En términos generales, ¿qué percepción tiene sobre el papel de la IA en las empresas en la actualidad?

La inteligencia artificial ya ha superado esa fase inicial de curiosidad. Muchas organizaciones, después de esas primeras pruebas, han identificado qué funciona y qué no, y han pasado a una conversación más seria: cómo integrar realmente la inteligencia artificial en sus procesos, cómo llevarla a producción, cómo medir los resultados y cómo evitar acabar con un conjunto de iniciativas aisladas, desconectadas entre sí.

La inteligencia artificial está dejando de ser solo una herramienta tecnológica para convertirse en una capacidad de negocio. Ayuda, por supuesto, a automatizar tareas, a tomar mejores decisiones, a reducir tiempos dentro de los procesos existentes y a sacar a la luz conocimiento que ya está dentro de la organización, facilitando un mejor acceso a él.

A menudo se piensa que la inteligencia artificial consiste básicamente en modelos, pero no basta con tener buenos modelos. Se habla mucho de ello, y las grandes compañías del sector (OpenAI, Anthropic, Google y otras) están lanzando modelos cada vez más avanzados en plazos muy cortos. Sin embargo, lo importante es cómo se les saca partido y cómo se establecen las condiciones adecuadas para utilizarlos bien.

Eso nos lleva a una fase previa: tener los datos preparados, una arquitectura adecuada, seguridad y una buena gobernanza de estas aplicaciones. Quienes llevamos muchos años trabajando en inteligencia artificial y datos venimos insistiendo en ello desde antes de ChatGPT. Podríamos hablar casi de una etapa pre-ChatGPT y otra post-ChatGPT. Las empresas que en su día no tuvieron en cuenta ciertos parámetros ahora están intentando ponerse al día con rapidez.

El resultado es que todos estamos inmersos en una carrera por adoptar la inteligencia artificial. El problema es que esa adopción será desigual en función del grado de madurez de cada organización. Creo que irán por delante aquellas empresas que entiendan que esto no va simplemente de comprar herramientas, sino de transformar realmente la forma en que trabajan por dentro.

¿Qué oportunidades y riesgos considera que debemos vigilar?

Las oportunidades y los riesgos van relacionados estrechamente. En general, la oportunidad es enorme, ya que la inteligencia artificial está acercando la tecnología al problema real. Pero, precisamente por eso, también nos acerca al riesgo.

Durante muchos años, cuando una empresa quería adoptar tecnología, lo habitual era que el área de IT se encargase de todo y marcase los tiempos. Ahora esa secuencia empieza a romperse. Hoy es el negocio quien prueba las herramientas, quien empieza a hacer sus primeros avances con automatizaciones y quien busca resultados por su cuenta, sin esperar necesariamente a que IT lidere todo el proceso.

Y tiene sentido, porque al final el negocio es quien conoce al cliente. La inteligencia artificial está acercando la tecnología al proceso y al cliente, y también está abriendo la puerta a nuevos servicios y formas de operar que antes ni siquiera se podían plantear. No hablamos solo de hacer más eficiente lo de siempre, sino de crear capacidades nuevas: generar nuevas líneas de negocio, nuevas funcionalidades o nuevas capacidades dentro de la empresa. Eso permite crecer desde muchos puntos de vista.

Si nos vamos al riesgo, y entrando en un poco más de detalle, toda esta velocidad y el hecho de que cada área de negocio pueda hacer un poco la guerra por su cuenta produce fragmentación. Es algo que ya hemos visto en estos primeros años. Empiezan a utilizarse herramientas distintas para hacer lo mismo, los datos se mueven sin demasiado control y cada equipo acaba desarrollando o adoptando sus propias soluciones.
Esto es especialmente importante porque el RGPD sigue siendo de obligado cumplimiento. A este fenómeno solemos llamarlo Shadow AI, muy similar al concepto de Shadow IT que conocemos desde hace años.

El Shadow AI no es solo un riesgo de seguridad, que también lo es, sino una señal. Cuando los equipos recurren a sus propias herramientas, lo que están diciendo es que existe una necesidad real dentro de la empresa que todavía no se ha sabido canalizar ni orquestar adecuadamente.

