Victor Coimbra, director de tecnología y socio director de Artefact – Serie de entrevistas

Victor Coimbra es director de tecnología y socio director de Artefact, donde lidera las áreas de IA, ciencia de datos e ingeniería en toda América. Su trayectoria combina experiencia en estrategia empresarial en Bain y Accenture con liderazgo práctico en la implementación de sistemas de IA y aprendizaje automático en entornos empresariales complejos. Se centra en ayudar a las organizaciones a conectar sus capacidades técnicas con resultados empresariales medibles, incluida la arquitectura, la gobernanza y los modelos operativos necesarios para ampliar la IA.

Artefact es una consultora global de datos e IA que ayuda a las empresas a desarrollar estrategias, crear plataformas de datos, implementar soluciones de IA y gestionar el cambio organizativo. Su trabajo abarca sectores como los servicios financieros, la atención sanitaria, la fabricación y el comercio minorista. Antes de su Adopt AI Summit, que tendrá lugar los días 3 y 4 de diciembre de 2026 en el Grand Palais de París, Coimbra habla sobre cómo las empresas pueden ir más allá de los proyectos piloto, formar equipos que combinen personas y agentes de IA, y medir el valor de la IA en producción.

Su trayectoria lo ha llevado de la estrategia empresarial en Accenture a liderar equipos de IA, ciencia de datos e ingeniería en Artefact en toda América. ¿Cómo ha influido esta combinación de consultoría estratégica y liderazgo técnico práctico en su enfoque para ayudar a las empresas a convertir sus inversiones en IA en resultados empresariales medibles?

Me enseñó a vincular siempre la estrategia de IA con su implementación. La estrategia en Bain y Accenture me mostró que los directivos invierten en cambios que se reflejan en una partida de pérdidas y ganancias. La ingeniería me enseñó que gran parte de ese valor puede perderse entre la presentación y la puesta en producción.

Hoy, la IA tiene menos que ver con la tecnología y más con crear una ventaja defensiva en torno a las operaciones centrales del negocio. La pregunta clave es cómo convertir la productividad individual en valor colectivo para la empresa, con una auténtica capacidad cognitiva compartida en toda la compañía.

Eso requiere combinar estrategia e implementación, y aprendí mucho al dedicarme a ambas.

A pesar de las importantes inversiones en inteligencia artificial, muchas organizaciones siguen teniendo dificultades para ir más allá de los proyectos piloto exitosos. Según su experiencia, ¿cuáles son los obstáculos más comunes que impiden que las iniciativas de IA empresarial lleguen a producción y qué distingue a las empresas que logran ampliar sus implementaciones?

En mi experiencia, muchos proyectos piloto se estancan porque se incorpora la IA a organizaciones diseñadas exclusivamente para las personas. La tecnología suele funcionar. Lo que a menudo sigue sin definirse es el reparto del trabajo: qué tareas corresponden a los agentes, cuáles siguen en manos de las personas, quién revisa el trabajo y quién se hace responsable del resultado.

Además, hay 3 necesidades que suelen ralentizar la ampliación: los costes de los tokens, que se disparan con los precios basados en el uso; la seguridad y la gobernanza; y una adopción que nunca convierte el acceso en un uso real.

Las empresas que veo ampliar sus operaciones con éxito consideran la IA una transformación organizativa. Dividen la ejecución en 2 ciclos. En el ciclo interno, los agentes realizan el trabajo de principio a fin: programan, compilan, prueban, envían y revisan. En el ciclo externo, las personas establecen el objetivo, verifican el resultado y supervisan el coste y la calidad. Después, construyen una única plataforma subyacente y la reutilizan para todos los casos de uso.

Ha escrito sobre la importancia de crear una organización nativa de IA, en lugar de limitarse a añadir chatbots y asistentes a los sistemas existentes. ¿Qué cambios fundamentales en la arquitectura tecnológica empresarial son necesarios para facilitar esta transición y en qué áreas están invirtiendo actualmente las empresas menos de lo necesario?

