La IA generativa se ha convertido en el nuevo espejismo corporativo de eficiencia. Gartner estima que el 70% de las implementaciones en el ecosistema Fortune 500 están estancadas en la fase de piloto. La narrativa habitual apunta a la falta de talento o a la incertidumbre regulatoria. Es una excusa cómoda. La realidad es mucho más prosaica y dolorosa: el peso muerto de sistemas diseñados hace dos décadas está bloqueando cualquier intento de innovación real.
Estamos ante una negligencia financiera disfrazada de modernización. La deuda técnica ha dejado de ser un problema técnico para convertirse en un pasivo contable incontrolable. Cuando una compañía inyecta modelos de lenguaje avanzado sobre una infraestructura donde la información vive en silos fragmentados y código spaghetti, no está innovando. Está quemando capital.
La analogía es directa: intentar correr un motor de alto rendimiento en el chasis de un vehículo oxidado no genera velocidad, solo incrementa el costo de mantenimiento. El problema actual es el costo de inferencia sobre una arquitectura podrida. Cada vez que una empresa conecta una API moderna a un proceso batch que depende de una base de datos legacy, está forzando una latencia que mata cualquier ganancia de productividad. No hay magia en la IA que pueda compensar una arquitectura base que no permite la fluidez de los datos.
Lo interesante acá es que estamos repitiendo el error de la migración a la nube de la década pasada. En aquel entonces, las empresas trasladaron ineficiencias locales a la nube bajo la promesa de optimización, solo para descubrir que sus facturas de infraestructura se duplicaban por la mala gestión. Con la IA, el iceberg es mucho mayor. Los costos de los servicios de terceros son solo la entrada; el gasto real reside en la orquestación, el mantenimiento de middleware y los puentes de integración necesarios para que el modelo entienda datos que ni siquiera la propia empresa logra estructurar.
El espejismo del Core Bancario
En América Latina, esta brecha es crítica. Observemos al sector financiero: bancos regionales con una rentabilidad sólida siguen operando sistemas de Core Bancario basados en COBOL de los años 80. Estas instituciones anuncian inversiones millonarias en ciberseguridad o asistentes virtuales impulsados por modelos de lenguaje, pero sus sistemas base son incapaces de suministrar datos en tiempo real. Si el dato que nutre al modelo es antiguo o inconsistente, la salida será irrelevante. Es como intentar instalar software de realidad aumentada en un teléfono de disco.
Este comportamiento responde a una presión cortoplacista por mostrar resultados trimestrales ante los mercados. Los CTOs y CIOs enfrentan la exigencia de presentar avances tangibles, lo que los empuja a contratar soluciones preempaquetadas en lugar de emprender la tarea ingrata, costosa y necesaria de sanear sus arquitecturas. Es una estrategia que brilla en las diapositivas de una presentación trimestral, pero que está carcomiendo los márgenes operativos de largo plazo.
Se estima que a nivel global las empresas desperdician 1.5 billones de dólares anuales manteniendo software obsoleto. Al sumar la capa de complejidad de los LLMs, esta cifra no hará más que escalar. La ingeniería de software de calidad ha sido desplazada por una integración de APIs superficial, ignorando que la fragilidad estructural que estamos creando es una bomba de tiempo. El mercado ya lo sospecha, pero nadie quiere reconocer el riesgo sistémico en las llamadas de resultados.
La resaca de la IA
Si la IA fuera, en efecto, el habilitador de productividad que prometen los folletos de ventas, el costo de esa IA debería ser inversamente proporcional al costo de mantenimiento del software existente. Actualmente, el costo aumenta en ambas direcciones. Las organizaciones están atrapadas en una espiral de deuda técnica impagable.
Si me preguntan, para finales de 2026 veremos una oleada de desmantelamiento de sistemas de IA. La presión de una contracción económica o una crisis de liquidez forzará a las empresas a recortar lo que no genera un ROI claro. Cuando llegue el momento de auditar qué herramientas son prescindibles, la IA será la primera en desaparecer de los presupuestos, dejando a las empresas con sistemas aún más pesados y complejos por todos los parches añadidos para alimentar a esos modelos fallidos.
La solución no es comprar más modelos; es volver a la ingeniería de software disciplinada y aburrida. Modernizar la infraestructura y priorizar la gobernanza de datos no es una estrategia de marketing seductora, pero es el único camino hacia una rentabilidad real. Quien no comprenda que la IA es una capa que requiere un cimiento sólido, terminará siendo víctima de su propia urgencia por parecer moderna.