El problema no es que el negocio quiera utilizar inteligencia artificial, sino que lo haga sin un marco que le permita hacerlo de manera adecuada. Ahí es donde debemos introducir un proceso para mitigar estos riesgos. Un gobierno práctico, no excesivamente restrictivo, porque si gobernamos demasiado también corremos el riesgo de frenar la innovación. No queremos poner un freno ni centralizarlo todo, sino establecer una serie de reglas para que cada equipo pueda utilizar la inteligencia artificial con cierta autonomía, pero también con seguridad, responsabilidad y control.

Por último, hay otro riesgo del que se habla mucho: el coste real de las operaciones. Esto está muy relacionado con el coste de los tokens. Aunque el precio de los tokens tiende a bajar con el tiempo, los nuevos modelos y la creciente complejidad de las aplicaciones de inteligencia artificial hacen que el consumo aumente. Los agentes son cada vez más complejos, necesitan más tokens y, en algunos casos, eso provoca que los costes suban.

Por eso también debemos vigilar la orquestación de los agentes, la selección y combinación de modelos, la integración, la monitorización y el soporte. Al final, la eficiencia en costes no puede analizarse mirando únicamente una tarea concreta, sino observando el proceso completo. Ese es otro de los grandes riesgos: el coste real de los agentes y de los sistemas de inteligencia artificial en producción.

¿Cómo describiría el papel de la inteligencia artificial en la evolución reciente de Izertis? 

En Izertis, como ha ocurrido en muchas compañías, partíamos de un área específica de data e inteligencia artificial, centrada principalmente en operaciones y en la prestación de servicios al cliente.

Sin embargo, con la aparición del Shadow AI y el uso creciente de estas herramientas por parte de distintos departamentos, vimos que el impacto de la inteligencia artificial debía ir mucho más allá. Por eso hemos decidido adoptarla como una capacidad transversal dentro de la compañía.

No obstante, mantenemos el área de data e IA orientada a clientes, junto con otras áreas que ofrecen servicios basados en inteligencia artificial. Pero internamente hemos querido plantearla desde una visión más amplia, capaz de influir en cómo desarrollamos software, cómo abordamos la ciberseguridad, cómo diseñamos soluciones cloud e infraestructuras, cómo planteamos la consultoría y cómo mejoramos nuestros propios procesos.

La inteligencia artificial también tiene un impacto directo en la experiencia de clientes y empleados. Para que un proyecto de IA genere valor real, no basta con disponer de un modelo. Es necesario contar con un gobierno adecuado de los datos, algo que en Izertis consideramos fundamental. Gobernar las aplicaciones implica gobernar también la seguridad, la integración, los permisos, la trazabilidad y la formación de los equipos.

En este sentido, damos mucha importancia a ser nuestro propio “cliente cero”: probar internamente aquello que después ofrecemos al mercado. Las capacidades que incorporamos a nuestro offering han sido previamente trabajadas dentro de la compañía, tanto en desarrollo como en estándares, gobierno y metodología.

Además, somos la primera consultora tecnológica de España certificada en la ISO 42001. Esto permite que cada proyecto nazca con un marco de gobierno, control y trazabilidad.

La evolución está precisamente ahí: en dejar de hablar de la inteligencia artificial solo como una tecnología y empezar a utilizarla como una forma gobernada de construir, operar y generar valor, tanto para los clientes como dentro de la propia organización.

En su propuesta Data & IA señalan que hacen que los datos trabajen por el negocio. ¿Cuál es la mayor diferencia entre una empresa que usa IA de forma puntual y otra que ha integrado la IA en su manera de decidir y operar?

La diferencia es profunda. Una empresa que utiliza inteligencia artificial de forma puntual puede tener un asistente en un área, una automatización en otra, un modelo para un caso concreto o una prueba piloto que ha funcionado bien. Todo eso aporta valor, especialmente en las primeras fases de exploración, pero si cada iniciativa nace de manera aislada, el impacto se queda corto y resulta difícil escalarlo.

Para que la IA genere valor real, primero hay que ordenar ese esfuerzo. En muchas organizaciones vemos áreas o equipos que duplican proyectos, desarrollando soluciones que ya existen en otra parte de la compañía. En lugar de unir fuerzas y construir iniciativas más sólidas, con más conocimiento detrás y mayor capacidad de impacto, se trabaja de forma fragmentada.

