Fernando Pérez Lizano — Director Académico Adjunto y Director del Programa Internacional de Inteligencia Artificial, PAD – Escuela de Dirección (Universidad de Piura)

Ciento treinta de miles

De los miles de proveedores que hoy se presentan en el mercado como fabricantes de agentes de inteligencia artificial, Gartner estima que solo unos ciento treinta lo son verdaderamente. Al resto le atribuye una práctica que describe con precisión incómoda: cambiar la etiqueta de un asistente o de un programa de conversación que ya existía y volver a ofrecerlo como agente (Gartner, 2025). Conviene tener ese dato a la vista frente a los mapas del ecosistema que circulan en las redes profesionales, con sus diez familias tecnológicas y sus decenas de logotipos en abanico. Buena parte de ese mapa no describe una arquitectura: describe una campaña comercial.

La escena que sigue me resulta familiar. Llega al directorio una propuesta de plataforma de inteligencia artificial, con proveedores, cronograma y presupuesto. La presentación es impecable. Entonces alguien formula la única pregunta que importa: cuando esto esté terminado, ¿qué podrá hacer el negocio que hoy no puede? Y se produce un silencio. Durante años atribuí ese silencio a una falla de comunicación del área técnica. Me equivocaba: la conversación había empezado por las herramientas y nunca llegó a las decisiones.

Hay, además, un elemento que le pone fecha a la pregunta. Desde el 22 de enero de 2026 rige en el Perú el Reglamento de la Ley N.° 31814 (Congreso de la República del Perú, 2023), y para las empresas que operan en economía y finanzas, salud, educación, justicia y seguridad las obligaciones son exigibles desde el 10 de setiembre de 2026 (Presidencia del Consejo de Ministros, 2025). La pregunta ya no es solo de estrategia. Tiene plazo.

De un catálogo de herramientas a una pila de capacidades

Un directorio no decide entre dos bases de datos vectoriales. Decide sobre dependencia, riesgo y capacidad acumulada. El mapa por familias tecnológicas, además de efímero, es la herramienta equivocada para la mesa: buena parte de esos nombres habrá cambiado de dueño antes de que el proyecto opere.

El ordenamiento que sí sirve no es por familia tecnológica sino por irreversibilidad. Mientras más difícil sea comprar una capa, más lento construirla y más costoso corregirla, más arriba debe estar en la agenda del directorio. Con ese criterio, el ecosistema completo se reduce a cinco niveles: datos gobernados, conexión al conocimiento propio, acción autónoma, control y evidencia, y finalmente las capas sustituibles. La tabla 1 muestra qué componentes del ecosistema caen en cada nivel y qué capacidad exige cada uno.

Ese orden produce una conclusión contraria al sentido común dominante: la capa que casi todas las empresas contratan primero —el modelo— es la única verdaderamente sustituible. Cambiarla es hoy un proyecto acotado y reversible. Construir un catálogo de fuentes con dueño asignado y clasificación de sensibilidad toma años y no se puede contratar.

Entre esas capas hay una que merece nombrarse con precisión. El protocolo de contexto de modelo (MCP, por sus siglas en inglés) es la especificación abierta que permite conectar modelos y agentes con los sistemas de una organización sin construir una integración a medida por cada par. En diciembre de 2025 dejó de pertenecer a su creador: fue donada a la Agentic AI Foundation, alojada en la Linux Foundation, con Amazon Web Services, Google, Microsoft y OpenAI entre sus miembros fundadores (Linux Foundation, 2025). Dejó de ser el protocolo de un proveedor para volverse infraestructura neutral, y ese cambio de gobierno es lo que la convierte en capa estructural y no en apuesta.

Tabla 1

El ecosistema de inteligencia artificial ordenado por prioridad directiva

Nota. El orden responde al grado de irreversibilidad de cada capa, no a la secuencia de implantación. Una misma familia tecnológica puede aparecer en dos niveles: la técnica de recuperación aumentada es estructural, mientras que el motor de base de datos que la soporta es sustituible. Elaboración propia.

