El año 2024 ha confirmado el lugar central de la inteligencia artificial generativa en las estrategias empresariales, al mismo tiempo que ha revelado limitaciones que los anuncios entusiastas de 2023 habían dejado en la sombra. Entre proyectos piloto sin retorno medible, la urgencia de la criptografía post-cuántica y datos internos aún mal explotados, el panorama tecnológico de 2024 se lee tanto por sus promesas como por sus puntos de fricción.
IA generativa en la empresa: la brecha entre adopción y retorno de inversión
La mayoría de las grandes organizaciones han lanzado al menos un proyecto relacionado con la IA generativa. Las herramientas de generación de texto, código o imagen se han multiplicado en las áreas de marketing, legales y técnicas.
Un análisis publicado por The European Business Review en septiembre de 2026, que se apoya en balances de despliegues anteriores, señala un hecho claro: la mayoría de los proyectos piloto no logran un impacto financiero medible. El problema radica menos en la tecnología que en la ausencia de una referencia clara antes del despliegue. Sin un indicador de partida, es imposible cuantificar una ganancia.
Este desajuste entre la experimentación y el valor empresarial ha llevado a varias empresas a revisar su enfoque. En lugar de multiplicar los casos de uso, algunas concentran sus esfuerzos en uno o dos procesos críticos donde el beneficio es directamente observable, como la clasificación automatizada de documentos contractuales o la síntesis de comentarios de clientes. Seguir las novedades tech en 24 Actualités permite medir cómo estos ajustes evolucionan mes a mes en diferentes sectores.
Calidad de los datos: el verdadero freno a la producción de la IA
Los modelos generativos necesitan datos fiables, estructurados y conectados entre sí. En teoría, las empresas lo saben. En la práctica, el nivel real de integración sigue siendo bajo.
The European Business Review señala que los datos no estructurados representan el principal obstáculo para la producción. Correos electrónicos archivados, PDF digitalizados, transcripciones de llamadas, documentos internos almacenados en formatos heterogéneos: este patrimonio informativo existe, pero resiste a los pipelines de ingestión automatizados.
El problema no es técnico en sentido estricto. Existen soluciones de extracción y normalización. La dificultad radica en la gobernanza: ¿quién valida la calidad de un conjunto de datos antes de que alimente un modelo? ¿Quién decide el nivel de confidencialidad aplicable? Estas cuestiones organizacionales ralentizan los proyectos mucho más que las limitaciones algorítmicas.
Datos y ciberseguridad: una intersección subestimada
Conectar fuentes internas heterogéneas para alimentar un modelo de IA amplía mecánicamente la superficie de ataque. Los equipos de seguridad se enfrentan a una paradoja: la IA requiere más datos accesibles, la ciberseguridad exige segmentarlos.
Los retornos de campo divergen en este punto. Algunas organizaciones consideran que las ganancias de productividad justifican un acceso ampliado a los datos, siempre que se refuercen el cifrado y la auditoría. Otras prefieren limitar el acceso de los modelos a subconjuntos validados manualmente, aunque eso signifique reducir la relevancia de los resultados.
Criptografía post-cuántica: una transición ya iniciada
La computación cuántica aún no está operativa a gran escala para romper los algoritmos de cifrado actuales. Sin embargo, la amenaza denominada “harvest now, decrypt later” es muy real: los datos cifrados hoy podrían ser descifrados mañana por una computadora cuántica suficientemente potente.
Es esta lógica la que ha llevado al NIST (Instituto Nacional de Estándares y Tecnología) a finalizar sus primeros estándares de criptografía post-cuántica. La publicación de estas normas ha creado un efecto llamada: los proveedores de soluciones en la nube y de ciberseguridad han comenzado a integrar algoritmos resistentes a ataques cuánticos en sus ofertas.
Para las empresas, la transición no se limita a reemplazar un algoritmo por otro. Supone un inventario completo de los sistemas criptográficos en uso, un trabajo a menudo largo y tedioso sobre infraestructuras envejecidas.
- Identificar todos los flujos de datos cifrados y los protocolos utilizados (TLS, VPN, firmas digitales) para mapear la exposición.
- Priorizar la migración de los sistemas que protegen datos de larga duración, como los historiales médicos, los contratos o la propiedad intelectual.
- Probar la compatibilidad de los nuevos algoritmos con los sistemas existentes antes de cualquier despliegue en producción, ya que algunos protocolos heredados no soportan claves de mayor tamaño.
Tendencias tech 2024: lo que avanza sin hacer ruido
La IA generativa y la cuántica concentran la atención mediática. Otras evoluciones tecnológicas avanzan con menos ruido pero con efectos concretos.
La GreenTech bajo presión energética
Los centros de datos necesarios para el entrenamiento de modelos de IA consumen cantidades considerables de energía. Esta realidad pone en tensión dos prioridades manifestadas por las empresas tecnológicas: la carrera por la potencia de cálculo y los compromisos de reducción de la huella de carbono. Los datos disponibles aún no permiten concluir si las ganancias de eficiencia energética de los nuevos chips compensan el aumento global de la demanda.
El panorama tech de 2024 se caracteriza menos por rupturas espectaculares que por una maduración exigente. Las organizaciones que aprovechan la IA generativa son aquellas que primero han resuelto sus problemas de datos y de gobernanza. La criptografía post-cuántica impone un proyecto de infraestructura a planificar durante varios años. La brecha entre el entusiasmo de los anuncios y la realidad operativa sigue siendo el hilo conductor de este año tecnológico.
