La inteligencia artificial empresarial: SAP plantea que la IA debe pasar de la experimentación a generar resultados verificables, conectándose con datos, procesos y objetivos concretos del negocio.
SAP Now: Durante el evento, SAP destacó la importancia de contar con datos confiables, contexto operativo y gobernanza para aprovechar la IA de forma segura y escalable.
ERP: La plataforma de gestión se posiciona como el sistema de ejecución que concentra datos y procesos necesarios para que la IA pueda pasar de recomendar a actuar.
Agentes de IA: Los agentes representan el siguiente paso de la automatización empresarial, al permitir ejecutar tareas y procesos bajo reglas, permisos y supervisión humana.
La inteligencia artificial empresarial dejó de ser una conversación reservada para los equipos de innovación y comenzó a convertirse en una discusión sobre la manera en que las organizaciones operan, toman decisiones y ejecutan sus procesos. Durante SAP Now, Paola Becerra, presidenta de SAP México, y Adriana Aroulho, presidenta de SAP América Latina y el Caribe, coincidieron en que el verdadero desafío no consiste únicamente en incorporar modelos cada vez más capaces, sino en construir las condiciones para que puedan generar resultados verificables.
El debate adquiere relevancia porque las compañías están incorporando copilotos, modelos generativos y agentes capaces de realizar tareas. Sin embargo, la velocidad de adopción también está dejando al descubierto problemas que durante años permanecieron detrás de las aplicaciones corporativas: información fragmentada, procesos desconectados, arquitecturas complejas, sistemas heredados y reglas de gobierno que no siempre están integradas con las nuevas herramientas.
En este escenario, la inteligencia artificial empresarial necesita mucho más que un modelo potente. Requiere datos confiables, conocimiento sobre la operación, capacidad de interpretar relaciones entre información y procesos y, especialmente, mecanismos que permitan actuar bajo las reglas de cada organización.
La tesis planteada durante SAP Now puede resumirse en una idea: la IA solamente comienza a generar verdadero valor cuando deja de ser una herramienta aislada y se conecta con el sistema de ejecución de la compañía.
Del experimento tecnológico a una operación que genere resultados
Uno de los principales riesgos para las empresas consiste en trasladar directamente una herramienta generativa a procesos críticos sin haber preparado previamente la información y la arquitectura que la sostienen. Una respuesta aceptable en una conversación cotidiana puede resultar insuficiente cuando una decisión afecta finanzas, compras, logística, manufactura, cumplimiento o atención de clientes.
En esos escenarios, la precisión deja de ser una característica deseable y se convierte en una condición operativa. Un error en una recomendación puede ser corregido por una persona, pero una acción equivocada ejecutada automáticamente puede generar costos, incumplimientos o impactos sobre otros procesos.
La inteligencia artificial empresarial necesita, por ello, operar bajo condiciones distintas a las de una herramienta de uso general. No solamente debe responder correctamente, sino conocer qué información está utilizando, de dónde procede, qué significado tiene, qué proceso está afectando y qué autorización necesita para actuar.
“No se trata de inteligencia artificial por inteligencia artificial, se trata de que esta inteligencia artificial entregue valor real a las empresas y ahí es donde tenemos que enfocarnos para ayudarlas a construir esa ruta que les lleve a ese resultado”,
explicó Paola Becerra, presidenta de SAP México.
La declaración de Becerra resume uno de los cambios más importantes en la conversación empresarial sobre IA. La pregunta ya no es únicamente qué modelo puede utilizar una compañía, sino qué problema pretende resolver, qué indicadores desea mejorar y qué procesos deben transformarse para que la inversión tecnológica tenga una consecuencia concreta sobre el negocio.
El reto se vuelve todavía más evidente cuando la información corporativa se encuentra distribuida entre múltiples aplicaciones. Ventas puede manejar una estructura de datos; finanzas, otra; logística, una adicional; manufactura puede utilizar sistemas distintos, mientras que una parte importante del conocimiento permanece en documentos, hojas de cálculo, correos electrónicos y herramientas colaborativas.