Una empresa nativa de IA funciona sobre una plataforma, que consta de 4 capas: entorno de ejecución, contexto, modelo e infraestructura. El entorno de ejecución es donde las personas y los agentes se encuentran y trabajan: toda la aplicación que rodea al modelo. El contexto define qué saben los agentes y qué autoridad tienen. El modelo determina cómo se accede a los modelos, cómo se dirige su uso y cómo se gobiernan al coste adecuado. La infraestructura es donde se ejecutan realmente y quién controla las claves.

Como es natural, la mayor parte de la atención se centra en el 20 % visible: los asistentes y las herramientas de chat. El 80 % oculto es donde se concentra la mayor parte del trabajo de ingeniería y donde se determinan el coste, la seguridad y el control.

Mi sugerencia es sencilla: comprar entornos de ejecución generalistas y crear los específicos de cada sector. Alquilar modelos e infraestructura y experimentar con ellos, porque cambian cada trimestre. Y ser propietarios absolutos del contexto. Es la capa que realmente les pertenece y donde veo la mayor oportunidad de aumentar la inversión.

A medida que la IA pasa de ayudar a los empleados a ejecutar de forma autónoma flujos de trabajo complejos, ¿cómo deberían determinar las organizaciones qué procesos son adecuados para la automatización mediante agentes? ¿Qué salvaguardas técnicas y operativas deben establecerse antes de otorgar a los agentes de IA mayor autoridad para tomar decisiones?

Tal como lo veo, los agentes son muy buenos en el trabajo orientado al pasado, mientras que las personas destacan en el trabajo orientado al futuro. Los agentes sobresalen en todo lo que se basa en información existente, como el análisis de datos, la programación, las pruebas, la documentación y la conciliación. Las personas se encargan de lo que requiere creatividad y, por definición, la creatividad mira hacia adelante: el criterio, la visión, la planificación, la toma de decisiones y la evaluación de si un resultado es realmente bueno.

En la práctica, esto se corresponde con los 2 ciclos. Los agentes se ocupan del ciclo interno y ejecutan el trabajo. Las personas mantienen el ciclo externo: establecen el objetivo, verifican y supervisan.

Las salvaguardas se diseñan; no se resuelven con instrucciones. Usamos 6 capas de control: captura de tareas, memoria, un espacio de trabajo seguro con un entorno de ejecución aislado y permisos, un ciclo con puntos de control y solicitudes de aclaración, enrutamiento de modelos y barreras de seguridad que definen qué no puede hacer un agente por sí solo, como aprobaciones humanas, comprobaciones de políticas y controles de PII. La autonomía aumenta entonces a medida que se acumula experiencia, igual que ocurre con una persona recién contratada.

Has descrito a los agentes de IA como compañeros de equipo, en lugar de herramientas de software convencionales. ¿Cómo cambia esta perspectiva la forma en que las organizaciones deberían estructurar los equipos, asignar responsabilidades y capacitar a los empleados para colaborar con sistemas de IA cada vez más autónomos?

Ya estamos en una organización híbrida. La pregunta que ahora me parece más importante es cómo distribuir la fuerza laboral entre personas y agentes. Creo que esa es la clave para crecer.

En un equipo híbrido, el organigrama distribuye capacidad cognitiva, no número de empleados. En un equipo tecnológico consolidado, suelo ver una distribución típica de 15% de trabajo exclusivamente humano, 25% de trabajo aumentado y 60% realizado por agentes. El responsable de TI establece los objetivos, asigna la capacidad y responde por los resultados y los costos. Un desarrollador sénior verifica las entregas de los agentes y decide la arquitectura. Un agente orquestador distribuye las tareas e informa sobre los costos, y un agente de revisión comprueba cada entrega.

Las ganancias se multiplican en 3 etapas. Los empleados con capacidades aumentadas rinden alrededor de 5 veces más. Los agentes, como empleados sintéticos que realizan tareas de principio a fin, rinden alrededor de 10 veces más. Creo que el potencial de multiplicar por 1000 el rendimiento está en coordinar a ambos como una sola fuerza laboral.