También es importante compartir lo que funciona. Si un equipo desarrolla una solución útil, probablemente haya otras áreas que puedan aprovecharla. Esa capacidad de reutilizar, escalar y conectar iniciativas marca una diferencia importante.

Cuando una empresa integra la inteligencia artificial en su forma de operar y decidir, deja de preguntarse únicamente qué herramienta debe utilizar. Empieza a preguntarse dónde tiene sentido aplicarla, qué datos necesita, qué riesgos implica y cómo puede incorporarla de forma segura, gobernada y alineada con el negocio.

La IA puntual ayuda a mejorar tareas concretas. La IA integrada transforma capacidades. Esa es, probablemente, la diferencia esencial.

Izertis habla de IA360 como marco para orquestar la IA con gobierno, datos y procesos para escalarla con control y valor real. ¿Qué significa, en la práctica, pasar de proyectos aislados a una estrategia IA360 para un cliente?

IA360 es la forma en la que ordenamos la inteligencia artificial dentro de la organización del cliente, evitando abordarla caso a caso o mediante iniciativas aisladas. El concepto responde precisamente a esa visión integral: cubrir las distintas dimensiones que necesita el negocio para que la inteligencia artificial genere valor real y no se quede en piezas sueltas.

En la práctica, significa ordenar el salto de la experimentación a la industrialización. Muchas compañías han empezado con pilotos, asistentes conversacionales, automatizaciones o casos de uso básicos, pero sin una arquitectura común que permita trabajar de forma homogénea, escalar las soluciones y facilitar que los equipos compartan conocimiento y metodología.

IA360 ayuda a construir esa estructura. Permite alinear los objetivos del negocio con las capacidades tecnológicas, los datos, los modelos, la seguridad y el gobierno. Para ello, trabajamos por capas.

La primera capa es el modelo operativo, que define para qué se va a utilizar la inteligencia artificial, con qué objetivos, bajo qué gobierno y con qué responsabilidades. Cualquier sistema de IA dentro de una empresa debe tener un responsable identificado; de lo contrario, resulta difícil gestionarlo.

La segunda capa es el núcleo tecnológico y de datos. Sin una tecnología adecuada, datos fiables y una arquitectura preparada, la inteligencia artificial difícilmente funcionará bien ni podrá escalarse con garantías.

La tercera capa es la de decisión y agentes. En este punto, la IA empieza a recomendar, automatizar procesos y actuar con distintos grados de autonomía, siempre dentro de un marco de control.
La última capa es la experiencia, ya sea del cliente, del empleado o, en el caso de la Administración pública, del ciudadano. Ahí es donde se percibe realmente el impacto de la inteligencia artificial.

En definitiva, IA360 responde a tres preguntas clave: por dónde empezamos, cómo llevamos la inteligencia artificial a producción y quién la mantiene después. Si una organización no responde bien a esas cuestiones, lo más probable es que siga acumulando pilotos, pero no consiga una verdadera industrialización de la IA.

¿En qué tipos de procesos empresariales están viendo más impacto de la inteligencia artificial?

Donde más impacto estamos viendo es en los procesos en los que coinciden tres elementos: mucho volumen de datos o transacciones, mucha repetición y conocimiento disperso. No son problemas nuevos; las empresas llevan años conviviendo con ellos. La diferencia es que ahora contamos con herramientas mejores para gestionarlos.

Hablamos de procesos en los que las personas dedican muchas horas a buscar información, validar datos, generar documentación, gestionar solicitudes de atención al cliente o coordinar decisiones entre equipos. Muchas tareas del día a día pueden beneficiarse de la inteligencia artificial.

Uno de los primeros ámbitos donde vemos impacto es la productividad interna. Aquí entran los agentes de conocimiento y los agentes inteligentes, capaces de resumir documentos, mejorar las búsquedas o dar soporte a un equipo comercial en la preparación de una propuesta, por ejemplo.

Muchas empresas tienen una gran cantidad de conocimiento, documentación y procesos repartidos en distintos sistemas. Acceder a toda esa información y obtener una respuesta global a una pregunta era muy difícil con herramientas tradicionales. Con la nueva generación de IA, ese acceso al conocimiento se vuelve mucho más ágil y útil.

El segundo ámbito es la automatización de procesos operativos, especialmente en gestión documental, gestión de expedientes, validación de siniestros, procesos de back office o tareas administrativas. Cuando se combina la IA con la automatización y se integra en los procesos de negocio, se reducen tiempos, disminuyen errores y se libera a los equipos para que puedan centrarse en tareas de mayor valor.