Qué puede hacer hoy el negocio

Por qué fracasa la mayoría

Vale la pena mirar los datos de frente, con sus limitaciones. El informe The GenAI Divide, del Media Lab del Instituto Tecnológico de Massachusetts (2025), sostuvo que el 95 % de las iniciativas empresariales de inteligencia artificial generativa no había producido efecto medible en el estado de resultados, y que solo el 5 % de los desarrollos a medida llegaba a producción. La cifra ha sido cuestionada por el tamaño de la muestra y no la doy por establecida. Pero el patrón coincide con una previsión independiente: Gartner estima que más del 40 % de los proyectos de agentes será cancelado antes de terminar 2027, por costos crecientes, valor de negocio poco claro y controles de riesgo insuficientes (Gartner, 2025). En ninguna de las dos listas de causas figura la capacidad del modelo.

Sería un error leer esos números como argumento para no hacer nada. La misma consultora que anticipa la cancelación de cuatro de cada diez proyectos proyecta que hacia 2028 al menos el 15 % de las decisiones cotidianas de trabajo se tomará de forma autónoma, cuando en 2024 era prácticamente cero, y que un tercio de las aplicaciones empresariales incorporará agentes (Gartner, 2025). Las dos afirmaciones son compatibles y juntas dicen algo preciso: la tecnología va a llegar, y la cartera actual de proyectos no va a sobrevivir para recibirla. El problema no es de conveniencia. Es de orden.

Descartado el modelo como explicación, la pregunta del directorio se vuelve manejable. Admite hoy dos usos con valor demostrable y una condición sin la cual ninguno de los dos sobrevive.

Responder con conocimiento propio

Es el uso con valor medible en el corto plazo: que un sistema responda apoyándose en la documentación, los contratos y el historial de la propia empresa, y no en el conocimiento general del modelo. Habilita mesas de ayuda internas, respuesta a licitaciones, consulta normativa y soporte comercial, y descansa sobre los niveles 1 y 2. Su límite no es tecnológico: si la documentación está dispersa, desactualizada o sin dueño, el sistema responde con esa misma dispersión, ahora revestida de autoridad.

Ejecutar procesos completos

Aquí aparece la promesa de productividad y también el riesgo nuevo. Un agente no solo responde: consulta un sistema, calcula, decide y ejecuta. Y surge una distinción que la mesa necesita entender: el protocolo define cómo se conecta el agente a los sistemas, pero no qué está autorizado a hacer con ellos. Ese modelo de autorización lo construye cada empresa. No viene incluido.

La condición: sostenerlo bajo control

Supone saber qué hizo el sistema, con qué información y por qué, fijar límites de comportamiento y conservar el rastro de cada actuación. No es un uso: es lo que separa una prueba que impresiona de una operación que dura. Sin esta capa, lo que funciona en la prueba no escala; se detiene el día en que alguien pregunta quién autorizó una decisión determinada.

El mecanismo es simple y por eso se subestima. Conectar una fuente que ya tiene responsable, formato definido y control de acceso es tarea de días; conectar una fuente dispersa es un proyecto, y hay que repetirlo con cada fuente. La empresa ordenada enfrenta un costo marginal decreciente, porque cada conexión reutiliza el trabajo previo; la desordenada, uno constante. Con la misma inversión y las mismas herramientas, una acumula capacidad y la otra acumula proyectos.

De ahí se sigue la conclusión que más incomoda en un directorio: la inteligencia artificial no nivela el terreno competitivo, lo inclina. Amplifica la diferencia que ya existía en disciplina de información. Y esa diferencia se decidió, o se dejó de decidir, hace cinco años.

Cinco errores que se repiten en la mesa

El primero es empezar por la capa sustituible. Es comprensible: el modelo tiene demostración visible, impresiona en un comité y se puede firmar el lunes. También es lo que menos determina el resultado.

El segundo es comprar la etiqueta. Con unos ciento treinta proveedores reales entre los miles que se presentan como tales, la diligencia debida deja de ser un trámite del área de compras y pasa a ser una pregunta de directorio: qué hace exactamente este producto que no hacía el que ya teníamos.

El tercero es confundir una prueba piloto exitosa con una plataforma gobernada. Construir una demostración es sencillo; sostenerla en operación, con trazabilidad, control de accesos y evidencia auditable, es un problema de otra naturaleza. Sculley et al. (2015) mostraron hace más de una década que en los sistemas de aprendizaje automático el código del modelo es una fracción menor del total, y que la deuda técnica se acumula en el resto: integración, información, configuración y monitoreo.

