a extremo. Esto restringe a las empresas a datos que a menudo son difíciles o imposibles de sustanciar, lo que da como resultado salidas que carecen de valor.

El uso de herramientas de IA generales plantea varios desafíos que contribuyen al “desperdicio” de IA en las empresas:

• El contenido generado por IA a menudo abruma las bases de conocimiento internas, lo que las hace más difíciles de confiar y utilizar.
• Los errores que se reciclan a través de ciclos de retroalimentación llenan el contenido con información genérica e irrelevante.
• La IA optimiza el proceso de creación, pero a su vez reduce los controles de calidad que normalmente se integran en el camino.

En contraste, la IA específica del dominio se centra en la profundidad sobre la amplitud, diseñando sistemas que resuelven problemas estrechamente definidos y de alto valor dentro de un dominio específico. En lugar de confiar en datos de entrenamiento ampliamente disponibles y públicos, estas herramientas se construyen sobre conjuntos de datos propiedad y curados, lo que les permite producir salidas de mucha mayor calidad y relevancia contextual. Al anclar la IA en la experiencia del dominio en lugar de datos genéricos, la IA aplicada entrega perspicacias que cumplen con los requisitos de precisión y responsabilidad de las empresas. Características como fuentes transparentes, salidas respaldadas por citas y capacidades de investigación más profundas garantizan que la información sea rastreable, validada y confiable.

Este nivel de precisión no es opcional para las empresas que operan a gran escala, donde el riesgo del “desperdicio” de IA puede traducirse en errores críticos.

Rompiendo el ciclo de retroalimentación

Las entradas y salidas deficientes pueden influir en las respuestas con el tiempo, lo que exacerba aún más el desafío del “desperdicio” de IA y crea un ciclo de retroalimentación negativa.

Por ejemplo, en entornos que utilizan modelos generales, el contenido generado por IA ha creado un ciclo auto-reforzante de calidad decreciente. Los sistemas de IA a menudo aprenden de la información interna a la que tienen acceso, incluidas las salidas pasadas, y a menudo absorben y reproducen errores existentes. Si estos materiales incluyen errores, los errores se reciclan y los patrones genéricos se refuerzan a sí mismos. Es bastante simple: si los datos de entrenamiento subyacentes son de baja calidad, las salidas del modelo reflejarán ese mismo estándar.

El pensamiento original también disminuye cuando los humanos están menos involucrados. Y a medida que continúan los procesos, el ciclo se repite y la calidad de las salidas sigue disminuyendo exponencialmente. Las herramientas de IA a menudo no priorizan la verificación para la precisión, ni consideran cuidadosamente la elección de palabras al llenar los vacíos en el contenido. Así, el “desperdicio” de IA nubla el contenido con ruido artificial a un ritmo cada vez mayor.

Esta tendencia se está manifestando de una manera muy visible en las comunicaciones corporativas de las grandes empresas. Un artículo reciente de Barron’s, respaldado por datos de AlphaSense, exploró el uso del formato característico de la IA “No es esto, es eso”, que ha aparecido en un número asombrosamente grande de canales de comunicación corporativa externa. Según el artículo, el uso de esta verbiatura casi se duplicó en 2024 y 2025.

Más allá de las comunicaciones, el riesgo del “desperdicio” de IA puede afectar a las empresas de manera significativa en varias funciones, particularmente a medida que la IA se convierte en una corriente de trabajo cada vez más prevalente en las funciones de toma de decisiones. Si la toma de decisiones crítica está influenciada por información inexacta o incluso redundante, los equipos no pueden ni deben confiar en sus salidas.

Los sistemas de IA más eficientes entregan inteligencia de grado de decisión

A medida que las empresas escalan el uso de la IA y evalúan el ROI, la diferencia entre la perspicacia valiosa y el “desperdicio” de IA se convertirá en una ventaja competitiva definitoria. Las organizaciones que dependen únicamente de herramientas de IA de propósito general sin hacer cumplir activamente la calidad de los datos y el contexto del dominio corren el riesgo de inundar sus operaciones y desperdiciar tiempo con salidas no confiables.

La IA aplicada ofrece un camino hacia adelante más seguro y perspicaz, pero las organizaciones también deben emparejar estas herramientas con una supervisión humana clara, estándares de verificación y evaluación continua de flujos de trabajo y salidas para detectar el “desperdicio” de IA. No hay un enfoque único para todos.

Las empresas que puedan hacerlo correctamente tomarán mejores decisiones más informadas. Y en un mercado cada vez más influenciado por la IA, esta diferencia ya se está convirtiendo en una ventaja competitiva.