La capacitación sigue la misma lógica. Las personas aprenden a dar instrucciones a un agente como lo harían con un ingeniero júnior, proporcionándole contexto estructurado y objetivos claros, y a dedicar su tiempo al criterio, la planificación y la toma de decisiones.

Los sistemas de IA empresariales dependen en gran medida de una infraestructura de datos fiable; sin embargo, muchas organizaciones siguen teniendo dificultades con datos fragmentados, una gobernanza incoherente y tecnología heredada. ¿Qué capacidades fundamentales deberían priorizar las empresas al preparar sus plataformas de datos para la IA agéntica y cómo pueden modernizarlas sin interrumpir las operaciones existentes?

Diseña tu plataforma de datos para un nuevo tipo de consumidor: los agentes. Una persona cuestiona un dato incorrecto en un panel. Un agente actúa basándose en ese dato, a gran escala.

Prioriza 4 capacidades. Definiciones empresariales compartidas, para que todos los agentes y equipos entiendan lo mismo por «cliente activo». Una pasarela de integración con autenticación y protocolos estándar, como MCP, para que los agentes accedan a los datos con los permisos del rol que representan. Calidad y linaje observables. Y datos no estructurados tratados como un activo de primer orden, porque los contratos, los tickets y las notas de reuniones contienen la mayor parte del conocimiento real.

Para modernizar sin causar interrupciones, primero integra los sistemas heredados mediante capas de compatibilidad y luego migra caso de uso por caso de uso. Además, los agentes están cambiando la economía de este proceso. Las canalizaciones de migración multiagente ya modernizan cientos de miles de líneas de código heredado en cuestión de meses, mientras las personas deciden la arquitectura.

Además del acceso a datos estructurados, los agentes de IA necesitan cada vez más comprender el conocimiento institucional, los procesos empresariales y el contexto organizativo. ¿Cómo pueden las empresas capturar e integrar eficazmente este conocimiento en sus sistemas de IA y qué riesgos surgen cuando los agentes operan sin suficiente contexto empresarial?

El contexto es lo que convierte un modelo en un colega. Las herramientas entienden las tareas; los agentes entienden el contexto. No le pedirías a un ingeniero júnior que trabaje sin explicarle el objetivo, las limitaciones y qué se considera un buen resultado; con un agente no es diferente.

Captura el conocimiento a partir del trabajo mismo, en lugar de emprender grandes proyectos de documentación que son difíciles de mantener actualizados. Cada reunión, ticket, decisión y corrección alimenta una capa de contexto que combina archivos, tablas, vectores y un grafo de relaciones. Cada tarea completada se registra en la memoria, para que la organización aprenda con cada entrega. Además, el contexto necesita su propia gobernanza: evaluaciones, permisos y control de costos.

Sin contexto, los agentes suelen tener dificultades de formas bastante previsibles. Siguen la regla escrita y pasan por alto la norma tácita que todos conocen. Recuperan información equivocada y responden con total seguridad. Trabajan con datos del trimestre pasado. Y una capa de contexto sin permisos estrictos puede poner en riesgo los datos sensibles.

Muchas empresas miden el éxito de la IA según las mejoras de productividad, las tasas de adopción o la cantidad de proyectos piloto lanzados. ¿Qué métricas deberían utilizar los CIO y los líderes empresariales para evaluar el rendimiento real de la inversión en IA, especialmente al tener en cuenta los costos de infraestructura, el mantenimiento continuo y la complejidad operativa de los agentes autónomos?

Mide la fuerza laboral híbrida, no la herramienta. La adopción es solo el primero de 4 niveles, siempre en comparación con una línea de base establecida antes de la implementación. La adopción pregunta si la gente la usa. La productividad pregunta si entregamos más rápido: tiempo de ciclo, volumen de trabajo y tiempo de resolución. La calidad pregunta si los resultados son mejores: defectos que llegan a producción, tasa de fallos de cambios y trabajo repetido. El valor y el costo preguntan si vale la pena: esfuerzo liberado, tiempo de comercialización y costo total por tarea.