El cuarto es delegar al área técnica los límites de la acción autónoma. Hasta qué monto puede aprobar un sistema sin intervención humana, o qué actuaciones exigen doble validación, no es decisión de arquitectura: es de control interno y corresponde al directorio. El Reglamento peruano lo formula sin ambigüedad: para los sistemas de riesgo alto exige supervisión humana a cargo de personal capacitado y con autoridad efectiva para detener, corregir o invalidar la decisión del sistema (Presidencia del Consejo de Ministros, 2025).

El quinto es tratar la fragmentación tecnológica como un problema de sistemas. Cada capa incorporada es un contrato, una superficie de exposición, un punto de falla y un proveedor que puede ser adquirido. La suma de decisiones razonables tomadas por separado produce una arquitectura que nadie gobierna.

Una hoja de ruta ordenada por capacidad

La secuencia que propongo no está organizada por producto sino por la capacidad que cada etapa deja instalada.

Primeros noventa días: saber qué se tiene. Inventario de las fuentes que alimentarían cualquier iniciativa, con tres atributos cada una: responsable, nivel de sensibilidad y estado de actualización. Es la tarea menos atractiva de la lista y la que más determina el resto.

Primeros seis meses: un caso con resultado medible. Uno solo, de respuesta con conocimiento propio, elegido por volumen y no por visibilidad, con un indicador definido antes de empezar. Un proceso que se repite miles de veces al mes produce evidencia en semanas; uno emblemático pero infrecuente produce una demostración vistosa y ningún dato. La tentación va en dirección contraria: se prefiere el caso que se puede contar en una junta antes que el que se puede medir en un estado de resultados.

Primeros doce meses: el marco de autorización. Antes de habilitar cualquier acción autónoma, definir por escrito qué puede ejecutar un agente, con qué límite, con qué registro y quién responde. Ese documento debe existir antes del primer agente, no después del primer incidente.

En paralelo, criterio de compra y de salida para la capa sustituible: qué tan difícil sería reemplazar cada componente, dónde queda la información si el proveedor desaparece y qué parte de esa funcionalidad podría absorber la infraestructura que la organización ya tiene.

La objeción previsible es razonable: si ordenar la información toma años, ¿hay que esperar años? No. Las etapas corren en paralelo; el inventario del primer trimestre no bloquea el caso del primer semestre, lo delimita. Lo que hay que evitar es el orden inverso, el habitual: comprometer presupuesto plurianual en capas sustituibles antes de saber qué información se tiene. Y no decidir también es una decisión: la asimetría opera igual, a favor del competidor que sí ordenó su casa.

Calendario de exigibilidad en el Perú

Economía y finanzas, salud, educación, justicia y seguridad: 10 de setiembre de 2026. Transporte, comercio y trabajo: 10 de setiembre de 2027. Producción, agricultura, energía y minería: 10 de setiembre de 2028. Los demás usos: 10 de setiembre de 2029 (Presidencia del Consejo de Ministros, 2025).

Referentes internacionales y una advertencia

Ninguna empresa necesita inventar su marco de gobierno. La norma ISO/IEC 42001, publicada en 2023, es el primer estándar internacional certificable para un sistema de gestión de inteligencia artificial y sigue la lógica de planificar, hacer, verificar y actuar, familiar para cualquier organización con ISO 9001 o ISO 27001 implantadas. Y ya existe su versión nacional: el Instituto Nacional de Calidad aprobó en julio de 2025 la NTP-ISO/IEC 42001:2025 (Diario Oficial El Peruano, 2025).

El marco del Instituto Nacional de Normas y Tecnología de los Estados Unidos organiza el trabajo en cuatro funciones —gobernar, mapear, medir y gestionar— y funciona bien como diagnóstico inicial (National Institute of Standards and Technology, 2023). El Reglamento europeo, en cambio, es obligatorio y exige a los sistemas de riesgo alto documentación técnica y vigilancia posterior a la comercialización (Parlamento Europeo y Consejo de la Unión Europea, 2024). Su relevancia aquí es indirecta pero real: define el estándar que pedirán clientes y compradores europeos.

La lectura de conjunto es incómoda. En el papel el Perú no está rezagado: tiene ley, reglamento y norma técnica nacional, y llegó antes que la mayoría de sus vecinos. Pero los tres marcos comparten un supuesto que aquí casi nunca se cumple: que la organización sabe qué información tiene y qué hacen sus sistemas. Sin esa capacidad instalada, la certificación documenta un sistema de gestión que no existe. El riesgo peruano no es quedarse sin norma. Es cumplirla en el papel y no tener nada debajo.