También estamos viendo impacto en la toma de decisiones. Aquí entra una inteligencia artificial más tradicional, vinculada a la analítica predictiva, los modelos de riesgo, la detección de fraude en transacciones bancarias o la detección de anomalías. Este tipo de modelos —más cercanos al machine learning clásico o a los árboles de decisión— siguen siendo muy relevantes y permiten incorporar inteligencia en los flujos de trabajo.

Si pensamos en los clientes de más volumen de Izertis, ¿cuáles serían hoy los tres casos de uso de IA más demandados y qué problemas concretos ayudan a resolver?

Más que establecer un ranking cerrado, porque depende mucho del sector y del nivel de madurez de cada cliente, podemos hablar de tres tipos de proyectos que se repiten en la mayoría de los contextos.

El primero, y probablemente el más demandado en este momento, son los asistentes y agentes que trabajan sobre el conocimiento corporativo. Muchas organizaciones tienen un problema común: el conocimiento existe, pero está disperso en distintos sistemas, personas, carpetas y aplicaciones.

Mediante tecnologías como RAG, asistentes conversacionales o agentes de datos, es posible formular preguntas en lenguaje natural que consultan distintas fuentes, identifican la información relevante y devuelven una respuesta útil. Esto ahorra mucho tiempo de búsqueda y permite aprovechar mejor un conocimiento que, hasta ahora, estaba poco accesible por la dispersión de los datos y la falta de preparación de muchas organizaciones.

El segundo caso de uso es la automatización de procesos cercanos a la operación. Hablamos de procesos internos, solicitudes, expedientes, validación de documentos o siniestros en el sector asegurador, entre otros ejemplos.

Aquí la inteligencia artificial no solo ejecuta tareas, sino que ayuda a orquestar el proceso: entiende qué pasos deben darse, qué información necesita, dónde pueden producirse errores, cómo detectarlos y con qué sistemas debe conectarse para obtener los datos necesarios. Son proyectos más complejos que los asistentes de conocimiento, pero se están convirtiendo en una de las grandes demandas actuales.

El tercer ámbito es la inteligencia aplicada a la toma de decisiones y a la detección de riesgos. En sectores como banca, seguros, industria o retail, la IA permite anticipar comportamientos, detectar anomalías o identificar riesgos antes de que se materialicen.

Puede servir, por ejemplo, para recomendar productos en una tienda online, detectar una transacción fraudulenta o apoyar el diagnóstico médico. En algunos casos, la IA puede actuar de forma automática; en otros, su papel es reforzar el criterio de la persona experta, no sustituirlo. En los procesos más críticos, sigue siendo fundamental que haya una validación humana que reduzca errores y aporte confianza.

Con Financial Tech Solutions la compañía pone el foco en sectores como banca y seguros que combina consultoría, arquitectura, analítica e IA, y operación gestionada. ¿Qué diferencia tiene desarrollar IA para banca y seguros frente a sectores menos regulados?

La principal diferencia está en el riesgo asociado a este tipo de operaciones. En banca y seguros hablamos de sistemas que pueden intervenir en procesos especialmente sensibles: el scoring automatizado de un crédito, el análisis de riesgos, la detección de fraude o la segmentación de clientes, entre otros.

En estos casos, la transparencia y la trazabilidad son fundamentales. Si un sistema participa en la decisión de conceder o no una hipoteca, por ejemplo, la entidad debe poder explicar al cliente por qué se ha tomado esa decisión. No basta con que el modelo funcione; hay que demostrar cómo se ha diseñado, qué datos utiliza, quién lo supervisa, por qué ofrece una respuesta determinada, qué ocurre si se desvía y qué controles existen cuando se equivoca.

Esto introduce un riesgo operativo, pero también regulatorio y reputacional. Son entornos mucho más regulados, donde los sistemas de inteligencia artificial no pueden desligarse de los marcos de control y gestión del riesgo.

Por eso, el gobierno tiene un peso especialmente importante. Es necesario contar con un inventario claro de los modelos utilizados, una clasificación de sistemas y aplicaciones según su nivel de riesgo, una supervisión continua y mecanismos que permitan detectar si los modelos se degradan con el tiempo. Esto puede ocurrir porque cambian las tendencias, los datos o el comportamiento de las personas, y los modelos deben adaptarse sin perder fiabilidad ni control.