Cuando cada fuente conserva una versión diferente de la realidad, una aplicación de IA puede producir una respuesta aparentemente convincente sin contar con todo el panorama. El resultado puede sonar correcto y, al mismo tiempo, ser incorrecto para la organización.
Ese es el denominado dilema del iceberg. En la superficie aparecen los modelos, los asistentes y los agentes que el usuario puede observar. Debajo existe una infraestructura mucho más amplia compuesta por datos, procesos, identidad, permisos, trazabilidad, cumplimiento, semántica y conocimiento acumulado.
La inteligencia artificial empresarial depende precisamente de esa capa que no siempre es visible. Si la información que alimenta al modelo está incompleta o desconectada del proceso que debe ejecutar, la capacidad de la IA se limita a entregar recomendaciones.
La diferencia entre recomendar y ejecutar es fundamental. Una empresa puede pedirle a una herramienta que identifique una oportunidad de venta. Pero para convertir esa recomendación en una acción necesita conocer inventario, disponibilidad, condiciones comerciales, historial del cliente, reglas de autorización y procesos posteriores.
Por ello, SAP coloca al ERP en el centro de esta discusión. El sistema no debe entenderse solamente como una plataforma que registra transacciones, sino como un repositorio donde convergen datos y procesos que permiten interpretar buena parte del funcionamiento de una organización.
“Si tú esperas ahora en el mundo de AI que la inteligencia artificial ejecute, necesitas que tu sistema de inteligencia artificial esté conectado al sistema de ejecución de la compañía, porque si no se va a quedar en una recomendación”,
Paola Becerra.
La inteligencia artificial empresarial cambia entonces la manera de entender al ERP. Ya no se trata solamente del sistema donde una compañía registra lo que hizo, sino de una pieza de la arquitectura desde la cual los agentes pueden obtener contexto y, cuando las reglas lo permiten, ejecutar acciones.
La transformación también exige revisar procesos. Una organización que mantiene exactamente la misma estructura operativa y únicamente agrega IA puede capturar una parte limitada de su potencial. Para obtener resultados, debe identificar qué actividades son repetitivas, cuáles requieren intervención humana, dónde existen cuellos de botella y qué decisiones pueden delegarse bajo supervisión.
Celeritech y T-Systems fortalecen su partnership con SAP para impulsar la transformación empresarial
CeleriTech: Con 10 años como partner de SAP, Celeritech ofrece consultoría e implementación, con un enfoque consultivo que busca entender las necesidades de cada empresa, diseñar soluciones a la medida y generar retorno sobre la inversión.T-Systems: Con más de 25 años de partnership con SAP y como partner Diamond, T-Systems atiende principalmente al segmento enterprise con servicios de TI administrados, nube, infraestructura, SAP RISE y soporte end to end, bajo un modelo centrado en las necesidades del cliente.
¿Por qué los datos y el contexto son el nuevo campo de batalla?
La calidad del dato se convirtió en uno de los principales factores que determinarán el éxito de la IA. Sin embargo, durante SAP Now también se puso énfasis en una diferencia que suele perderse en la discusión: tener información no significa necesariamente tener contexto.
Una herramienta puede conocer millones de documentos, conceptos y datos generales, pero eso no significa que comprenda cómo funciona una compañía determinada. Para operar dentro de una organización debe relacionar información con procesos, políticas, roles, proveedores, clientes, productos y dependencias.
La inteligencia artificial empresarial necesita precisamente esa capacidad de relacionar elementos que, de manera aislada, pueden parecer inconexos.
Un ejemplo permite entender el problema. El nombre de una compañía puede aparecer en distintos sistemas con variaciones diferentes. Una orden de compra puede estar vinculada con una entidad que mantiene una deuda. Una factura puede corresponder a otra operación. Si el sistema no comprende que todos esos elementos forman parte de una misma relación empresarial, puede tomar una decisión aparentemente lógica pero financieramente incorrecta.
El problema, por tanto, no consiste solamente en identificar el dato. Consiste en entender qué significa dentro del proceso.
“Información es diferente de contexto. Una herramienta puede tener acceso a una gran cantidad de información, pero para que realmente pueda ayudar a una compañía necesita entender cómo esa información se relaciona con sus procesos, con sus reglas y con la realidad específica del negocio”,
aseguró Adriana Aroulho, presidenta de SAP América Latina y el Caribe.