Reflexiones finales

Vuelvo a la pregunta del título. Lo que el negocio puede hacer hoy con inteligencia artificial no depende del modelo que contrate ni del número de capas que implemente. Depende de la disciplina de información que acumuló antes de que la conversación empezara, de si tiene identificado al dueño de cada fuente y de si se atreve a poner por escrito los límites de un sistema que actúa solo.

Esa conversación es menos inspiradora que la del catálogo de herramientas. También es la única que produce resultados capaces de sobrevivir al cambio de proveedor, al cambio de gerencia y al cambio de moda tecnológica.

De los miles de proveedores del mapa, unos ciento treinta son reales. De las cinco capas, cuatro son decisión del directorio. Y de todas las preguntas posibles, una sola importa, y no ha cambiado.

Ideas fuerza

●   El mapa de proveedores no es una arquitectura: cuando la mayoría de quienes ofrecen agentes no fabrican agentes, elegir por catálogo es elegir por publicidad.

●       El ecosistema se ordena por irreversibilidad, no por familia tecnológica; y con ese criterio la capa que casi todas las empresas contratan primero, el modelo, resulta ser la única verdaderamente sustituible.

●       Ni el informe del Media Lab ni la previsión de Gartner atribuyen los fracasos a la capacidad del modelo, sino a costo, valor de negocio y control. Y esa misma previsión anticipa que un tercio de las aplicaciones empresariales incorporará agentes hacia 2028: el problema no es de conveniencia, es de orden.

●       El protocolo define cómo se conecta un agente a los sistemas de la empresa, pero no qué está autorizado a hacer con ellos. Ese marco de autorización es una decisión de control interno.

●       Estas herramientas no nivelan el terreno competitivo: amplifican la diferencia previa en disciplina de información, por la vía del costo marginal de cada nueva conexión.

Preguntas al directorio

Las siguientes preguntas no buscan evaluar la propuesta tecnológica que llegue a la mesa, sino la capacidad de la organización para sostenerla.

1. ¿Sabemos cuántas fuentes de información alimentarían nuestras iniciativas de inteligencia artificial y quién responde por cada una?

2. ¿Podemos nombrar un solo caso en operación con un indicador de negocio medido antes y después?

3. De los proveedores que estamos evaluando, ¿cuáles hacen algo que el sistema que ya tenemos no hacía?

4. ¿Existe un documento aprobado que establezca qué puede ejecutar un sistema autónomo sin intervención humana y hasta qué límite?

5. ¿Quién en esta empresa tiene autoridad efectiva para detener, corregir o invalidar la decisión de un sistema, y está capacitado para ejercerla?

6. Si mañana desapareciera nuestro proveedor de modelo, ¿cuánto tardaríamos en reemplazarlo y qué información quedaría fuera de nuestro control?

7. ¿En qué fecha nos resulta exigible el Reglamento y qué nos falta para llegar preparados?

Referencias

Congreso de la República del Perú. (2023, 5 de julio). Ley N.° 31814, Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país. Diario Oficial El Peruano. https://leyes.congreso.gob.pe/Documentos/2021_2026/ADLP/Texto_Consolidado/31814-TXM.pdf

Diario Oficial El Peruano. (2025). Norma técnica para la IA. https://elperuano.pe/noticia/274336-norma-tecnica-para-la-ia

Gartner. (2025, 25 de junio). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Nota de prensa]. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

Linux Foundation. (2025, 9 de diciembre). Linux Foundation announces the formation of the Agentic AI Foundation (AAIF), anchored by new project contributions including Model Context Protocol (MCP), goose and AGENTS.md [Nota de prensa]. https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation

Media Lab del Instituto Tecnológico de Massachusetts. (2025). The GenAI divide: State of AI in business 2025 [Informe del Project NANDA].

National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). U.S. Department of Commerce.

Parlamento Europeo y Consejo de la Unión Europea. (2024, 13 de junio). Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. http://data.europa.eu/eli/reg/2024/1689/oj

Presidencia del Consejo de Ministros. (2025, 9 de setiembre). Decreto Supremo N.° 115-2025-PCM, que aprueba el Reglamento de la Ley N.° 31814. Diario Oficial El Peruano. https://www.gob.pe/institucion/pcm/normas-legales/7133522-115-2025-pcm

Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems, 28, 2503–2511.