El costo de tercerizar la IA: qué pasa cuando una empresa pone su conocimiento en un modelo externo

La inteligencia artificial generativa se incorporó a tareas cada vez más sensibles dentro de empresas y organizaciones: redacta documentos, analiza información, genera código, automatiza procesos y asiste en decisiones. Pero cuanto mayor es su utilidad, también aumenta la cantidad de información que los usuarios ponen a disposición de estos sistemas. Para la ingeniera Camila Velasco, allí aparece uno de los principales riesgos de la expansión de estas herramientas: “Cuando usás inteligencia artificial para tu negocio, entregás el core business, la ventaja competitiva de tu empresa o tu vida privada”, sostuvo en Infobae al Mediodía.

El problema adquiere otra dimensión cuando los modelos procesan información que una compañía considera estratégica. Contratos, desarrollos tecnológicos, datos financieros, estrategias comerciales, bases de clientes o información sobre productos todavía no lanzados pueden formar parte de las consultas realizadas a una herramienta externa. En esos casos, la discusión deja de ser únicamente cuánto cuesta utilizar IA y pasa a involucrar quién controla los datos con los que funciona.

Qué información se entrega al usar IA

Utilizar un servicio externo de inteligencia artificial implica enviar información a la infraestructura que procesa cada solicitud. El nivel de exposición depende del tipo de datos incorporados y de las condiciones de cada plataforma, pero el riesgo aumenta cuando se trata de información confidencial o que representa una ventaja competitiva.

Por eso, Velasco planteó que las compañías deberían establecer una diferencia entre los contenidos que pueden procesarse mediante herramientas externas y aquellos que deberían permanecer bajo control interno. “Podés usar IA generativa para marketing, pero tu core business, tus contratos, no deberían exponerse”, explicó.

Una alternativa es utilizar modelos que puedan ejecutarse localmente, dentro de la infraestructura de la propia empresa. Esto permite reducir la dependencia de servicios externos y mantener los datos dentro de la organización, aunque requiere capacidad de procesamiento, conocimientos técnicos y recursos para implementar y administrar los sistemas.

Según Velasco, desarrollar una infraestructura propia puede demandar inversiones superiores a los USD 300.000. El costo constituye una barrera especialmente importante para las pequeñas y medianas empresas, que pueden acceder con facilidad a herramientas comerciales de inteligencia artificial pero no necesariamente cuentan con los recursos para desarrollar una infraestructura propia.

El desafío de las pymes: productividad y soberanía de datos

La diferencia entre grandes empresas y pymes también se refleja en la capacidad para controlar dónde se procesan sus datos. Mientras las organizaciones con mayores recursos pueden desarrollar sistemas propios o contratar soluciones específicas, las compañías más pequeñas suelen depender de plataformas externas para incorporar inteligencia artificial a sus procesos.

La decisión no implica elegir entre utilizar IA o dejar de utilizarla, sino determinar qué tareas pueden delegarse y qué información debe permanecer protegida. No representa el mismo riesgo utilizar un modelo para generar una pieza de marketing que incorporar a la plataforma un contrato, información sobre un desarrollo tecnológico o datos internos de una compañía.

Velasco mencionó como ejemplo la estrategia de Palantir, que ofrece soluciones orientadas a que grandes organizaciones mantengan un mayor control sobre sus datos y sistemas de inteligencia artificial. La tendencia apunta a reducir la dependencia de servicios externos cuando la información procesada forma parte de los activos más sensibles de una empresa.

Para las pymes, el desafío consiste en encontrar un equilibrio entre el costo de desarrollar infraestructura propia y el riesgo de utilizar servicios externos para procesar información central del negocio.

La IA también modifica el trabajo de los programadores

La generación automática de código introdujo otro cambio en las empresas tecnológicas. Los modelos pueden producir grandes cantidades de código en poco tiempo, pero el resultado todavía requiere revisión humana para detectar errores y evitar problemas que luego pueden convertirse en deuda técnica.

Durante la entrevista, Andrei Serbin Pont señaló que el costo asociado al uso intensivo de tokens puede llevar a las compañías a reconsiderar la contratación de programadores junior. Velasco vinculó esa situación con la necesidad de supervisar el código generado por los modelos.

“Muchas empresas están generando código basura porque nadie audita lo que produce la IA”, advirtió. La automatización permite acelerar el desarrollo, pero incorporar código sin una revisión adecuada puede trasladar errores hacia etapas posteriores y aumentar el costo de corregirlos.

En ese escenario, el rol del programador junior puede cambiar. En lugar de concentrarse exclusivamente en escribir código desde cero, puede participar en la revisión, validación y corrección del contenido generado por la inteligencia artificial. “Se vuelve a poner al humano en el centro, con juniors supervisando lo que genera la inteligencia artificial para evitar la deuda técnica”, explicó Velasco.

La automatización, por lo tanto, no elimina la necesidad de conocimientos técnicos. Modifica la forma en que se utilizan: la IA puede acelerar la producción de código, pero todavía necesita personas capaces de comprenderlo, auditarlo y determinar si es correcto.

El riesgo de depender de una sola plataforma

La expansión de estas herramientas también genera un problema de dependencia tecnológica. Una empresa que concentra sus procesos, información y conocimiento en una única plataforma puede enfrentar dificultades si cambian sus precios, condiciones de uso o capacidades.

Velasco recomendó evitar esa dependencia y mantener la posibilidad de migrar entre diferentes servicios. “Lo mejor es familiarizarse con varias, no casarse con una sola”, sostuvo, y mencionó entre las alternativas a ChatGPT, Gemini y Grok.

La cuestión central, entonces, no es solamente cuánto cuesta utilizar inteligencia artificial. También importa qué información se entrega, quién mantiene el control sobre esos datos y qué capacidad tiene una organización para cambiar de proveedor o ejecutar sus propios modelos.

A medida que la IA se incorpora a más áreas de las empresas, esa decisión deja de ser exclusivamente tecnológica. Para las compañías, y especialmente para las pymes, definir qué información puede procesarse en plataformas externas y cuál debe permanecer dentro de la organización se convirtió en una cuestión de negocio.

–

Infobae te acompaña cada día en YouTube con entrevistas, análisis y la información más destacada, en un formato cercano y dinámico.

• De 7 a 9: Infobae al Amanecer: Nacho Giron, Luciana Rubinska y Belén Escobar.

• De 9 a 12: Infobae a las Nueve: Gonzalo Sánchez, Tatiana Schapiro, Ramón Indart y Cecilia Boufflet.

• De 12 a 15: Infobae al Mediodia: Maru Duffard, Andrei Serbin Pont, Fede Mayol y Facundo Kablan.

• De 15 a 18: Infobae a la Tarde: Manu Jove, Maia Jastreblansky y Paula Guardia Bourdin; rotan en la semana Marcos Shaw, Lara López Calvo y Tomás Trapé.

• De 18 a 21: Infobae al Regreso: Gonzalo Aziz, Diego Iglesias, Malena de los Ríos y Matías Barbería; rotan en la semana Gustavo Lazzari, Martín Tetaz y Mica Mendelevich

Seguinos en nuestro canal de YouTube @infobae.