La diferencia entre información y contexto explica por qué algunas demostraciones de IA resultan impresionantes, pero pierden capacidad cuando se trasladan a operaciones reales. Una demostración puede responder una pregunta; una organización necesita resolver una cadena completa de decisiones.
La propuesta de SAP se apoya en tres elementos: contexto, construcción y gobernanza. El contexto permite conectar agentes con datos y procesos; la construcción facilita desarrollar capacidades específicas y seleccionar los modelos adecuados; mientras que la gobernanza determina qué pueden hacer esos agentes y bajo qué condiciones.
Aquí adquieren importancia herramientas como SAP Business Data Cloud, Knowledge Graph y las capacidades para construir agentes. El objetivo es conectar información de distintas fuentes y preservar el significado que esos datos tienen dentro de la organización.
Para las empresas, esto implica que un proyecto de IA no termina al conectar una API. También es necesario establecer qué datos son confiables, quién puede acceder a ellos, cómo se armonizan, cómo se conserva la trazabilidad y qué acciones puede realizar un agente.
En industrias reguladas, estas decisiones dejan de ser exclusivamente tecnológicas. Se convierten en asuntos de negocio, riesgo y gobierno corporativo.
“El contexto es lo que permite que la inteligencia artificial pueda entender realmente lo que está pasando dentro de una compañía. No basta con tener datos; necesitamos que esos datos estén relacionados con procesos, reglas y conocimiento empresarial para que la respuesta pueda convertirse en una acción útil para el negocio”,
Adriana Aroulho.
La inteligencia artificial empresarial requiere, por tanto, una arquitectura capaz de mantener esa relación entre datos y procesos. De poco sirve disponer de grandes volúmenes de información si cada área maneja definiciones diferentes o si los sistemas no pueden comunicarse entre sí.
La modernización de datos aparece así como una condición para escalar. Las compañías necesitan avanzar desde silos hacia estructuras donde la información pueda ser comprendida de manera transversal, con reglas claras de acceso y gobierno.
Este proceso también abre una oportunidad para revisar arquitecturas heredadas. En lugar de incorporar IA al final de una transformación, las organizaciones pueden utilizar la modernización tecnológica como punto de partida para preparar sus sistemas para agentes y automatización.
Cinco movimientos para convertir la IA en una ventaja empresarial
El planteamiento presentado durante SAP Now puede traducirse en cinco movimientos concretos para las compañías que buscan pasar de pilotos a resultados.
Primero, pasar del modelo aislado al contexto de negocio. La evaluación de una herramienta no debería limitarse a medir la calidad de sus respuestas. También debe considerar precisión operativa, capacidad de ejecutar procesos, trazabilidad y cumplimiento.
La inteligencia artificial empresarial necesita conocer el entorno donde actúa y las consecuencias de sus acciones.
Segundo, pasar de datos fragmentados a información armonizada. Si las fuentes corporativas entregan señales contradictorias, el agente tendrá dificultades para determinar cuál información debe utilizar. La modernización debe contemplar integración, calidad, gobierno y una semántica común.
Tercero, pasar de automatizaciones puntuales a agentes coordinados. El siguiente paso consiste en que la IA pueda identificar información, recomendar una acción y ejecutar parte de un proceso. Esto requiere permisos, contexto y reglas claras.
Cuarto, pasar de tecnología experimental a gobernanza empresarial. Seguridad, identidad, autorización, confidencialidad y trazabilidad deben formar parte del diseño desde el comienzo. Un agente que participa en un proceso crítico necesita límites definidos sobre lo que puede consultar, modificar o ejecutar.
Quinto, pasar de proyectos gigantes a caminos progresivos. No todas las compañías parten del mismo punto. Algunas necesitan modernizar primero su arquitectura; otras pueden comenzar con procesos específicos. La estrategia debe adaptarse al nivel de madurez de cada organización.
