En este artículo
Un agente que responde preguntas sobre normativa, una automatización que clasifica solicitudes o un modelo que resume expedientes puede parecer un proyecto acotado. Sin embargo, cuando accede a información institucional, se conecta con sistemas existentes o interviene un proceso de atención, la elección entre las empresas de inteligencia artificial en Colombia deja de ser una cuestión de demostraciones llamativas. Pasa a ser una decisión de arquitectura, seguridad, gobernanza y continuidad operativa.
Para una entidad pública, una universidad o una empresa consolidada, el valor no está en incorporar inteligencia artificial por tendencia. Está en resolver un problema verificable: reducir tiempos de respuesta sin perder control, facilitar el acceso al conocimiento institucional, mejorar la calidad de un trámite o eliminar tareas repetitivas con acciones acotadas, auditables y medibles.
Qué deben resolver las empresas de inteligencia artificial en Colombia
El mercado reúne perfiles muy distintos. Hay proveedores centrados en modelos predictivos, estudios de producto que crean asistentes conversacionales, consultoras que definen estrategia y equipos de ingeniería capaces de construir e integrar soluciones en entornos críticos. Ninguna de estas aproximaciones es suficiente por sí sola para todos los casos.
Una organización con datos dispersos, portales institucionales, sistemas de gestión documental, CRM, ERP o plataformas académicas no necesita únicamente un chat con una interfaz cuidada. Necesita una solución que entienda qué información puede consultar, con qué permisos, cuándo debe escalar a una persona y qué acciones tiene autorización para ejecutar.
Por eso, una propuesta técnicamente sólida suele abordar cinco dimensiones conectadas: el caso de uso, la calidad y el acceso a los datos, la integración con los sistemas operativos, los controles de seguridad y la capacidad de mantener la solución. Si una de ellas queda fuera del alcance, el piloto puede funcionar durante unas semanas y fallar cuando aumenten los usuarios, las excepciones o las exigencias de auditoría.
Del prototipo al sistema que la organización puede gobernar
La diferencia entre una prueba y un servicio operativo no se mide por el número de respuestas generadas. Se mide por la posibilidad de explicar de dónde procede una respuesta, corregir una fuente desactualizada, limitar una acción sensible y observar el comportamiento del sistema a lo largo del tiempo.
En casos de consulta documental, la arquitectura RAG permite que un modelo responda a partir de fuentes institucionales seleccionadas. Pero RAG no significa simplemente cargar archivos en una herramienta. Requiere clasificar documentos, definir metadatos, controlar versiones, respetar permisos y establecer criterios para detectar cuándo la evidencia disponible no es suficiente. Una respuesta fluida sin referencias internas fiables puede ser más problemática que la ausencia de respuesta.
Los agentes de inteligencia artificial añaden otra capa de responsabilidad. Un asistente puede orientar a un ciudadano o a un estudiante con un nivel de riesgo relativamente bajo. Un agente que crea solicitudes, actualiza registros, consulta datos personales o inicia un flujo de aprobación exige reglas de negocio explícitas, identidad, trazabilidad y validaciones previas. La autonomía debe corresponderse con el riesgo de la tarea, no con la capacidad técnica de automatizarla.
También conviene distinguir entre un modelo general y un modelo adaptado a un dominio específico. En algunos contextos basta con una buena recuperación de información y unas instrucciones precisas. En otros, como clasificación especializada, análisis de lenguaje técnico o predicción basada en datos históricos, puede ser necesario entrenar, ajustar o evaluar modelos con conjuntos de datos propios. La decisión depende de la precisión requerida, el volumen de datos disponibles, la sensibilidad de la información y el coste de operar la solución.
Criterios para evaluar un proveedor
Antes de solicitar propuestas, conviene definir el proceso que se quiere mejorar y el límite que no se puede sobrepasar. No es lo mismo asistir a un equipo editorial que intervenir en la gestión de una solicitud ciudadana. Esta claridad permite comparar capacidades reales, en lugar de comparar promesas genéricas sobre automatización.
Al evaluar empresas de inteligencia artificial en Colombia, estos cuatro criterios suelen revelar la madurez de un proveedor:
- Arquitectura e integración. Debe poder explicar cómo convivirá la solución con las aplicaciones actuales, las APIs, los repositorios documentales y los sistemas de identidad. Sustituir sistemas funcionales no siempre es necesario; integrar con criterio suele reducir el riesgo y proteger la inversión existente.
- Gobernanza y seguridad. Es necesario conocer dónde se procesan los datos, qué información se registra, cómo se gestionan los permisos y quién puede modificar instrucciones, fuentes o reglas de automatización. En sectores regulados, estas respuestas deben formar parte del diseño, no aparecer al final del proyecto.