Una métrica que es fácil pasar por alto es cómo se distribuye la capacidad cognitiva entre personas y agentes, equipo por equipo. La capacidad humana liberada debe reasignarse deliberadamente a tareas orientadas al futuro. De lo contrario, se pierde parte de la ganancia.

En cuanto a los costos, los precios están pasando de tarifas fijas a tarifas basadas en el uso, lo que puede hacer más difícil prever las facturas. Por eso, el enrutamiento de modelos y la gestión financiera de la nube (FinOps) deben formar parte de la plataforma desde el primer día. Traten el gasto en IA como el gasto en la nube: debe ser visible, atribuirse a un equipo y vincularse al valor.

Artefact trabaja con empresas de los sectores de servicios financieros, salud, manufactura, comercio minorista y otras industrias en las que la adopción de la IA plantea distintos desafíos. ¿Qué lecciones están surgiendo de las implementaciones en el mundo real en estos sectores y cómo deberían las organizaciones equilibrar la innovación con el cumplimiento normativo, la fiabilidad y la supervisión humana?

Todos los sectores se enfrentan a la misma pregunta: cómo repartir el trabajo entre las personas y los agentes. Lo que cambia es cuánto del ciclo externo debe seguir en manos humanas. En el comercio minorista y los bienes de consumo, los errores cuestan poco, así que los agentes asumen más tareas y lo hacen más rápido. En la manufactura, la fiabilidad y la integración con los sistemas operativos marcan el ritmo. En los servicios financieros y la salud, todas las decisiones deben poder explicarse, por lo que las personas conservan durante más tiempo una mayor parte de las tareas de verificación y toma de decisiones.

La lección que veo en todas partes es que el cumplimiento normativo funciona mejor cuando forma parte de la plataforma desde el principio. Cuando las barreras de protección, los registros de auditoría y las aprobaciones humanas están integrados en el entorno de ejecución, cada nuevo caso de uso los hereda. Cuando el cumplimiento normativo se aborda solo al final, cada nuevo proyecto tiene que volver a iniciar esa conversación.

La supervisión debe organizarse por niveles. Los agentes actúan por su cuenta en tareas de bajo riesgo, se revisan por excepción en las de riesgo medio y solo preparan la decisión en las de alto riesgo. Los niveles cambian a medida que se gana confianza.

Con la celebración en París, en diciembre, de la cumbre Adopt AI de Artefact, los debates sobre la soberanía de la IA, la gobernanza y la competitividad industrial cobran cada vez más importancia. ¿Cómo cree que el enfoque europeo de la adopción de la IA influirá en las estrategias empresariales globales y qué avances considera que definirán la próxima etapa de la IA empresarial en los próximos años?

Europa fue de las primeras en plantear la cuestión de la soberanía, y creo que esta se está convirtiendo en un principio de diseño global. Las multinacionales no quieren una arquitectura distinta para cada regulación, así que diseñan teniendo en cuenta la más estricta: conservar el control de su contexto, alquilar los modelos y decidir dónde se ejecutan y quién tiene las claves. La próxima oportunidad para Europa es poner la misma energía en la adopción, porque la competitividad dependerá del uso a gran escala.

La próxima etapa será la organización híbrida, y creo que ese es el futuro del trabajo. Las empresas dejarán de contar empleados y pasarán a gestionar una capacidad cognitiva compartida entre personas y agentes. Los agentes asumirán la mayor parte del trabajo orientado al pasado: análisis, código e informes. Las personas se dedicarán al trabajo orientado al futuro: criterio, visión, planificación y toma de decisiones.

Creo que las empresas que primero resuelvan cómo repartir el trabajo serán las que lideren el camino. Esa es la conversación que quiero tener en París para definir los próximos años.

Gracias por esta excelente entrevista. Los lectores que quieran saber más sobre la adopción de la IA empresarial, los flujos de trabajo agénticos y la transformación de datos pueden visitar Artefact.