“Cuando decimos que es importante tener datos confiables, procesos confiables, todo ese conocimiento tiene que estar embebido en alguna plataforma tecnológica. Esa plataforma tecnológica es el cerebro de la compañía, porque ahí tienes esos datos y ahí tienes ese proceso mapeado e identificado”,
Presidenta de SAP México.
La inteligencia artificial empresarial no debe interpretarse como un producto único. Es una arquitectura que combina datos, aplicaciones, procesos, modelos, agentes y gobierno. La ventaja no estará necesariamente en quien utilice el modelo más grande, sino en quien pueda conectar mejor esas capacidades con su operación.
La lógica también cambia la conversación sobre inversión. El presupuesto de IA no debería concentrarse únicamente en licencias o infraestructura. Debe contemplar calidad de datos, integración, seguridad, capacitación, rediseño de procesos y operación continua.
En este sentido, una compañía puede obtener mayor retorno si comienza con problemas concretos y mide resultados. Un proceso de compras, una operación logística, una actividad financiera o una tarea de cumplimiento pueden convertirse en puntos de partida antes de ampliar la estrategia.
La inteligencia artificial empresarial también plantea una nueva distribución de responsabilidades. Las personas no desaparecen de la operación; cambian su función. En lugar de ejecutar cada paso manualmente, pueden concentrarse en establecer objetivos, definir políticas, validar excepciones y tomar decisiones estratégicas.
El ERP como punto de partida para una empresa más autónoma
La empresa autónoma fue otro de los conceptos centrales de la conversación. La idea no apunta a una organización sin personas, sino a una operación en la que la tecnología amplifica las capacidades humanas.
Los agentes pueden encargarse de actividades repetitivas, coordinar información y ejecutar determinados pasos, mientras los equipos concentran su atención en estrategia, creatividad, relación con clientes y decisiones complejas.
La inteligencia artificial empresarial adquiere sentido cuando se conecta con ese modelo operativo. Una compañía autónoma no se construye agregando asistentes independientes a cada departamento. Necesita sistemas capaces de compartir información, comprender reglas y coordinar acciones.
Por esa razón, el ERP vuelve a ocupar una posición central. Si contiene información transaccional y conocimiento sobre procesos, puede convertirse en una fuente de contexto para los agentes.
La evolución también afecta la migración tecnológica. SAP plantea que la IA puede utilizarse durante procesos de modernización, automatizando pruebas, ayudando con análisis y facilitando determinados trabajos asociados con la migración a la nube. De esta manera, la IA no solamente se convierte en una capacidad posterior de la empresa, sino también en una herramienta para transformar la infraestructura que la sostiene.
“No todas las compañías parten del mismo punto y por eso no existe un único camino para llegar a una empresa más autónoma. Lo importante es construir una ruta progresiva, modernizar la arquitectura, aprovechar la inteligencia artificial durante la transformación y avanzar hacia una operación donde los agentes puedan generar valor de manera segura y gobernada”,
Presidenta de SAP América Latina y el Caribe.
El papel humano, bajo esta visión, también adquiere mayor importancia. La automatización puede encargarse de determinados pasos, pero las organizaciones deben establecer quién define objetivos, quién aprueba excepciones y qué decisiones nunca deben quedar completamente fuera de supervisión.
La inteligencia artificial empresarial no elimina la responsabilidad humana. La desplaza hacia actividades de mayor valor y exige nuevas capacidades para supervisar sistemas que pueden ejecutar múltiples pasos.
La discusión deja así de centrarse exclusivamente en productividad. También incorpora experiencia de cliente, velocidad de operación, reducción de riesgos, capacidad de respuesta y crecimiento.
La oportunidad está en dejar de esperar
El último desafío es temporal. Las organizaciones que todavía consideran la IA únicamente como una experimentación pueden terminar acumulando pilotos sin conseguir una transformación estructural.
La pregunta que surge es sencilla: ¿cuánto cuesta seguir esperando?
La inteligencia artificial empresarial exige comenzar con una evaluación realista. ¿Dónde están los datos? ¿Qué tan consistentes son? ¿Qué procesos están documentados? ¿Qué aplicaciones concentran el conocimiento operativo? ¿Qué reglas deben respetarse? ¿Qué tareas pueden automatizarse? ¿Dónde debe permanecer una persona dentro del circuito?