En este contexto, el AI Act marca también un marco relevante para ordenar el desarrollo y uso de la inteligencia artificial en función del nivel de riesgo. Para Izertis, esta especificidad explica la importancia de contar con una división como Financial Tech Solutions, capaz de combinar conocimiento técnico, experiencia sectorial, consultoría, arquitectura, analítica, ciberseguridad y QA.

En banca y seguros se ve con especial claridad que la ventaja competitiva ya no está solo en adoptar la inteligencia artificial más rápido, sino en gobernarla mejor. En estos sectores, las prisas no son buenas consejeras.

Sigue en directo la cotización de Izertis

Desde su experiencia, ¿cuáles son los principales riesgos éticos y sociales que debemos tener en cuenta en este proceso?

Podemos agruparlos en tres grandes categorías.

La primera tiene que ver con las decisiones automatizadas, especialmente cuando no cuentan con el control adecuado. Cuando un sistema influye en decisiones que afectan directamente a las personas —la concesión de un crédito, la contratación de un seguro, el acceso a un empleo o cuestiones relacionadas con la salud—, el riesgo deja de ser únicamente técnico.

Puede haber sesgos en los datos, un problema del que se hablaba mucho hace unos años y que sigue plenamente vigente. Cualquier conjunto de datos utilizado para entrenar un modelo, incluidos los de los grandes modelos de IA, puede incorporar sesgos procedentes de las propias personas o de los criterios con los que se ha construido. También pueden definirse mal determinadas reglas o decisiones, y después resultar difícil revisarlas.

En este contexto, la intervención humana no debe entenderse como un simple trámite de cumplimiento, sino como una decisión responsable por parte de las empresas y una garantía de calidad.

La segunda categoría es la opacidad y la falta de rendición de cuentas. Si una organización no sabe explicar qué datos se han utilizado, qué versión del modelo ha dado una respuesta, qué reglas se han aplicado o quién aprobó el sistema, se pierde capacidad de control.

La pregunta clave es quién responde cuando algo falla. Si no existe un responsable claro, no hay rendición de cuentas ni capacidad real de mejora. La trazabilidad permite entender qué ha ocurrido, mientras que la existencia de un responsable permite corregir, aprender y aplicar una mejora continua.

La tercera categoría es más social y organizativa. La inteligencia artificial está cambiando tareas, roles y formas de trabajar. El riesgo no está tanto en automatizar determinadas tareas, porque eso puede liberar tiempo para actividades de mayor valor, sino en que se abra una brecha entre quienes incorporan la IA con criterio, objetivos claros y una estrategia ordenada, y quienes lo hacen sin planificación.

Por eso son tan importantes la formación, el reskilling y una adecuada gestión del cambio. Estos elementos son tan relevantes como la propia tecnología. Hay proyectos técnicamente muy sólidos que no generan impacto porque no se acompañan de una buena adopción, una formación adecuada o una gestión del cambio eficaz.

El hilo común de todos estos riesgos es claro: la inteligencia artificial no es responsable por sí sola. Somos las personas y las organizaciones quienes debemos hacerla responsable, diseñándola bien, gobernándola, supervisándola y asignando responsabilidades claras.

Izertis cuenta con la certificación de AENOR de Sistema de Gestión de la Inteligencia Artificial según la norma UNE‑ISO/IEC 42001, algo todavía muy poco común en el mercado. ¿Qué exige en la práctica esta certificación y qué garantías ofrece a sus clientes en términos de control de riesgos, trazabilidad y uso responsable de la IA?

La ISO 42001 es muy importante porque lleva la inteligencia artificial al terreno de los sistemas de gestión. Seguimos hablando de software. La inteligencia artificial es un tipo de software muy especial, basado en algoritmos más especializados y, en muchos casos, probabilísticos, que no siempre ofrecen el mismo resultado ante una misma entrada.

Hay que saber vivir con ello, porque la inteligencia artificial tiene sus propios errores, pero al final es el corazón de aplicaciones que hemos venido utilizando toda la vida. Un sistema de detección de transacciones fraudulentas, por ejemplo, puede basarse en reglas establecidas de forma manual o en un modelo de inteligencia artificial capaz de identificarlas. Eso no cambia el hecho de que seguimos teniendo una aplicación de software.

