Algunas empresas integran IA en todos sus procesos; otras la restringen por seguridad, datos o compliance. La decisión no es ser pro o anti IA, sino elegir una postura que combine productividad, control y claridad de negocio.
Duemint
|
Empresas AI-native vs AI-restricted: beneficios y costos de cada postura
Algunas empresas integran IA en todos sus procesos; otras la restringen por seguridad, datos o compliance. La decisión no es ser pro o anti IA, sino elegir una postura que combine productividad, control y claridad de negocio.
La discusión sobre IA en las empresas dejó de ser "sí o no". Casi todas la usan de alguna forma. La pregunta que hoy separa a una compañía de otra es qué tan a fondo la adopta, y bajo qué reglas. Adoptar IA de lleno puede acelerar productividad e innovación, pero si se implementa mal genera filtraciones, errores, pérdida de propiedad intelectual, fraudes y daño reputacional. Restringirla puede proteger a la empresa, pero aplicada sin una alternativa oficial empuja el uso hacia la sombra. En esta nota comparamos las posturas con casos reales —de MUFG y Samsung a Apple, Air Canada, Arup y Vercel— para que la decisión sea de negocio, no ideológica.
El dilema no es usar IA o no: adoptarla, restringirla o controlarla
Frente a la IA hay tres posturas, no dos. AI-native: la empresa integra la IA en procesos, equipos y decisiones, con capacitación, reglas y métricas. AI-restricted: la limita por datos sensibles, compliance o propiedad intelectual. AI-controlled: la habilita, pero con modelos aprobados, trazabilidad, presupuestos, revisión humana y criterios claros de riesgo. En español, podríamos hablar de empresas IA nativas frente a empresas con IA restringida, aunque en el debate global los conceptos más usados son AI-native y AI-restricted.
La clave: ninguna empresa está obligada a aplicar una sola postura a toda la organización. Puede ser AI-native en marketing, AI-restricted en legal y AI-controlled en operaciones, y acertar en las tres. La IA no es una política única; es una decisión por proceso, por dato y por nivel de riesgo.
Qué significa adoptar IA a fondo (AI-native)
Adoptar IA es un esfuerzo organizacional, no una compra de software. El caso de MUFG publicado por OpenAI lo muestra en banca: el grupo japonés desplegó ChatGPT Enterprise a unos 35.000 empleados, pero lo relevante es cómo. Antes de usar la herramienta hubo un e-learning obligatorio con 100% de participación; se nombraron "AI champions" por área; y tras la capacitación se crearon más de 1.800 GPTs internos en cuatro meses. En tareas de investigación seleccionadas, los equipos reportaron entre 20% y 30% menos carga de trabajo.
En la misma línea, OpenAI documenta el despliegue en Samsung Electronics de ChatGPT Enterprise y Codex, con uso en I+D, manufactura, marketing y desarrollo. El patrón común no es cuánta IA usan, sino cuánta estructura construyeron para usarla: quién puede, para qué y con qué datos.
Beneficios y costos de adoptar IA a fondo
Beneficio | Qué cambia | Costo o riesgo si no hay proceso |
|---|---|---|
Productividad | Menos tareas manuales | Uso disperso sin ROI medible |
Conocimiento interno | GPTs o asistentes por área | Respuestas inconsistentes |
Velocidad de ejecución | Menos fricción entre idea y acción | Automatizar un proceso mal diseñado |
Innovación | Nuevos productos o experiencias | Dependencia de un proveedor |
Escala | IA en muchos equipos | Costos variables y shadow AI |
El beneficio y el riesgo son la misma palanca: la productividad sin medición se vuelve gasto disperso; la escala sin control, shadow AI. Adoptar IA rinde cuando cada beneficio tiene un dueño y una métrica.
Adoptar con control: el modelo AI-controlled y el caso Vercel
La postura más madura no abre todo ni bloquea todo: adopta con control. Vercel es el mejor ejemplo. Su AI Gateway funciona como una capa única sobre cientos de modelos, y su production index muestra la escala: el 58,9% del volumen de tokens ya corresponde a solicitudes con herramientas o agentes —casi el doble que seis meses antes—, y los equipos de mayor volumen usan más de 30 modelos distintos en promedio para sus workloads de alto volumen.
Ese fleet es diseño, no desorden: cada tarea va al modelo que corresponde —uno barato para clasificar, un modelo frontier para razonar, uno rápido para resumir—. A eso el AI Gateway suma los controles que hacen la adopción manejable: billing y observabilidad en un solo lugar, provider allowlists para restringir a qué proveedores se llama, y Zero Data Retention en cada request para que los datos no se retengan ni se usen en entrenamiento. Ser AI-controlled es exactamente eso: no elegir entre potencia y control, sino diseñar ambos a la vez.