Responder esas preguntas permite construir una hoja de ruta más realista y evitar que la inversión se concentre en demostraciones aisladas.
“El reto ahora es dejar de experimentar solamente por experimentar y comenzar a preguntarnos dónde podemos generar valor real. La tecnología ya está disponible; lo importante es construir las condiciones para utilizarla de una manera que impacte los resultados del negocio y permita que las personas trabajen en aquello donde realmente aportan mayor valor”,
Adriana Aroulho, presidenta de SAP América Latina y el Caribe.
La inteligencia artificial empresarial será cada vez más relevante conforme los agentes pasen de contestar preguntas a ejecutar procesos. En ese escenario, la ventaja competitiva no dependerá exclusivamente del modelo elegido, sino de la capacidad para conectar datos, conocimiento, procesos y reglas.
La conclusión planteada por SAP es directa: no se trata de reemplazar personas, sino de aumentar sus capacidades; tampoco de acumular modelos, sino de conectarlos con contexto; y mucho menos de automatizar sin límites, sino de construir una operación capaz de actuar con precisión, seguridad y gobierno.
La IA pasa del discurso a casos concretos
El enfoque de SAP Now también quedó reflejado en distintos casos de innovación presentados durante el evento. Uno de ellos fue el trabajo de Coca-Cola FEMSA, donde la tecnología se utiliza para conectar información de clientes, pedidos y operación con capacidades de IA. Su aplicación Juntos Plus incorpora herramientas como pedido sugerido y capacidades de análisis para ayudar a los puntos de venta a identificar necesidades y mejorar la experiencia comercial.El caso también muestra que la IA puede extenderse hacia la planeación de demanda, optimización de rutas, mantenimiento predictivo y análisis financiero. La lógica es pasar de utilizar la tecnología como experimento a incorporarla en actividades donde pueda generar impacto sobre productividad, operación y servicio.Otro ejemplo surgió durante el Innovation Tournament Americas, iniciativa que llegó a una nueva edición con proyectos desarrollados por equipos empresariales en periodos intensivos de trabajo. En esta ocasión participaron ICA, Farmacia San Pablo y Envases Universales, con soluciones enfocadas en problemas reales de negocio.Farmacia San Pablo presentó Sentinel, un agente orientado al monitoreo de proveedores. La propuesta busca consultar fuentes públicas mediante APIs y contrastar esa información con la base maestra de proveedores en SAP para detectar posibles incumplimientos o riesgos. Una de las capacidades planteadas consiste en generar alertas y, bajo determinadas condiciones, ejecutar acciones directamente en el sistema.Envases Universales, por su parte, desarrolló Atlas, un agente enfocado en operaciones logísticas. El prototipo incorpora diferentes habilidades relacionadas con tráfico, inventarios y embarques, además de información de tráfico para apoyar la toma de decisiones sobre rutas y posibles riesgos logísticos.Ambos proyectos ilustran una tendencia relevante: los agentes comienzan a diseñarse alrededor de problemas específicos y no solamente alrededor de la tecnología disponible. El objetivo es que la solución pueda evolucionar desde un prototipo hacia una aplicación productiva, con intervención humana, reglas de negocio y un proceso gradual de delegación.Estos casos refuerzan la tesis central de SAP Now: la inteligencia artificial empresarial adquiere valor cuando se conecta con datos, procesos y necesidades concretas de una organización. El siguiente paso no es únicamente desarrollar más agentes, sino determinar cuáles pueden generar resultados, cómo deben gobernarse y qué condiciones necesitan para escalar.La inteligencia artificial empresarial ya no debe analizarse como una moda tecnológica. El desafío es transformar la arquitectura sin perder el control de la operación. Datos confiables, procesos simplificados, gobierno, seguridad y una estrategia progresiva forman la base sobre la que pueden desplegarse agentes capaces de convertir una intención en una acción.Para las organizaciones, el momento de preparar esa base es ahora. La competencia no se definirá solamente por quién tenga acceso a la IA, sino por quién sea capaz de integrarla de manera más profunda con su conocimiento operativo y convertirla en resultados medibles.
Autores