Por eso es muy importante entender que seguimos hablando de gestión. Tenemos que gestionarlo como software: con procesos, responsables, controles…

En la práctica, como ocurre con este tipo de normas, la ISO 42001 obliga a ordenar todo el ciclo de vida de la inteligencia artificial: desde que se identifica y prioriza un caso de uso que se quiere resolver dentro de la empresa, hasta que se desarrolla, se despliega, se pone en producción, se opera, se monitoriza, se evoluciona y, llegado el momento, se retira del sistema.

Todo esto debe llevarse de una manera adecuada y con cierta metodología. Eso es lo que aporta la ISO 42001.

Para el cliente, la garantía no es que la inteligencia artificial no vaya a fallar nunca. Esa no sería una promesa seria, porque la inteligencia artificial tiene sus fallos. Lo que sí ofrece es la garantía de que existe un marco que ayuda a reducir el riesgo, detectar posibles desviaciones en el comportamiento, revisarlas cuando se producen y corregirlas o actuar sobre ellas cuando tiene sentido.

Detrás de todo esto hay una idea clave: el gobierno que aporta la ISO 42001 no va a frenar la innovación, o no debería hacerlo. Es una condición para que esa innovación pueda aportar todavía más valor y pueda escalar.

¿Cómo equilibran la necesidad de alimentar la IA con muchos datos con la obligación de proteger la privacidad y cumplir con la normativa de protección de datos?

La inteligencia artificial no necesita todos los datos ni necesariamente una gran cantidad de datos, sino los datos adecuados, con la calidad suficiente, para una finalidad clara y con los controles y el gobierno correctos.

La calidad de la IA empieza por la calidad del dato, pero también por cómo se gobierna. Antes de alimentar un sistema, tienes que saber qué datos vas a utilizar, para qué los vas a usar y qué implicaciones jurídicas y normativas existen. También hay que tener claro quién accede a esos datos, si tiene permiso, a quién se le va a conceder ese permiso, dónde se almacenan, cómo se exponen y qué trazabilidad existe. Hay muchos elementos que tener en cuenta antes incluso de entrar en la parte técnica.

Cuando entramos en esa parte técnica, una de las primeras decisiones es si vas a trabajar con datos anonimizados o seudonimizados, de forma que no se pueda identificar directamente a las personas o empresas que están detrás. También hay casos en los que la solución tiene que permanecer dentro del perímetro del cliente, desplegada en sus propias instalaciones o en su entorno. En otros casos, puede estar en un entorno cloud, siempre que esté controlado.

En cualquier caso, hay que definir permisos, mecanismos de auditoría, accesos y controles. Lo que no podemos hacer es dejar la privacidad para el final. La privacidad debe tenerse en cuenta desde el principio. Si llegas al final del proyecto y entonces te preguntas si podías utilizar esos datos, es que has diseñado tarde, porque esa cuestión puede condicionar todos los puntos anteriores.

En inteligencia artificial, la privacidad, la seguridad y el gobierno de los datos no son elementos externos a la tecnología. Tienen que estar incorporados en la arquitectura desde el primer día. Nosotros concebimos la arquitectura de los proyectos de IA de esa manera: con diez niveles distintos, que existen porque algunos cubren aspectos más técnicos y otros responden a necesidades de negocio.

Cuando los datos están bien gobernados, la innovación tiene más sentido. Puedes aplicar la IA de forma más sólida, los equipos trabajan con más confianza y el cliente cuenta con muchas más garantías. 

Cada vez más decisiones de compra, inversión o contratación pasan por asistentes o modelos de IA que actúan como nuevos intermediarios. ¿Cómo cree que va a cambiar esto la relación entre empresas, clientes y proveedores tecnológicos como Izertis?

Es difícil preverlo con precisión, porque hablamos de un futuro a corto y medio plazo y todo avanza a mucha velocidad. Pero sí hemos visto, sobre todo en el último año o año y medio, bastantes movimientos en este sentido, especialmente relacionados con el comercio electrónico y este tipo de transacciones.