Qué significa restringir o no adoptar IA (AI-restricted)
Restringir suele ser racional en organizaciones con datos altamente sensibles, clientes regulados, propiedad intelectual fuerte, procesos críticos o baja madurez de datos. No siempre significa quedarse atrás: en banca o manufactura, exponer cierta información a un modelo externo puede ser un incumplimiento.
Distintos reportes de prensa de 2023 documentaron restricciones en empresas como Apple, JPMorgan, Deutsche Bank, Verizon, Northrop Grumman y Samsung. Según recogió Fortune, Apple limitó herramientas externas por temor a filtrar información de producto; JPMorgan restringió ChatGPT dentro de sus controles sobre software de terceros; Deutsche Bank lo bloqueó para proteger datos de clientes; Verizon citó el riesgo de perder control sobre información y código; y Northrop Grumman lo vetó hasta evaluarlo. Samsung restringió la IA generativa tras reportes de empleados que cargaron información sensible, incluido código interno, en herramientas generativas.
Pero restringir rara vez es el final: la misma Samsung que frenó la IA en 2023 hoy la despliega de forma estructurada. La restricción fue el paso previo a adoptarla con reglas. La condición es no dejar un vacío: restringir sin una alternativa oficial no elimina el uso, lo esconde en cuentas personales, sin trazabilidad ni control.
Los errores que explican por qué algunas empresas restringen la IA
Restringir o controlar la IA no nace solo del miedo: nace de errores ya observados. Cinco casos recientes lo ilustran, y todos comparten una causa común —outputs no auditados llegando a un entregable, un cliente o un pago—.
En servicios profesionales, Deloitte Australia reembolsó parte de un informe de unos AUD$440.000 para el Departamento de Empleo (DEWR) después de que se detectaran referencias académicas inexistentes y una cita judicial fabricada; la versión corregida declaró que se había usado un sistema de IA generativa. EY retiró un informe sobre fraude en programas de lealtad tras una revisión externa que encontró que buena parte de sus fuentes citadas —alrededor de 16 de 27— eran fabricadas o no verificables. En ambos casos el daño fue reputacional, y el problema no fue usar IA, sino publicar sin revisión.
En atención a clientes, un tribunal de Columbia Británica falló en Moffatt v. Air Canada que la aerolínea debía compensar a un pasajero (CA$812) porque su chatbot entregó información incorrecta sobre una tarifa de duelo: un bot que atiende clientes también representa a la empresa. En finanzas, la firma de ingeniería Arup perdió cerca de US$25 millones en un fraude con deepfakes que impersonaron a su CFO y a otros ejecutivos en una videollamada, con transferencias a cinco cuentas antes de detectar el engaño. Y en el ámbito legal, varios abogados han sido sancionados por presentar escritos con fallos judiciales inexistentes generados por IA, como en el conocido caso Mata v. Avianca.
Caso | Qué pasó | Riesgo que muestra | Aprendizaje para empresas |
|---|---|---|---|
Deloitte Australia | Informe con citas falsas y referencias inexistentes | Alucinaciones en entregables profesionales | No publicar sin revisión humana y fuentes verificadas |
EY | Estudio retirado por fuentes fabricadas | Daño reputacional | QA editorial y trazabilidad de fuentes |
Air Canada | Chatbot dio una política incorrecta | Responsabilidad por outputs al cliente | Bots con límites y base de conocimiento validada |
Arup | Deepfake del CFO habilitó un fraude millonario | Fraude financiero con IA | Verificación por canal independiente para pagos críticos |
Abogados (Mata v. Avianca) | Citas judiciales inventadas | Riesgo legal y sanciones | La IA no reemplaza la revisión experta |
El hilo común no es la IA: es usarla sin herramientas aprobadas, sin revisión humana y sin trazabilidad. Esa es la frontera entre adoptar con criterio y solo abrir la puerta.
Beneficios y costos de restringir IA
Beneficio | Qué protege | Costo oculto |
|---|---|---|
Menos fuga de datos | Información sensible | Menor aprendizaje organizacional |
Más control | Compliance y auditoría | Shadow AI por fuera de la empresa |
Menor exposición legal | Propiedad intelectual | Menor velocidad de adopción |
Menos gasto variable | Tokens y licencias | Menos productividad potencial |
Más cautela operativa | Procesos críticos | Competidores que avanzan antes |
El costo oculto más peligroso es el shadow AI: prohibir sin alternativa no elimina el riesgo, lo vuelve invisible. La restricción rinde cuando viene con una vía oficial —una herramienta aprobada, con reglas claras— para los usos que sí tienen sentido.