- Evaluación y trazabilidad. Un proveedor serio define cómo medirá precisión, cobertura, tiempos de respuesta, escalamiento a personas y errores críticos. También establece evidencias para revisar por qué el sistema recomendó, respondió o ejecutó una acción.
- Operación y evolución. Los modelos, las fuentes documentales y los procesos cambian. La propuesta debe incluir monitorización, mantenimiento, gestión de incidencias, actualizaciones y un modelo claro de transferencia de conocimiento para los equipos internos.
Una señal positiva es que el proveedor formule preguntas incómodas antes de ofrecer una solución: quién es responsable de los datos, qué decisiones no puede tomar el agente, cuáles son las excepciones del proceso y qué sucede cuando el sistema no alcanza un nivel mínimo de confianza. Estas preguntas no retrasan la innovación. Evitan construir una automatización difícil de defender ante usuarios, responsables de seguridad o equipos de auditoría.
La IA necesita una plataforma digital preparada
Muchas iniciativas de inteligencia artificial se diseñan como si fueran independientes del canal digital que las presenta. En la práctica, un agente de atención, un buscador inteligente o un asistente editorial dependen de la calidad de la plataforma donde operan. Si el portal es lento, el contenido no tiene estructura, los flujos editoriales son ambiguos o la accesibilidad no está resuelta, la IA reproduce esas limitaciones.
Esto es especialmente relevante en organizaciones que utilizan Drupal como gestor de contenidos institucional. Una arquitectura Drupal moderna puede estructurar contenidos, gestionar permisos, exponer servicios mediante APIs y conectarse con herramientas de inteligencia artificial sin perder control editorial. En una arquitectura headless, por ejemplo, el mismo conocimiento validado puede alimentar un portal web, una aplicación o un asistente conversacional, siempre que exista una estrategia coherente de contenidos y permisos.
Para entidades sujetas a lineamientos GOV.CO, la relación es aún más directa. Accesibilidad, lenguaje claro, publicación institucional, seguridad y experiencia de usuario no son requisitos periféricos. Determinan si un servicio digital puede utilizarse de forma equitativa y administrarse con continuidad. La inteligencia artificial puede mejorar la orientación y la búsqueda, pero no compensa una base de contenidos deficiente ni sustituye la responsabilidad institucional sobre la información publicada.
Casos donde el retorno es más defendible
Los mejores primeros casos de uso no siempre son los más visibles. Suelen ser aquellos con un proceso repetible, fuentes identificables, volumen suficiente y una forma clara de medir el resultado. La consulta de conocimiento interno, la clasificación inicial de solicitudes, el apoyo a equipos de atención, la extracción de datos de documentos y la asistencia a flujos editoriales pueden ofrecer valor sin delegar decisiones irreversibles a un modelo.
En cambio, conviene avanzar con cautela cuando el caso afecta derechos, decisiones financieras, admisiones, sanciones, diagnósticos o información altamente sensible. Eso no implica descartar la inteligencia artificial. Implica diseñarla como apoyo a un responsable humano, con umbrales de confianza, revisiones y registros que permitan detectar sesgos o errores.
El retorno tampoco debe limitarse a la reducción de costes. Puede expresarse en menor tiempo de búsqueda, respuestas más consistentes, menor carga administrativa, mayor cumplimiento de acuerdos de servicio o una experiencia más comprensible para usuarios. Definir dos o tres indicadores antes de implantar ayuda a decidir si conviene ampliar, ajustar o detener una iniciativa.
Una relación técnica de largo plazo
La contratación de inteligencia artificial no debería terminar con la puesta en producción. Los procesos evolucionan, se incorporan nuevas fuentes, cambian las políticas de datos y aparecen riesgos que no eran visibles en la fase inicial. Por ello, el acompañamiento técnico continuado es tan relevante como el desarrollo inicial.
Coresis aborda este tipo de iniciativas desde la tecnología aplicada con criterio de arquitectura y continuidad: agentes conectados a sistemas existentes, RAG sobre conocimiento gobernado, workflows con controles y plataformas digitales que pueden evolucionar sin convertirse en una suma de soluciones aisladas. Ese enfoque resulta útil cuando la organización necesita innovar sin poner en riesgo una operación ya crítica.
La mejor decisión no consiste en elegir al proveedor que promete más autonomía, sino al que ayuda a delimitarla con precisión. Una inteligencia artificial útil es aquella que mejora un proceso real, deja evidencia de lo que hace y puede seguir siendo administrada por la organización cuando el proyecto deja de ser novedad y pasa a formar parte de su operación diaria.