Ya se está empezando a trabajar con agentes capaces de desarrollar tareas de manera independiente o delegadas por el usuario, normalmente vinculadas a la compra o, como mínimo, a la fase de investigación previa. Esto está haciendo que aparezca un nuevo intermediario entre la empresa y el cliente, ya sea una persona o una compañía.

Ese cambio va a impactar en la manera en que las empresas diseñan y optimizan lo que ofrecen. Hasta ahora, la información estaba pensada principalmente para que la entendiera una persona, ya fuera un cliente final o una empresa. Ahora también habrá agentes que accederán a esa información, buscarán dentro de una web y necesitarán encontrar los datos mejor especificados y estructurados para poder interpretarlos correctamente.

Por tanto, el acceso a la información ya no puede ser tan libre o desordenado. Tiene que estar mejor organizado para que el asistente lo entienda de forma adecuada y pueda transmitírselo al cliente o incluso tomar una decisión en su nombre. Esta representación de la información es algo que ya hemos empezado a ver, al menos en el ámbito del comercio electrónico.

El reto está en hacer convivir lo que las empresas han preparado para las personas, que van a seguir accediendo a sus webs y trabajando con ellas, con lo que necesitan entender los agentes. En su momento hubo que rediseñar las páginas web para que pudieran verse correctamente desde un móvil, con el diseño responsive. Ahora quizá no hablamos tanto de diseño visual, sino de diseño de la información que hay detrás.

Esa información puede estar en las propias páginas o puede exponerse a través de servicios con los que un agente pueda interactuar para obtener los datos que necesita. Además, esa información tiene que ser verificable y fiable. Los agentes, cuando buscan información, tienden a contrastarla, a consultar otras fuentes y a evaluar si una respuesta tiene sentido antes de avanzar.

Para Izertis, esto tiene dos lecturas. Por un lado, vamos a ayudar a los clientes a prepararse para un entorno en el que parte de su relación con el mercado y con sus propios clientes estará mediada por agentes y modelos de inteligencia artificial. Por otro, nuestro papel también gana peso, porque en el momento en que una IA participa en una decisión, la confianza, la trazabilidad y el gobierno del dato dejan de ser solo cuestiones técnicas y pasan a ser temas de negocio.

Mi convicción es que esto no elimina la interacción humana, sino que la reorganiza y puede potenciarla de otras maneras. Lo que cambia es que ahora tenemos que rediseñar los procesos, los datos y la forma en que exponemos los servicios a un mundo en el que la primera entidad que llama a tu puerta puede ser una inteligencia artificial, no necesariamente una persona.

Si tuviera que elegir un solo proyecto que resuma lo que Izertis quiere ser en inteligencia artificial en los próximos años, ¿cuál sería? ¿Uno de banca y riesgo, de industria, de sector público, de salud… y por qué?

Elegiría precisamente el más difícil: un proyecto en un entorno regulado. Podríamos hablar de sector público, banca, seguros o salud. No tanto por el sector en sí, sino por lo que exige este tipo de proyectos.

Son proyectos que deben resolver un problema real, con un impacto importante en la sociedad; que trabajan con datos sensibles; que tienen que integrarse con sistemas ya existentes y complejos; que deben cumplir normativas restrictivas; y que, además, tienen que garantizar trazabilidad y operar con todas las garantías.

Nos iríamos a lo más difícil, pero es el tipo de proyectos en los que nos gusta estar. También a nuestros empleados les gusta participar en proyectos desafiantes.

Puede haber ejemplos de muchos tipos, pero uno que resume bien esta idea sería un sistema capaz de validar documentación regulatoria en seguros, banca u otro ámbito similar. Un sistema interno que no pueda acceder a APIs externas de modelos de lenguaje, como OpenAI o Anthropic, sino que tenga que funcionar con modelos desplegados dentro del propio entorno del cliente, sin que ningún documento salga de su perímetro de seguridad.

Ese tipo de proyecto resume muy bien lo que queremos ser, porque hablamos de un proceso real, en un entorno donde no puedes permitirte errores o tienes que minimizarlos al máximo; un entorno seguro, en el que debes proporcionar la mayor confianza posible.

Además, demuestra que se puede obtener valor de la inteligencia artificial sin relajar las restricciones de privacidad, cumplimiento y seguridad.

En Izertis queremos hacer inteligencia artificial que llegue a producción, que se mantenga en producción, que escale, que pueda auditarse y que cree el mayor valor posible.