Por qué muchas iniciativas de IA no generan retorno
El obstáculo rara vez es el modelo. Bain señala que la mayor dificultad para escalar IA no está en la tecnología, sino en rediseñar procesos, datos y formas de trabajo a su alrededor. El State of AI Report 2026 de Deloitte apunta igual: hay ambición, pero falta activación, medición o estructura. Implementar IA sin proceso ni responsables no rinde, sea la empresa adoptante o restrictiva.
Ejemplos reales de posturas frente a la IA
Empresa | Postura | Qué hizo | Beneficio buscado | Costo o riesgo |
|---|---|---|---|---|
MUFG | AI-native | 35.000 empleados, e-learning, champions, 1.800+ GPTs | Productividad transversal | Requiere gestión del cambio |
Samsung | AI-native (tras restringir) | ChatGPT Enterprise y Codex en varias áreas | IA como plataforma de trabajo | Riesgo si se usa sin políticas |
Vercel | AI-controlled | Routing, budgets, observabilidad, ZDR, allowlists | Escalar IA sin perder control | Exige arquitectura y criterio |
Apple | AI-restricted | Limitó herramientas externas | Proteger información confidencial | Menor velocidad de adopción |
JPMorgan | AI-restricted | Limitó ChatGPT por software externo | Compliance | Puede aumentar shadow AI |
Deutsche Bank | AI-restricted (transitorio) | Bloqueó mientras evaluaba | Proteger datos de clientes | Retrasa el aprendizaje |
Cómo decidir qué postura necesita tu empresa
Pregunta | Si respondes sí | Postura sugerida |
|---|---|---|
¿Manejas datos altamente sensibles? | Sí | Restringir o usar IA privada |
¿Tienes procesos repetitivos claros? | Sí | Adoptar por áreas |
¿No tienes métricas de productividad? | Sí | Pilotos controlados |
¿El equipo ya usa IA informalmente? | Sí | Regular antes de prohibir |
¿Hay presión competitiva? | Sí | Adopción gradual con reglas |
¿No sabes cuánto cuesta el uso? | Sí | Medir antes de escalar |
¿Debes cumplir regulación estricta? | Sí | AI-controlled con herramientas aprobadas |
La mayoría de las empresas quedará en una mezcla, no en un extremo. Y cuando el equipo ya usa IA informalmente, regular es mejor que prohibir, porque el uso no desaparece: solo se esconde. Cualquiera de estas decisiones se sostiene mejor con claridad sobre el presupuesto financiero y el impacto de cada iniciativa.
Conclusión: la mejor postura no es la más agresiva, sino la más clara
La empresa que gana con IA no es la que abre todo ni la que bloquea todo. Es la que decide con claridad dónde la IA genera valor, qué riesgos puede asumir y cuáles no, qué datos puede usar, qué procesos exigen revisión humana antes de actuar sobre una respuesta, cuánto cuesta operarla y quién responde por el resultado. Adoptar sin criterio genera filtraciones, errores y fraudes; restringir sin alternativa frena el aprendizaje y empuja el uso a la sombra. El eje no es pro o anti IA: es claridad, el mismo criterio con que se evalúa cualquier tecnología, como vimos en IA y finanzas y en la transformación digital en finanzas.
Si quieres seguir recibiendo análisis prácticos sobre finanzas, automatización, IA y gestión empresarial, suscríbete al boletín de Duemint.
Preguntas frecuentes
¿Qué es una empresa AI-native?
La que adopta la IA a fondo: la integra en procesos, equipos y decisiones, con capacitación, reglas, datos seguros y métricas. No se define por usar ChatGPT, sino por la estructura que construye alrededor. MUFG y Samsung son ejemplos.
¿Qué es una postura AI-controlled?
Habilitar IA con control: modelos aprobados, routing por tarea, presupuestos, observabilidad, revisión humana y trazabilidad. Vercel es un buen ejemplo, con allowlists de proveedores y Zero Data Retention. Ni abrir todo ni bloquear todo.
¿Cuáles son los mayores riesgos de usar IA sin reglas?
Filtraciones, pérdida de propiedad intelectual, shadow AI, errores operativos, fraude con deepfakes, problemas legales y decisiones tomadas sobre respuestas no verificadas. Casos como Deloitte Australia, EY, Air Canada o Arup muestran que el riesgo ya es real, no hipotético.
¿Restringir la IA significa quedarse atrás?
No necesariamente. Puede ser racional cuando hay datos sensibles, regulación o propiedad intelectual en juego. El problema no es restringir, sino hacerlo sin alternativa oficial: ahí aparece el shadow AI.
¿Cómo decide una empresa qué postura le conviene?
Por área y por proceso, no de una vez para todo. Datos muy sensibles: restringir o IA privada. Procesos repetitivos claros: adoptar por áreas. Sin métricas de costo o productividad: pilotos controlados y revisión humana antes de escalar.
